地面燃气轮机或航空发动机燃烧室内的贫燃熄火现象是一类典型的不稳定燃烧现象，其产生原因主要有2类：(1)为减少NOx的排放，而在燃机内采用降低当量比的贫燃技术，增加了火焰出现LBO的概率；(2)燃气轮机及航空发动机减速过程中，燃料流量的下降先于空气流量的下降，如减速过快则容易引发贫燃熄火。由此可见，在主动或被动调节燃烧室当量比时都可能导致贫燃熄火，而一旦出现这种现象，往往会导致电站停产、飞机失事等严重后果。因此，采取有效措施预测燃烧室贫燃熄火现象的发生具有重要意义，可为火焰稳定的主动控制系统提供先决条件。
燃烧室从稳定燃烧到发生贫燃熄火不是一个瞬态突变过程，存在一些明显的熄火征兆，这为预测LBO提供了可能。Chao等[1]在实验中发现，甲烷部分预混火焰在熄火前会出现火焰锋面的脉动现象，且脉动高度在一定范围内。P. O. Hedman等[2]则观测到，预混旋流火焰在将要熄火时，火焰结构在2种形态间振荡。T. M. Muruganandam等[3]基于OH*化学发光信号和高速成像，检测到旋流火焰靠近贫燃熄火时出现的局部熄火-重燃特征，并对其形成机理做了理论性描述。因此，根据熄火前的特征，采集相关信号并进行分析处理，可得到用于预测LBO的参数，配合相应的控制系统即可实现对燃烧室贫燃熄火的预防。
国内外学者在LBO预测方面做了许多工作，并取得了重大成果。本文综述近20年以来，基于各类信信号预测LBO的原理、采集方式和特点，接着介绍信号处理方法并综合评价其预测效果，最后提出展望。
1 信号类别及采集设备经过近20年的发展，燃烧室的贫燃熄火检测技术已取得较大的进步，目前已被证实可用于预测LBO的火焰信号主要有3类：光学信号(自由基化学发光信号、可见光谱颜色信号和吸收光谱温度)；声学信号(压力)；离子信号(离子电流)。不同信号的预测原理各不相同，信号采集设备也各有差异，将在下文具体介绍。
1.1 化学发光信号火焰化学发光是在燃烧反应过程中，某些受激分子发生电子跃迁而产生光辐射的一种现象，其反应机理可由以下反应式[4]表示：
(1)
(2)
这些光辐射主要分布在紫外和可见光区，不同自由基团的量子特性各不相同，因此根据各自的光谱特征容易区分出这些自由基，工业火焰中常见的化学发光自由基及其辐射波长为：OH*(308.9nm)、CH*(431.4nm)、C2*(516.5nm)、CO2*(350~500nm)。由于这些自由基团是在化学反应中产生，他们的数量直接与化学反应剧烈程度成正相关，因此可以通过检测这些自由基团的化学发光强度，来估测燃烧过程中的热释放速率和火焰锋面的空间分布，间接测量燃烧反应的化学当量比。
在碳氢燃料燃烧形成的火焰中，自由基团化学发光强度的排序为：贫燃时，OH*> CH*> C2*；富燃时，C2*>CH*>OH*，因此在预测贫燃熄火极限时较多地采用OH*化学发光信号，虽然CH*化学发光信号强度较弱，但文献[5]提出，采用阈值-事件法预测LBO时，CH*信号具有更好的控制效果。
实验研究或者实际应用中，常常在燃烧室的壁面上开设位置及大小合适的光学窗口，通过光纤探头收集火焰某个局部的化学发光信号，在探头前加装特定波长的滤光片即可以收集该波长对应的自由基团化学发光信号。信号采集区域的大小与光纤探头的锥顶角及测量方向有关，不同的探测区域对实验结果有较大影响，文献[6]研究了旋流火焰根部(喷口附近)、中部(内回流区)和尾部(内回流区以上)采集的OH*化学发光信号的差异，指出尾部具有更高的信号强度，因此在实验开始前需要选定合适的信号采集区域，常用的化学发光信号采集设备主要有光电二极管和光电倍增管(PMT)。另外，在实验中也常同步使用高速CCD相机拍摄火焰图像，记录熄火过程中的火焰形态变化，从直观上验证收集到的光强-时间信号的准确性。
1.2 温度信号火焰锋面是燃烧化学反应的主要区域，主要特征是在狭小空间内存在巨大的热释放速率和温度梯度。随着化学当量比的降低，靠近贫燃熄火边界时，P. O. Hedman等[2]发现火焰结构在靠近和远离旋流喷口2种模式间来回振荡。Muruganandam等[7]在旋流预混火焰中观测到短暂的局部熄火-再燃现象，由此可推测火焰靠近LBO时混合气体的温度可能会发生明显波动。根据温度波动的变化趋势，选择适当的数据处理方式，可获取用于预测及控制LBO的参数。
斯坦福大学的Li等[8-9]首先提出了一种基于可调谐二极管激光传感器(TDL)测温的LBO主动控制方法，其实验装置如图 1所示，证实了火焰温度信号可用于预测及控制火焰发生贫燃熄火现象。文中采用的这种新型激光传感器的具体介绍可以参考文献[10], 测温原理可概括为：定向选择1组H2O吸收线对(1397.75和1397.87nm)，采用波长调制光谱(WMS)和双峰法(2f)测温相结合的扫描波长技术，根据所选线对的WMS-2f峰高比推测出燃烧区气体温度。这种测温方法具有抗干扰能力强，灵敏度高，能够实时测量等优点[11]。此外，相比于压力信号的全局测量和化学发光信号的局部测量，此方法测量的温度信号是激光路径上气体的平均温度，选择合适的激光路径，可以获得变化范围更广的温度信号，有利于提高控制系统的灵敏度。
改变化学当量比时，火焰可以从预混火焰模式逐渐向扩散火焰模式转变。在此过程中用肉眼即可发现比较明显的火焰颜色变化，可通过常用的彩色数字相机记录下来；经过数字图像处理技术，可以定量地描述这种变化。Huang等[12]采用三原色光模型(RGB)描述不同工况下甲烷火焰的特征，研究发现甲烷预混火焰的蓝光和绿光均值可以很好地代表CH*和C2*的生成量，两者具有吻合度较高的变化趋势，并指出可以用于火焰的监测。R. R. Chaudhari等[13]则首次将火焰的颜色信号用于预测贫燃熄火，在实验中发现，随着化学当量比的降低，靠近LBO时，火焰的颜色从微红转变为蓝色，因此基于统计法提出一个预测LBO的系数：红光和蓝光的强度比γ，定义公式如下：
