一种复合吸液芯微热管结构及工艺参数的预测方法技术

本发明专利技术公开了一种复合吸液芯微热管结构及工艺参数的预测方法，根据当前微热管吸液芯结构，确定需要预测的因变量参数和需要作为输入的自变量参数，通过微热管实验获取微热管参数数据集，对数据集中数据进行数据预处理后，将所确定的自变量参数作为输入参数，采用一维卷积神经网络进行训练，形成参数预测模型。采用WGAN

【技术实现步骤摘要】
一种复合吸液芯微热管结构及工艺参数的预测方法


[0001]本专利技术属于微热管设计与数据分析处理
，具体涉及一种复合吸液芯微热管结构及工艺参数的预测方法。

技术介绍

[0002]由于沟槽和环状铜粉复合吸液芯结构可以避免沟槽吸液芯结构毛细力小、铜粉烧结吸液芯结构渗透率低和编织网吸液芯结构热阻大等问题。因此沟槽和环状复合吸液芯结构广泛应用于压扁厚度在2.0mm
‑
3.0mm的压扁型微热管。但其微热管参数复杂，性能受结构及工艺参数影响。微热管结构参数有微热管壁厚、微热管直径、微热管折弯、沟槽深度、沟槽宽度、沟槽数量、铜粉类型等。微热管工艺可分为管坯制造、除气工艺、热处理工艺、成型工艺、测试五个部分。其中微热管工艺参数包含有芯棒尺寸、烧结温度、真空度、工质封存量等。当前沟槽和环状铜粉复合微热管结构及工艺参数由设计者根据微热管需求设计实验，通过多次实验验证进行选择，整个设计过程依赖于设计者经验知识。但由于参数众多，使得微热管设计过程难以综合多参数考量，造成微热管性能无法满足需求，且随着微热管使用场景多样化，微热管需求越来越复杂。在微热管传统生产制造过程中，工程人员也需要通过多次实验以确定沟槽和环状铜粉复合微热管结构及工艺参数，这样不仅成本高且效率低。
[0003]近年来，机器学习与工业生产过程结合日益密切，进一步提高了工业生产自动化、智能化水平。机器学习的广泛应用为沟槽和环状铜粉复合吸液芯微热管结构及工艺参数设计过程提供了新的思路。因此，本专利技术要解决的技术问题在于克服沟槽和环状铜粉复合吸液芯微热管传统设计过程中严重依赖专家经验，需要多次实验耗时耗费资源的缺陷，采用基于机器学习模型的预测代替沟槽和环状铜粉复合吸液芯微热管传统设计过程中依赖专家经验设计实验的环节，从而提出一种基于沟槽和环状铜粉复合吸液芯微热管结构及工艺参数的预测方法实现快速主动设计。

