当前位置: 首页 > 专利查询>青岛大学专利>正文

基于神经网络的微小反应器温度测量方法技术

技术编号:11956500 阅读:104 留言:0更新日期:2015-08-27 08:15
一种基于神经网络的微小反应器温度测量方法,包括如下步骤:(1)获取不同位置的特征温度测量信号和目标温度测量信号参数,(2)建立神经网络,(3)对所述的神经网络进行训练和测试,(4)利用所述的神经网络测量微小反应器目标温度;本发明专利技术的神经网络是基于L-M算法的BP神经网络,包括一个输入层、一个隐含层和一个输出层,输入层的输入变量为微小反应器的来流温度、入口温度、出口温度、内壁温度、多层壁面各界面位置的间壁温度、外壁温度、环境温度;所述的输出层的目标为微小反应器被测点的目标温度值。本发明专利技术实现微小反应器目标温度值的快速、准确、可靠的描述和预测,可用于分析、微化工、微型能量系统等领域涉及微小反应器温度的测量,同样适用于其他微小温度变化以及较低信噪比的温度测量领域。

【技术实现步骤摘要】
基于神经网络的微小反应器温度测量方法
本专利技术涉及一种用于微小反应器的温度测量方法,特别是基于神经网络的微小反应器温度测量方法,可对温度信号进行降噪、校正、提高信噪比和测量精度。
技术介绍
微小反应器一般指流体通道在微米到毫米量级的反应系统,其独特优点是对质量和热量传递过程的强化以及流动方式的提高方面,在效能上要高出若干数量级,微小反应器内部的传热传质过程在生化分析、生物工程和化学合成、制备以及微型能量系统领域有着广泛的应用背景,对众多应用和前沿领域的工艺过程、产品质量、生产效率和生产方式存在关键性的影响。微小反应器易受外界干扰,温度信号强度和信噪比低,内部温度场精确测量困难,传统测温方式应用于微小反应器存在局限性。通过改进绝缘、使用参比方法和高精度温度控制装置可一定程度上缓解问题,但这些措施增加了系统成本和运行复杂程度,减少了其应用的范围,重要的是不能从有效信号根本上提高测量精度。在现有测试手段和条件的局限性下,采用模拟、预测的方法可对信号进行降噪、校正、提高信噪比和测量精度。BP神经网络(BackPropagationNetworks)是一种按误差逆传播算法训练的多层前馈网络,具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点,在工程预测和控制中得到广泛应用。针对微小反应器的温度测试方法,引入BP神经网络描述和预测降噪、校正,可获得较高的信噪比和更准确的温度测量数据。
技术实现思路
本专利技术的目的是为了克服现有微小反应器温度测量过程易受干扰,信噪比低,难以准确、有效反映真实温度值的缺陷,利用神经网络方法,实现目标温度值的快速、准确、可靠的描述和预测,可用于分析、微化工、微型能量系统等领域涉及微小反应器温度的测量。本专利技术的技术方案是,一种基于神经网络的微小反应器温度测量方法。包括如下步骤:(1)获取不同位置的特征温度测量信号和目标温度测量信号参数。按照不同设定位置,所述的多个特征温度的依次为远离微小反应器入口的来流温度,微小反应器入口位置的入口温度,微小反应器出口位置的出口温度,微小反应器内壁界面位置的内壁温度,微小反应器多层壁面各界面位置的温度,微小反应器外壁界面的外壁温度,临近微小反应器的环境温度。所述的目标温度为所需测量的微小反应器温度分布的一点或多点位置的温度值。所述的不同位置特征温度测量信号和目标温度测量信号可以是非接触式和接触式温度测量方法得到,非接触式测量方法可以是辐射(比色、红外等)、核磁共振、微波等原理,接触式测量方法可以是常规的温度传感器,像热电阻、热电偶等,可以是点状、柱状等,体积尽量小,以获得较小的时间常数并减少介入干扰。(2)建立神经网络。所述的神经网络是基于L-M(Levenberg-Marquardt)算法的BP神经网络。所述的神经网络包括一个输入层、一个隐含层和一个输出层,结构如图1所示。所述的输入层包括如下输入变量:微小反应器的来流温度XT1,微小反应器入口位置的入口温度XT2,微小反应器出口位置的出口温度XT3,微小反应器内壁界面位置的内壁温度XTI,微小反应器多层壁面各界面位置的间壁温度XTI1~XTIn,微小反应器外壁界面的外壁温度XTO,临近微小反应器的环境温度XTE。