(3)
式中：Ir(x, y)表示像素点(x, y)的红光(λ=717.1nm)强度，Ib(x, y)表示像素点(x, y)的蓝光(λ=431.2nm)强度。在不同预混长度，不同燃料和不同空气流速下，该系数随当量比降低而降低的变化趋势均类似，因此，该方法具有应用范围广的特点。与其他信号相比，火焰的可见光谱颜色信号采集设备简单廉价，可操作性强，数据处理量小，可用于实时监控；但由于需要开设较大的光学窗口以适应相机镜头的尺寸，在实际应用中可能受到限制。另外由于照片曝光时间的限制，信号采集频率偏低，存在一定程度的滞后现象，不适用于当量比变化过快的火焰监测。
1.4 声压信号燃烧是一个流动、传热和传质相互耦合的复杂物理化学过程，伴随着剧烈的热释放。烟气因为受热不均而产生压力脉动，同时压力的不均匀分布使得火焰锋面发生偏移，局部化学当量比发生改变，引起热释放脉动，这种热释放脉动和压力脉动相互耦合可形成自激发、燃烧驱动的热声振荡。在靠近化学恰当比(Φ=1)时稳定燃烧的情况下，热声振荡不明显，而在贫燃时，热声振荡变得剧烈，可能引发燃烧室结构的振动，导致熄火、污染物增加等不利后果。因此，采用声学压力传感器监测燃烧场的压力变化情况，有利于深入了解压力脉动的特征并采取适当措施缓解热声振荡引起的燃烧不稳定性，预防贫燃熄火的出现。J. M. Cohen等[14]在预混阶梯燃烧室中采用实验和数值模拟的方法研究燃烧不稳定特性，研究发现，随着当量比的降低，纵向压力扰动不断增大直到引发低频高幅的压力振荡，火焰剧烈摆动直至熄火。S. Nair等[15]在3种稳燃方式(值班火焰、旋流火焰和钝体火焰)的燃烧器中，研究当量比降低时的声压信号特性，发现靠近LBO时都有明显的低频压力振荡出现，并提出一种基于声压信号的LBO预测及控制方法。类似的预测方法也可参考文献，这些文献中检测到的低频振荡主要出现在0~200Hz范围。压力传感器结构简单、测量方便，能够很容易地实现与控制系统的连接，但仍面临着高温，噪声干扰严重等问题，另外，因为属于全局测量，声压信号的空间分辨率较低。
1.5 离子电信号早在100多年前，研究人员就发现了火焰中因为化学电离效应而产生一定数量的带电离子，诸如CHO+、H3O+等，关于火焰离子特性的详细介绍可以参看综述文献[19]，化学电离的主要反应机理如下[4]：
(4)
CHO+很快会被H2O消耗掉，反应式为：
(5)
最终，火焰中的离子和电子的浓度由下述反应速率控制：
(6)
和化学发光强度类似，火焰中的离子浓度也与燃烧化学反应速率有密切的关系，化学反应速率降低的时候离子浓度随之减小。
基于化学电离效应设计的离子电流传感器目前已用于燃烧诊断领域，并且发展迅速。J. D. Thornton等[20-21]开发了一款燃烧控制诊断传感器(CCADS)，该传感器利用火焰的离子电信号监测控制火焰，预防贫燃熄火现象的出现；D. L. Straub等[23]将此传感器的直流电信号改为交流电信号后，获得更好的信噪比，测量灵敏度也得到提升。北京航空航天大学的Li F.等[22]采用如图 2和3所示的离子电流传感器监测脉冲燃烧室内的燃烧情况，预测LBO的出现。这种离子电流传感器由钨电极、绝缘管和中空不锈钢管组成，探头直径为2.5mm，探入火焰中间，通过头部的2个钨电极(伸出2mm，总长10mm)测量火焰中的离子浓度，可直接获得电流信号。
1.6 预测LBO的信号类型汇总
现将用于LBO预测的信号类别及信号采集设备汇总如表 1所示。从表中可以看出，除颜色信号的采样频率受相机曝光时间的限制外，其他类型信号的采样频率均大于1kHz，能满足实时采样的需求，有利于控制系统的实时控制。在实际应用方面，化学发光信号和声学压力信号是最常用于燃烧诊断的2种信号，信号获取方式也较为简便，在实际的涡轮发动机燃烧室或者内燃机燃烧检测中得到广泛应用。如在文献[25]中介绍，通过采集某款商用航空发动机旋流燃烧室的OH*化学发光信号和声压信号来预测LBO。其他类型信号则发展较晚，研究不够充分，虽然在实验室阶段的研究中证明可用于LBO的预测，但在实际发动机燃烧室的熄火检测中尚未得到普及应用，因此，需要进行更深入的研究。从特点上看，离子信号的测量属于侵入式测量，可能会对火焰结构产生影响，但由于离子探针的体积微小，容易在现有燃烧室系统中匹配安装，因此同样具有良好的应用前景；其他的信号类型则为非接触式测量，不会对火焰形态结构产生干扰，但需要在燃烧室壁面上开设光学窗口或采样通道，在实际应用中需注意对燃烧室结构强度的影响。
| 信号类型 Signal type |
采集设备 Instrumentation |
采样频率 Sampling frequency |
参考文献 & 年份 References & year |
信号采集特点 Characteristics |
| Chemiluminescence (OH*/CH*) |
Photodiode PMT |
1~5 kHz | [3, 6, 24-28] 2002-2016 |
(a) Area measurement; (b) Easily affected by interference from other species; (c) Require optical windows |
| Acoustic pressure (p) |
Microphone | 2kHz | [14, 15, 17, 18, 29] 2003-2015 |
