基于历史数据的微波加热温度场智能监控方法技术

一种基于历史数据的微波加热温度场智能监控方法，其特征是基于大量历史数据和深度学习算法建立任意零件任意加热模式与微波控制策略间的关联关系，在微波加热过程中实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并根据对应的控制策略实时调整微波系统参数，对不均匀的温度分布进行精确、智能补偿。本发明专利技术从原理上突破了微波不均匀加热的难题，显著提高了被加热对象在微波加热过程中的温度均匀性。

Intelligent monitoring method for temperature field of microwave heating based on historical data

An intelligent monitoring method of microwave heating temperature field based on historical data is characterized by establishing the relationship between any heating mode of any part and microwave control strategy based on a large number of historical data and depth learning algorithm. The temperature distribution of the same layer material of the part is monitored in real time during microwave heating process when the maximum temperature difference exceeds Based on the idea of heating mode complementarity, the heating mode used to compensate the current temperature distribution can be calculated quickly, and the parameters of the microwave system can be adjusted in real time according to the corresponding control strategy to compensate the uneven temperature distribution accurately and intelligently. The invention breaks through the difficult problem of microwave non-uniform heating in principle, and remarkably improves the temperature uniformity of the heated object in the process of microwave heating.

【技术实现步骤摘要】
基于历史数据的微波加热温度场智能监控方法
本专利技术涉及一种温度场监控方法，尤其是一种微波加热温度场监控方法，具体地说是一种基于历史数据的微波加热温度场智能监控方法。
技术介绍
微波是频率为300M至300GHz的电磁波。微波加热是材料依靠吸收微波能并将其转换成热能，从而使材料整体同时升温的加热方式。由于具有高频特性，微波电磁场以数十亿次/秒的惊人速度进行周期性变化，材料中的极性分子(典型的如水分子、蛋白质、核酸、脂肪、碳水化合物等)在高频电磁场的作用下亦以同样的速度做极性运动，致使分子间频繁碰撞而产生大量摩擦热，从而导致物料在短时间内温度迅速升高。基于上述加热机理，微波加热具有加热速度快、零件厚度方向温度梯度小、选择性加热、易于控制等一系列优点，因此被广泛应用于食品加工、材料处理、化学合成等各大领域。然而，微波加热技术存在零件同一层材料温度场不均匀的难题。其根本原因在于微波腔体内电磁场呈驻波状态分布。在波腹附近，电场或磁场强度高，零件内部极性分子振动剧烈，升温迅速、温度高，形成局部热点；在波节附近，电场或磁场强度接近于零，零件内部极性分子振动轻微甚至不振动，升温缓慢、温度低，形成局部冷点。温度不均匀分布严重威胁食品加工的卫生安全和零件处理的成型质量。现有方法采用物料旋转托盘和微波模式搅拌器等实现微波场和被加热对象间的随机相对运动来改善温度均匀性。物料旋转托盘使被加热材料依次通过微波腔体内电场(或磁场)强度较高和较低的区域，利用一段时间内零件同一层材料上冷点和热点间的随机抵消效应提高温度均匀性。电磁场模式搅拌器在腔体内微波馈口处设置一系列旋转的金属片，将入射的电磁波动态地分散至腔体内各个区域，利用一段时间内动态电磁场的随机叠加效应改善零件同一层材料的温度均匀性。但物料旋转托盘、电磁场模式搅拌器等手段从原理上属于温度分布随机补偿的方法，从本质上难以实现对微波加热过程中零件同一层材料温度分布的精确控制。针对上述问题，本专利技术提供一种基于历史数据的微波加热温度场智能监控方法。该方法基于大量历史数据和深度学习算法建立任意零件任意加热模式与微波控制策略间的关联关系，在微波加热过程中实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并根据对应的控制策略实时调整微波系统参数，对不均匀的温度分布进行精确、智能补偿。本专利技术从原理上突破了微波不均匀加热的难题，可以对微波加热过程中零件同一层材料上不均匀的温度分布进行精确、智能补偿。
技术实现思路
本专利技术的目的是针对目前微波加热存在的零件同一层材料温度场不均匀的问题，专利技术一种基于历史数据的微波加热温度场智能监控方法，从原理上突破微波不均匀加热的难题。本专利技术的技术方案是：一种基于历史数据的微波加热温度场智能监控方法，其特征在于：采用高阶张量对任意零件的加热模式进行数学表达，基于深度学习算法建立适用于任意零件的加热模式控制策略预测模型，对大量历史数据中与待加热零件相似的零件的加热模式与控制策略间的关联关系进行监督学习，调整模型的网络结构，优化模型的网络参数，实现对该零件任意加热模式对应的控制策略进行准确预测。对零件进行微波加热时，实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并将该加热模式输入至完成训练的加热模式控制策略预测模型，根据模型输出的控制策略对应地调整微波系统参数，对该零件同一层材料不均匀的温度分布进行主动补偿。同时将微波加热过程中使用的控制策略——加热模式数据保存至历史数据库中，作为以后对加热模式控制策略预测模型进行训练的基础。所述任意零件的加热模式主要由零件基本信息和零件温度信息构成，零件基本信息包括零件材料、零件几何形状、零件三维尺寸以及零件在微波腔体中的位置，零件温度信息由零件同一层材料各点处的升温速率构成。所述的加热模式控制策略主要包括微波源数量、微波源位置、各微波源功率比例、微波频率等加热过程中可实时调整的微波系统参数。所述的深度学习算法包括误差回传(ErrorBackPropagation)神经网络算法、卷积神经网络算法、循环神经网络算法、长短时记忆神经网络等，所述模型的网络结构包括网络的隐含层层数、每个隐含层的神经元个数、卷积核数等，所述模型的网络参数包括每个神经元的权值、阈值以及学习率等。在对零件同一层材料温度均匀性主动补偿的基础上，实时调整微波腔体内的总功率，将功率增量平均分配给当前运行的微波源，在不改变零件同一层材料温度均匀性的条件下使零件平均温度(或最高温度或最低温度)实时跟随设定温度工艺曲线。本专利技术的有益效果：基于大量历史数据和深度学习算法可以建立任意零件任意加热模式与微波控制策略间的关联关系，实现对任意零件微波加热过程中监测到的任意不均匀温度分布进行精确、智能补偿，从原理上突破了微波不均匀加热的难题，显著提高了被加热对象在微波加热过程中的温度均匀性。具体实施方式下面结合实施例对本专利技术作进一步的说明。本实施例采用短切碳纤维毡/环氧树脂复合材料半圆筒零件(直径300mm，高度300mm，厚度2mm)为加热对象，采用具有16路微波源的八边形高性能工业微波炉为加热装备。采用不同微波源组合作为复合材料零件加热模式的控制策略。不同微波源组合主要包括不同微波源数量或不同微波源分布位置等信息，可描述为下式：U＝[δ1,δ2,…,δl]其中，U为复合材料零件加热模式的控制策略，δ为微波腔体内某个微波源的开关状态(取值为0或1)，l为微波腔体内某特定微波源的编号(取值小于等于16)。在特定控制策略U下，采用三阶张量对任意零件的加热模式进行数学表达(本实施例中使用的材料均为短切碳纤维毡/环氧树脂复合材料)：式中，Geom表示复合材料零件的基本信息，包括零件的几何形状、三维尺寸以及零件在工作台上的位置信息，h表示复合材料零件表面各点向微波腔体内工作台投影的高度，Temp表示在特定微波控制策略下零件表面各点的温度信息，由零件表面各点处的归一化升温速率表示。零件的投影面积一般小于工作台的尺寸。对于工作台上没有零件投影的区域，加热模式张量HP中的投影高度和升温速率用零填充。本实施例中，采用60通道光纤荧光测温系统监测复合材料表面的温度分布，并将复合材料表面均分为10(圆周方向m)×6(高度方向n)个测温区域。使用卷积神经网络算法(ConvolutionalNeuralNetwork)建立适用于任意复合材料零件的加热模式控制策略预测模型。将历史数据中与该零件尺寸相近的半圆筒零件、C型零件、U型零件等零件共计10000个控制策略——加热模式数据分为训练集和测试集。其中，90％的历史数据作为训练样本(样本容量9000)，用于对上述卷积神经网络模型进行监督训练；将10％的历史数据作为测试样本(样本容量1000)，用于对上述卷积神经网络模型学习完成后的泛化能力进行评估。训练时，使用误差逆传播(ErrorBackPropagation)方法，通过在训练集上求解损失函数最小化问题对上述卷积神经网络模型的各层参数进行更新估计。对于样本x，其标签为模型最终输出为损失函数表示为：其中，m为训练集中的训练样本总数。拟基于梯度下降策略，以目标的负梯本文档来自技高网...