所述的隐含层节点接收所有输入信号,记为:(1)式中,Wij是输入层神经元节点i和隐含层神经元节点j之间的连接权值,xi是该神经元节点的第i个输入;每个节点通过S型对数函数作为激活函数,记为:(2)采用L-M算法(即阻尼最小二乘法,高斯-牛顿法的改进)比较学习误差,并输出此时的最佳权值,以传播和修正各层的链接权值,误差指标函数记为:(3)式中,Oi、ti为期望输出与实际输出的误差;设Wk表示第k次迭代的网络权值向量,新的权值向量Wk+1。(4)式中:μ为阻尼系数;I为单位矩阵。J为网络误差对权值倒数的雅可比(Jacobian)矩阵。所述的输出层的目标为微小反应器被测点的目标温度值YT1~YTn。所述的基于L-M算法的BP神经网络,可以通过Matlab、C/C++、Fortran等语言系统编程实现。(3)对所述的神经网络进行训练和测试。设定微小反应器的工况参数和外部环境参数,按照所述的步骤(1)获取不同位置的特征温度测量信号作为输入变量,同时获取微小反应器目标温度测量信号参数,作为训练和测试样本。按照所述的步骤(2)建立神经网络,设置训练次数及训练目标误差,使用训练样本进行训练,训练组越多,神经网络学习越充分,经验值越大,预测精度越高。当所述的神经网络训练结束后,利用测试样本检验,当所述的神经网络在测试样本数据的预测误差低于规定水平即通过测试,可以用于微小反应器目标温度的测量。(4)利用所述的神经网络测量微小反应器的目标温度。将所述的步骤(2)(3)建立并训练和测试的神经网络算法编程写入微处理器和计算机,将所述的步骤(1)得到的不同位置特征温度和目标温度测量信号数据引入微处理器和计算机进行处理,使用不同位置特征温度测量信号利用所述的神经网络得到微小反应器目标温度的预测值,通过所述的目标温度的预测值和所述的目标温度的测量值比较消除干扰和噪声信号,得到微小反应器目标温度的真实值。本专利技术的有益效果是:本专利技术基于神经网络的微小反应器温度测量方法,可对温度信号进行降噪、校正、提高信噪比和测量精度;基于L-M算法的神经网络,学习时间短,收敛和识别速度快,易于软件实现、适合于大数据量的输入;利用特征温度完成目标温度的高精度测量、实现容易、布置方便、成本低;减少了环境干扰和系统误差,有效提升测量信噪比和精度,可以探测淹没在背景噪声中微小目标温度信号,能提高测量分辨率的量级;同样适用于除微小反应器外的微小温度变化以及较低信噪比的温度测量领域。附图说明图1本专利技术神经网络的结构图。图2本专利技术实施例的结构布置示意图。图3本专利技术实施例训练和测试样本的目标温度变化。图4本专利技术实施例吸附热反应的目标温度变化。具体实施方式如前述,本专利技术提供一种基于神经网络的微小反应器温度测量方法,可对温度信号进行降噪、校正、提高信噪比和测量精度,用于分析、微化工、微型能量系统等领域涉及微小反应器温度场和温度分布的测量。籍由以下结合微小反应器温度测试的实施例来说明本专利技术之内容,而非限制本专利技术之范围。本专利技术基于神经网络的微小反应器温度测量方法,包括如下步骤:(1)获取不同位置的特征温度测量信号和目标温度测量信号参数。微小反应器温度测量实施例的结构布置如图2所示。样液容器C放置样液,进样阀门V选择进样量和进样时间,恒流泵P提供恒定流量,微小反应器R为多层圆柱结构,内层为玻璃制造(Φ10mm×60mm),中间为5mm厚的热绝缘层,外部有1mm厚的钢制的防护层,内置活性炭。多个特征温度的设定位置微细热电偶依次为样液容器C获取来流温度XT1,微小反应器R入口位置获取入口温度XT2,微小反应器R出口位置获取出口温度XT3,微小反应器R内壁界面位置获取内壁温度XTI,微小反应器R热绝缘层内壁界面获取间壁温度XTI1,微小反应器R防护层内壁界面获取间壁温度XTI2,微小反应器R热绝缘层外壁获取外壁温度XTO,靠近微小反应器R环境位置获取环境温度XTE以及微小反应器R内的目标温度YT,上述温度信号使用热电偶(T型,Φ0.08mm)通过温度变送器本文档来自技高网...
基于神经网络的微小反应器温度测量方法