(a) Global measurement; (b) Easily affected by interference from background noise; (c) Easy to operate |
| Temperature(T) | TDL | 2kHz | [8, 9, 11, 30] 2006-2009 |
(a) Local measurement; (b) Insensitive to background acoustic noise and flame emissions; (c) Complex and not easy to operate |
| Color (C) |
DSLR camera | Maximum framing rate | [12, 13] 2008-2013 |
(a) Global measurement; (b) Inexpensive and easy to operate; (c) consistent for sensing the incipient LBO over awide range of air/fuel unmixedness |
| Ion (I) |
Ion current sensor | 4~10kHz | [20-23, 31] 2004-2017 |
(a) Local and intrusion measurement; (b) Easy to install; (c) Sensitive to the change of flame |
根据观测到的火焰贫燃熄火特征，国内外学者提出了多种预测LBO的方法，主要包括统计法、阈值-事件法、频谱法、符号法和非线性动力学法，下文将逐一介绍各自的预测原理和特点。
2.1 统计法不管是通过各种传感器采集到的时间信号，还是通过相机拍照采集到的空间信号，最常见的信号分析和处理方法是统计法：统计各类原始信号的均值(μ)、方差(σ2)、均方根值(RMS)、峰值(Peak)等，得到这些统计值随当量比降低的变化趋势，选取若干个变化趋势明显的值作为控制参数，设置合适的阈值，监测并控制火焰的燃烧稳定性。
Yi等[27]采集了当量比降低时旋流火焰的OH*化学发光信号，根据统计值提出了2个量化低频燃烧振荡的系数，并用于预测贫燃熄火。一个是标准化均方根(NRMS)，定义为：
(7)
(8)
式中：N为采集的信号总量; q′i为低通滤波信号; q为信号均值; RMSb表示低通滤波后的均方根值。另一个为标准化累积持续时间系数Θ，定义为：
(9)
式中：Nt表示信号值低于0.2倍均值的信号个数。这2个系数随当量比的变化趋势如图 4和5所示，图中FSR表示主燃料流量占总燃料流量的百分数, T0为空气预热温度, Q表示空气流量。可以发现在靠近LBO时都有很明显的突增趋势，因此文中通过在控制系统中设置阈值来控制燃料流量，预防LBO的出现。
其他的统计量也有类似的变化趋势，具体介绍可参考文献[2,6,32]。采用此类方法预测LBO具有计算效率高，时间响应快，适用范围广等优点，同时也存在预测精度差，灵敏度偏低等不足之处。
2.2 阈值-事件法T. M. Muruganandam等[7]最早在2002年通过采集旋流预混火焰的化学发光信号和声压信号，研究靠近LBO时的火焰特征，发现了短暂的局部熄火-重燃现象，并将之定义为熄火前兆事件，通过在时域信号中设置阈值的方式统计事件发生频率和持续时间，由于靠近LBO时事件的发生频率和持续时间都有显著增长，故可作为预测LBO的参数，这类方法称为“阈值-事件”法。最早采用的是单阈值[7, 33]判定事件发生与否(信号低于1/4均值时即认为事件发生)，检测精度及稳定性较差，后来发展为双阈值[21, 24-25]并采用低通滤波处理原始信号，事件检测精度显著提高，现以采集到的OH*化学发光信号为例简要介绍如下。如图 6所示，在采集OH*信号的窗口中分别设置上阈值和下阈值，当信号强度低于下阈值时记为一个事件开始，当信号强度高于上阈值时记为事件的结束，中间的时间间隔记为事件持续时间。R. K. Bompelly等[26]综合事件发生的强度、频率和持续时间提出一个稳定系数(SI)，作为控制参数预测贫燃熄火的出现，即当该参数超过警戒值时控制系统做出反应动作，从而防止贫燃熄火现象的出现。SI的定义如下:
(10)
式中：Δtwindow为信号采集窗口时间间隔，Ci为i时刻的化学发光信号强度，C为Δtwindow内的信号均值，Δti为连续信号采集间隔，δevent表示事件发生时为1，否则为0。
该方法广泛应用于不同信号源、不同燃料、不同工况和不同燃烧器中，证实对LBO具有良好的预测效果，文献[5, 16, 24, 34]都基于此方法提出相应的控制系统，能够在降低NOx的情况下防止LBO的出现。但文献[13,28]指出在预混不充分的情况下，靠近LBO时化学发光信号微弱，事件发生数量较少不易被检测出来，因此在低预混火焰中的预测效果较差。
2.3 频谱法傅里叶变换作为一种常见的数字信号处理工具，在预测LBO的信号处理中也有广泛应用，它能够把难以处理的时域信号转换成易于分析的频域信号。根据频域信号的特征，提取适当参数预测LBO的方法统称为频谱法。文献[7, 9, 11, 15, 22, 25, 27, 35]均有采用此方法进行信号处理，从功率谱中均发现靠近LBO时，低频段(0~200Hz)的能量分数有明显增长。其中，Li H.等人[9, 11]将温度时域信号经快速傅里叶变换(FFT)转换为频域信号，拟合出当量比降低时0~50Hz的能量分数变化曲线，如图 7所示，并将其作为控制参数，设置阈值来实现LBO的控制。Li F.等[22]在利用离子传感器检测脉冲燃烧室内离子信号的实验中发现，随着当量比减小，低频(0~20Hz)能量分数增加，工作频率能量分数减小，因此，综合2种能量分数提出稳定-不稳定系数(SIR)作为预测LBO的参数，SIR的定义如下：