【技术保护点】
1.一种基于历史数据的微波加热温度场智能监控方法，其特征在于：采用高阶张量对任意零件的加热模式进行数学表达，基于深度学习算法建立适用于任意零件的加热模式控制策略预测模型，对大量历史数据中与待加热零件相似的零件的加热模式与控制策略间的关联关系进行监督学习，实现对该零件任意加热模式对应的控制策略进行准确预测；对零件进行微波加热时，实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并将该加热模式输入至完成训练的加热模式控制策略预测模型，根据模型输出的控制策略对应地调整微波系统参数，对该零件同一层材料上不均匀的温度分布进行主动补偿；同时将微波加热过程中使用的控制策略——加热模式数据保存至历史数据库中，作为以后对加热模式控制策略预测模型进行训练的基础。

【技术特征摘要】
1.一种基于历史数据的微波加热温度场智能监控方法，其特征在于：采用高阶张量对任意零件的加热模式进行数学表达，基于深度学习算法建立适用于任意零件的加热模式控制策略预测模型，对大量历史数据中与待加热零件相似的零件的加热模式与控制策略间的关联关系进行监督学习，实现对该零件任意加热模式对应的控制策略进行准确预测；对零件进行微波加热时，实时监测零件同一层材料的温度分布，当最大温差超过设定值时，基于加热模式互补思想快速计算出用于补偿当前温度分布的加热模式，并将该加热模式输入至完成训练的加热模式控制策略预测模型，根据模型输出的控制策略对应地调整微波系统参数，对该零件同一层材料上不均匀的温度分布进行主动补偿；同时将微波加热过程中使用的控制策略——加热模式数据保存至历史数据库中，作为以后对加热...

【专利技术属性】
技术研发人员：李迎光，周靖，李迪，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32