【技术保护点】
一种基于神经网络的微小反应器温度测量方法,包括如下步骤:(1)获取不同位置的特征温度测量信号和目标温度测量信号参数;按照不同设定位置,所述的多个特征温度的依次为远离微小反应器(R)入口的来流温度XT1,微小反应器(R)入口位置的入口温度XT2,微小反应器(R)出口位置的出口温度XT3,微小反应器(R)内壁界面位置的内壁温度XTI,微小反应器(R)多层壁面各界面位置的间壁温度XTI1~XTIn,微小反应器(R)外壁界面的外壁温度XTO,临近微小反应器(R)的环境温度XTE;所述的目标温度为所需测量的微小反应器(R)温度分布的一点或多点位置的温度值YT1~YTn;(2)建立神经网络;所述的神经网络是基于L‑M(Levenberg‑Marquardt)算法的BP神经网络;所述的神经网络包括一个输入层、一个隐含层和一个输出层;所述的输入层包括如下输入变量:来流温度XT1、入口温度XT2、出口温度XT3、内壁温度XTI、间壁温度XTI1~ XTIn、外壁温度XTO和环境温度XTE;所述的输出层的目标为目标温度YT1~YTn;所述的基于L‑M算法的BP神经网络,可以通过Matlab、C/C++、Fortran等语言系统编程实现;(3)对所述的神经网络进行训练和测试;设定微小反应器(R)的工况参数和外部环境参数,按照所述的步骤(1)获取不同位置的特征温度测量信号作为输入变量,同时获取微小反应器(R)目标温度测量信号参数,作为训练和测试样本;按照所述的步骤(2)建立神经网络,设置训练次数及训练目标误差,使用训练样本进行训练,训练组越多,神经网络学习越充分,经验值越大,预测精度越高;当所述的神经网络训练结束后,利用测试样本检验,当所述的神经网络在测试样本数据的预测误差低于规定水平即通过测试,可以用于微小反应器(R)目标温度的测量;(4)利用所述的神经网络测量微小反应器(R)的目标温度; 将所述的步骤(2)(3)建立并训练和测试的神经网络算法编程写入微处理器和计算机(PC),将所述的步骤(1)得到的不同位置特征温度和目标温度测量信号数据引入微处理器和计算机(PC)进行处理,使用不同位置特征温度测量信号利用所述的神经网络得到微小反应器(R)目标温度的预测值,通过所述的目标温度的预测值和测量值比较消除干扰和噪声信号,得到微小反应器(R)目标温度的真实值。...

【技术特征摘要】
1.一种基于神经网络的微小反应器温度测量方法,包括如下步骤:(1)获取不同位置的特征温度测量信号和目标温度测量信号参数;按照不同设定位置,所述的多个特征温度的依次为远离微小反应器(R)入口的来流温度XT1,微小反应器(R)入口位置的入口温度XT2,微小反应器(R)出口位置的出口温度XT3,微小反应器(R)内壁界面位置的内壁温度XTI,微小反应器(R)多层壁面各界面位置的间壁温度XTI1~XTIn,微小反应器(R)外壁界面的外壁温度XTO,临近微小反应器(R)的环境温度XTE;所述的目标温度为所需测量的微小反应器(R)温度分布的一点或多点位置的温度值YT1~YTn;(2)建立神经网络;所述的神经网络是基于L-M(Levenberg-Marquardt)算法的BP神经网络;所述的神经网络包括一个输入层、一个隐含层和一个输出层;所述的输入层包括如下输入变量:来流温度XT1、入口温度XT2、出口温度XT3、内壁温度XTI、间壁温度XTI1~XTIn、外壁温度XTO和环境温度XTE;所述的输出层的目标为目标温度YT1~YTn;所述的基于L-M算法的BP神经网络,可以通过Matl...

【专利技术属性】
技术研发人员:郑艺华刘君
申请(专利权)人:青岛大学
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1