(11)
式中：EFl表示0~20Hz的能量分数，EFw表示脉冲燃烧室工作频率的能量分数。
传统的功率谱分析方法的最大缺陷是：对时间信号上的个别突发事件缺乏灵敏度，时间分辨率不足[31]。小波变换作为一种动态的傅里叶变换分析方法，能对时间(空间)频率进行局部细化分析，在一定程度上弥补了功率谱分析的不足。S. Nair等人[15, 31]对声压信号采用小波变换处理，并提出一种自定义的小波，使得熄火前兆事件更容易被观测到，检测精度提高。关于小波变换分析信号的内容可参考文献[17]。
2.4 符号法文献[28, 36-37]提出了一种基于符号时序分析的LBO预测方法，简称为符号法，现简要介绍此方法的原理，具体内容和相关程序代码可参考原文献。如图 8所示，将时域信号分成有限个区域(图中为4个区)，每个区用不同的符号表示(图中分别为α、β、γ、δ)，因此时间信号转变成符号字符串，构成概率有限状态自动机(PSFA)，PSFA被称为“D-马尔可夫机”，表示当前状态仅与前D个状态有关(图中D=1)。根据符号出现的类别对应不同的状态(以0、1、2、3表示4种状态)，再统计各种状态出现的频率得到概率向量Pk(图中Pk=(0.6，0.2，0.15，0.05))，把稳定燃烧时的概率向量P0(图中P0=(0.5，0.25，0.25，0.25))作为参考值，测量值和参考值的偏差(用M表示)作为异常检测参数，M的定义如下:
(12)
在不同预混长度及不同空气流速下的实验中均发现以下规律：随着当量比减少，M斜率较陡，当靠近LBO时，斜率突然变缓后稳定在某值附近。因此，文中将M斜率发生突变作为预测LBO的预警信号，配合适当的控制器即可实现对LBO的控制。由于符号法将时域信号分区处理，因此对低分辨率的信号有较强的适应性，同时对噪声和伪信号也有很好的鲁棒性，计算效率高。另外需要特别指出的一点是此方法通用性好，能够较准确地预测不同预混程度火焰的贫燃熄火现象。S. Sarkar等[37]提出D>1时具有更好的LBO预测效果，但会牺牲一定的计算效率，因此在特定的燃烧器中采用符号法预测LBO时，应根据实际情况选择合适的D值，以实现计算效率和预测精度间的平衡。
2.5 非线性动力学法燃烧过程作为一种复杂的动力学过程，含有许多非线性特征，而非线性时序分析方法可以为捕捉这些特征提供有效途径。目前，非线性时序分析已应用于实验室不稳定燃烧的动力学特性研究中[38]。Y.Shinod等[29, 39]首次将非线性动力学分析用于LBO的预测，取得良好的预测效果，因此将此类方法称为非线性动力学法。现简要介绍此方法，如图 9所示，利用燃烧室压力脉动p′的时间信号构成一个三维(或多维)相空间，相空间的每一个点表示为向量p(ti)，定义如下：
(13)
式中：i=1, 2, …, n(n为压力传感器采集的时间信号数量)；τ为时间间隔。当τ很小时，相空间的每一个向量都高度相关，当τ很大时，相空间的每一个向量的相关性将完全散失，τ的合适取值可参考文献[38]。在相空间中任意选取1个向量p(ti), 并找到它附近的K个点，每个点的切线方向用向量V(tk), k=1, 2, …K表示，这些向量的平行度可用转译误差Etrans表示，具体公式如下：
(14)
(15)
(16)
式中：T为微小时间间隔。
当燃烧处于稳定状态时，压力信号平稳，相空间规则有序，转译误差接近于0；当Φ减小靠近熄火时，燃烧处于不稳定状态，压力信号发生不规则波动，相空间变得混乱，转译误差将增大。因此，Etrans可作为预测LBO的一个参数，文献[39]在旋流燃烧器功率下降和过渡的实验中验证的Etrans具有预测及控制LBO的能力。和压力信号的标准偏差相比，Etrans在靠近LBO时具有更大的变化范围，可以显著提高预测的灵敏度和准确度。另外，S. Domen等[40]也是基于非线性动力学法提出排列熵hp作为预测LBO的参数，具体的定义可参考原文。和Etrans相比，hp用于预测所需的参数数量更少，因此在有噪声存在的情况下，预测具有更好的稳定性。
2.6 信号分析及处理方法汇总现将前文提及的用于LBO预测的信号分析及处理方法汇总如表 2所示。从表中可以看出，统计法和频谱法由于通用性强和易操作的特点，成为了目前使用最广泛的2种信号处理方法，在各类航空发动机的试验检测中属于常规检测手段，但它们的预测效果不是很好，精度较低，无法满足精确控制系统的要求。符号法和非线性动力学法是比较新颖的2种LBO预测方法，从模拟实验结果来看具有较好的预测效果，但存在信号来源单一，数据处理较复杂等不足之处。因此，往后的发展中需要拓宽其信号来源，并在实际应用中加以验证。综合来讲，阈值-事件法具有较高的预测精度和较快的响应速度，在实际应用中也得到了证实，如文献[5]中提到，将此预测方法应用到高背压涡扇发动机模型的控制系统中，取得了良好的控制效果。如果能进一步优化“事件”统计算法，提升计算效率，将对燃烧室实时控制系统起到关键作用。
| 信号处理方法 | 信号来源 | 控制参数 | 计算效率 | 稳定性 | 灵敏性 | 参考文献 & 年份 | |
| Statistic | OH*/CH*, p, C, I |
RMS；Θ；γ； σ2；μ；Peak； |
High | Low | Low | [6, 13, 27, 32, 41] 2002-2016 |
|
| Threshold-event | OH*/CH*, p, I |
SI | Medium | High | High | [5, 15, 25, 26, 42] 2002-2013 |
|
| Symbol | OH*/CH*, p, |
M | High | High | Medium | [28, 36, 37] 2006-2015 |
|
| Spectrum | OH*/CH*, p, T, I |
EF; SIR | Medium | Medium | Low | [7, 9, 11, 15, 18, 20, 31] 2002-2017 |
|
| Nonlinear dynamics | p | Etrans; hp | Low | High | Medium | [29, 38, 39] 2011-2014 |
及时准确地预测出火焰的贫燃熄火现象，对燃烧的稳定性控制具有至关重要的作用，经过近20年的快速发展，贫燃熄火检测技术已取得了较大进步，但在地面燃气轮机和航空发动机的实际应用中仍面临诸多挑战，存在较大的发展空间。一方面，信号采集设备应结合各类信号的特点，朝着小型化、智能化、通用化的方向发展；另一方面，可采取互补的策略，将几种信号采集方式复合在同一个设备中，采用多信号检测有利于提高检测结果的精度和稳定性。在信号处理方面，传统的统计或频谱方法已经比较成熟，而符号法和非线性动力学法仍需进一步深入研究，未来有望应用于实际的燃烧诊断当中。此外，随着“大数据”时代的到来，诸如“神经网络”等智能算法有望应用于数据量庞大的LBO信号处理算法之中，例如文献[43]提出利用人工神经网络(ANN)来处理燃烧场的各类信号数据，建立了燃烧状态和各类信号间的联系。
最后，综合信号采集设备和信号处理方法2部分，从实时性、稳定性和灵敏性3个角度出发，对贫燃熄火检测技术的未来发展提出展望：
(1) 实时性。实时性是反映检测手段时间响应性能的指标，尤其在燃烧室工况快速转变的过程中，实时估测出贫燃熄火现象出现的概率，对控制系统起到了决定性作用。未来的研究中应重视提高LBO检测手段的时间响应性能，从实验室那种间断、延时性测量向连续、实时性测量方向转变。
(2) 稳定性。稳定性是指在不同的燃烧器、燃料、风速、温度、压力和预混度等工作条件下，LBO检测方法均能正常发挥作用。目前的研究大部分都是在某些确定的工作条件下进行的，难以保证在实际应用中具备足够的稳定性。以航空发动机为例，在起飞-巡航-降落的过程中，工作条件将发生剧烈变化，对检测手段的稳定性要求明显高于实验室条件。因此在以后的研究中，同样应重视检测手段在工作条件变化时的稳定性能。
(3) 灵敏性。信号采集过程中噪声信号的存在不可避免，尽可能准确地从噪声信号中分离得到有用信息，即是检测手段的灵敏性要求。在实验室研究阶段可以采取某些措施减轻噪声信号的干扰，但得到的实验结果可能与实际应用时存在较大差距。以化学发光信号和声压信号为例，在环形燃烧室LBO实际检测中，这2种信号就非常容易受到相邻火焰的干扰。因此，从传感器和信号处理方法2方面提升LBO检测手段的灵敏性也是未来的发展重点。
致谢: 感谢国家自然科学基金(51706141)及“青年千人”项目的支持。| [1] | Chao Y C, Chang Y L, Wu C Y, et al. An experimental investigation of the blowout process of a jet flame[J]. Proceedings of the Combustion Institute, 2000, 28(1): 335–342. DOI:10.1016/S0082-0784(00)80228-3 |
| [2] | Hedman P O, Fletcher T H, Graham S G, et al. Observations of flame behavior in a laboratory-scale pre-mixed natural gas/air gas turbine combustor from PLIF measurements of OH[J]. American Society of Mechanical Engineers, 2002(2): 301–311. |
| [3] | Muruganandam T M, Seitzman J M. Characterization of extinction events near blowout in swirl dump combustors[R]. AIAA-2005-4331, 2015. |
| [4] | Docquier N, Candel S. Combustion control and sensors:a review[J]. Progress in Energy & Combustion Science, 2002, 28(2): 107–150. |
| [5] | Bompelly R K. Lean blowout and its robust sensing in swirl combustors[D]. Georgia Institute of Technology, 2013. |
| [6] | Thiruchengode M. Sensing and dynamics of lean blowout in a swirl dump combustor[J]. Dissertation Abstracts International, 2006, 67(3): 1544. |
| [7] | Muruganandam T, et al. Optical and acoustic sensing of lean blowout precursors[C]. AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit, 2006. |
| [8] | Hanson R K, Jeffries J B, Zhou X, et al. Smart sensors for advanced combustion systems[R]. GCEP Technical Report, 2006. |
| [9] | Li H, Zhou X, Jeffries J B, et al. Active control of lean blowout in a swirl-stabilized combustor using a tunable diode laser[J]. Proceedings of the Combustion Institute, 2007, 31(2): 3215–3223. DOI:10.1016/j.proci.2006.07.006 |
| [10] | Zhou X, Jeffries J B, Hanson R K. Development of a fast temperature sensor for combustion gases using a single tunable diode laser[J]. Applied Physics B, 2005, 81(5): 711–722. DOI:10.1007/s00340-005-1934-y |
| [11] | Li H, Zhou X, Jeffries J B, et al. Sensing and control of combustion instabilities in swirl stabilized combustors using diode-Laser absorption[J]. AIAA Journal, 2007, 45(2): 390–398. DOI:10.2514/1.24774 |
| [12] | Huang H W, Zhang Y. Flame colour characterization in the vi-sible and infrared spectrum using a digital camera and image processing[J]. Measurement Science & Technology, 2008, 19(19): 085406. |
| [13] | Chaudhari R, Sahu R, Ghosh S, et al. Flame color as a lean blowout predictor[J]. International Journal of Spray & Combustion Dynamics, 2013, 5(1): 49–66. |
| [14] | Cohen J M, Wake B E, Choi D. Investigation of instabilities in a lean, premixed step combustor[J]. Journal of Propulsion & Power, 2003, 19(1): 81–88. |
| [15] | Nair S, Lieuwen T. Acoustic detection of blowout in premixed flames[J]. Journal of Propulsion & Power, 2012, 21(1): 32–39. |
| [16] | Prakash S, Nair S, Muruganandam T M, et al. Acoustic based rapid blowout mitigation in a swirl stabilized combustor[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005. |
| [17] | Nair S, Lieuwen T. Acoustic detection of imminent blowout in pilot and swirl stabilized combustors[C]//Proceedings of ASME/IGTI Turbo Expo Atlanta, Georgia, 2003. |
| [18] | Thiruchengode M M, Nair S, Lieuwen T, et al. Real-time control of the lean blow out limit in premixed combustors[C]//Proceedings of the Third Joint Meeting of the US, 2003. |
| [19] | Fialkov A B. Investigations on ions in flames[J]. Progress in Energy & Combustion Science, 1997, 23(5-6): 399–528. |
| [20] | Thornton J D, Straub D L, Chorpening B T, et al. A combustion control and diagnostics sensor for gas turbines[C]. ASME Turbo 2004: Power for Land, Sea and Air, 2004. |
| [21] | Chorpening B T, Straub D L, Huckaby E D, et al. Detection of lean blowout and combustion dynamics using flame ionization[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005. |
| [22] | Li F, Xu L, Du M, et al. Ion current sensing-based lean blowout detection for a pulse combustor[J]. Combustion & Flame, 2017, 176: 263–271. |
| [23] | Straub D L, Chorpening B T, Huckaby E D, et al. Time-varying flame ionization sensing applied to natural gas and propane blends in a pressurized lean premixed (LPM) combustor[C]. American Society of Mechanical Engineers, 2008. |
| [24] | Thiruchengode M, Nair S, Neumeier Y, et al. An active control system for LBO margin reduction in turbine engines[J]. British Phycological Journal, 2003, 27(2): 107–118. |
| [25] | Nair S, Muruganandam T M, Olsen R, et al. Lean blowout detection in a single nozzle swirl cup combustor[R]. AIAA-2004-138, 2004. |
| [26] | Bompelly R, Lieuwen T, Seitzman J. Lean blowout and its sensing in the presence of combustion dynamics in a premixed swirl combustor[C]. AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition, 2013. |
| [27] | Yi T, Gutmark E J. Real-time prediction of incipient lean blowout in gas turbine combustors[J]. AIAA Journal, 2015, 45(7): 1734–1739. |
| [28] | Mukhopadhyay A, Chaudhari R R, Paul T, et al. Lean blow-out prediction in gas turbine combustors using symbolic time series analysis[J]. Journal of Propulsion & Power, 2013, 29(4): 950–960. |
| [29] | Shinoda Y, Kobayashi M, Gotoda H, et al. Detection of lean blowout in a premixed gas-turbine model combustor based on nonlinear dynamics[J]. Advanced Computational Methods & Experiments in Heat Transfer XⅡ, 2012, 75(6): 323–331. |
| [30] | Rieker G B, Jeffries J B, Hanson R K, et al. Diode laser-based detection of combustor instabilities with application to a scramjet engine[J]. Proceedings of the Combustion Institute, 2009, 32(1): 831–838. DOI:10.1016/j.proci.2008.06.114 |
| [31] | Nair S, Rajaram R, Meyers A J, et al. Acoustic and ion sensing of lean blowout in an aircraft combustor simulator[R]. AIAA-2005-932, 2005. |
| [32] | Taware A, Shah M, Wu P, et al. Acoustics based prognostics for DLE combustor lean blowout detection[C]. ASME Turbo Expo 2006: Power for Land, Sea and Air, 2006. |
| [33] | Muruganandam T M, Seitzman J M. Optical sensing of lean blowout precursors in a premixed swirl stabilized dump combustor[C]. ASME Turbo Expo 2003, collocated with the 2003 International Joint Power Generation Conference, 2003. |
| [34] | Muruganandam T M, Nair S, Scarborough D, et al. Active control of lean blowout for turbine engine combustors[J]. Journal of Propulsion & Power, 2005, 21(5): 807–814. |
| [35] | Giorgi M G D, Sciolti A, Campilongo S, et al. Experimental data regarding the characterization of the flame behavior near lean blowout in a non-premixed liquid fuel burner[J]. Data in Brief, 2015, 6(C): 189. |
| [36] | Datta S, Mukhopadhyay A, Sanyal D. Use of temporal irreversibility of symbolic time series for early detection of extinction in thermal pulse combustors[C]. ASME 2006 International Mechanical Engineering Congress and Exposition, 2006. |
| [37] | Sarkar S, Ray A, Mukhopadhyay A, et al. Dynamic data-driven prediction of lean blowout in a swirl-stabilized combustor[J]. International Journal of Spray & Combustion Dynamics, 2015, 7(3): 209–242. |
| [38] | Gotoda H, Nikimoto H, Miyano T, et al. Dynamic properties of combustion instability in a lean premixed gas-turbine combustor[J]. Chaos, 2011, 21(1): 013124. DOI:10.1063/1.3563577 |
| [39] | Gotoda H, Shinoda Y, Kobayashi M, et al. Detection and control of combustion instability based on the concept of dynamical system theory[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2014, 89(2): 672–699. |
| [40] | Domen S, Gotoda H, Kuriyama T, et al. Detection and prevention of blowout in a lean premixed gas-turbine model combustor using the concept of dynamical system theory[J]. Proceedings of the Combustion Institute, 2015, 35(3): 3245–3253. DOI:10.1016/j.proci.2014.07.014 |
| [41] | Giorgi M G D, Sciolti A, Campilongo S, et al. Image processing for the characterization of flame stability in a non-premixed liquid fuel burner near lean blowout[J]. Aerospace Science & Technology, 2016, 49: 41–51. |
| [42] | Bompelly R K, Seitzman J M. Robust lean blowout sensing for turbine engine combustors[C]. ASME 2011 Turbo Expo: Turbine Technical Conference and Exposition, 2011. |
| [43] | Ballester J, Hernández R, Sanz A, et al. Chemiluminescence monitoring in premixed flames of natural gas and its blends with hydrogen[J]. Proceedings of the Combustion Institute, 2009, 32(2): 2983–2991. DOI:10.1016/j.proci.2008.07.029 |