技术实现思路

[0004]本专利技术所为了解决
技术介绍
中存在的技术问题，目的在于提供了一种复合吸液芯微热管结构及工艺参数的预测方法。
[0005]为了解决技术问题，本专利技术的技术方案是：
[0006]一种沟槽和环状铜粉复合吸液芯微热管结构及工艺参数预测方法。所要进行参数预测的微热管吸液芯为沟槽和环状铜粉复合吸液芯结构，包括以下步骤：
[0007]步骤S1，确定需要预测的因变量参数和需要作为输入的自变量参数。所述需要预测的因变量参数和需要作为输入的自变量参数均为沟槽和环状铜粉复合吸液芯结构微热管的相关参数。所述因变量参数包括微热管壁厚、沟槽深度、沟槽宽度，沟槽数量、铜粉类型、芯棒直径、封存水量；所述自变量参数包括微热管长度、微热管直径、压扁厚度、折弯角度、折弯R角。设计沟槽和环状铜粉复合吸液芯结构微热管实验，形成微热管参数数据集。
[0008]步骤S2，对S1中所获得的微热管参数数据进行数据预处理。
[0009]步骤S3，以S2中经数据预处理后的微热管参数数据集为基础，将S1中所划分的自变量作为模型输入，将S1中所划分的因变量作为模型输出，采用机器学习算法进行训练，形成参数预测模型，所述机器学习方法为一维卷积神经网络，形成参数预测模型的步骤包括：
[0010](1)将S2中所搜集获得的微热管参数数据，划分为训练集与测试集。将微热管参数数据集按照8：2的比例划分训练集和测试集，采用k折交叉验证法分配每次模型训练过程中的训练集和测试集。
[0011](2)将S1中所划分的自变量作为模型输入，将S1中所划分的因变量作为模型输出，训练一维卷积神经网络模型，所述模型训练过程采用均方差函数作为优化目标，具体如下式所示：
[0012][0013]式中，J(θ)为损失函数，为第i个变量的预测值，N为因变量数量。
[0014](3)训练一维卷积神经网络模型直到最终均方差值小于设定值。
[0015]进一步的，所述S2中对微热管参数进行的数据预处理操作包括数据无量纲化、缺失值处理以及编码操作。
[0016]进一步的，所述无量纲化方法包括，1)标准化方法，即将数据按比例缩放，使之落入一个小的特定区间；2)归一化方法，对原始数据的线性变换，使结果值映射到[0
‑
1]之间。
[0017]进一步的，所述编码操作是将文字、标签类数据采用one
‑
hot方式编码为高维度向量。
[0018]进一步的，基于pytorch框架训练一维卷积神经网络模型获得模型权重。
[0019]进一步的，为了保证卷积层中提取特征的完整性，在卷积层使用八个卷积核进行卷积操作并且对卷积后的结果取其relu激活函数值，以在卷积层中引入非线性因素。
[0020]进一步的，在池化层中，采用最大池化操作，将从卷积层中获取的高级特征进一步提取，剔除其不必要特征，保留影响较大特征。
[0021]进一步的，将经过最大池化后的高级特征进行展平，将原来二维特征矩阵展平为一维向量，输入到特征回归器中。
[0022]进一步的，为避免微热管需求参数序列的原始特征在进行卷积过程中出现丢失或是在模型层数逐渐深入后出现原始特征模糊等情况，采用残差网络，将经过卷积后的高级微热管特征与初始微热特征进行融合输入到特征回归器中。
[0023]进一步的，采用WGAN
‑
GP算法对沟槽和环状铜粉复合吸液芯微热管数据集进行数据扩充。WGAN
‑
GP算法是对GAN算法的延申，其由生成器和判别器两部分组成，生成器的输入为符合一定规律的随机噪声数据，输出为假的样本，期望通过训练能够让生成器不断拟合真实样本的数据分布，最终能够生成让判别器判断为真的数据；判别器的输入数据为生成器生成的假样本和原始数据集包含的真样本，对混合在一起的两种数据作真假判别。在训练过程中，生成器的造假能力会逐渐增强，而判别器的分辨能力也会得到提升，最终，随着训练次数的增加，这两个网络达成了一个动态平衡，即生成器生成了和真实数据分布基本一致的数据。
[0024]进一步的，采用WGAN
‑
GP算法生成的数据量不超过真实数据集的20％，避免预测结果出现较大偏差。
[0025]进一步的，将生成后数据再次通过生成器进行检验，将检验结果在0.4
‑
0.6之间的数据作为最终扩充数据。
[0026]进一步的，采用MMD算法计算生成数据集与真实数据集高纬度距离，以衡量生成数据集数据质量。MMD的基本思想是如果两个分布的任意阶都相同的话，那么两个分布就是一致的。而当两个分布不相同的话，那么使得两个分布之间差距最大的那个矩应该被用来作为度量两个分布的标准。
[0027]与现有技术相比，本专利技术的优点在于：
[0028]本专利技术着眼于沟槽和环状铜粉复合吸液芯微热管设计过程，通过设计微热管实验构建微热管参数数据集，采用一维卷积神经网络模型，建立沟槽和环状铜粉复合吸液芯微热管需求参数与其结构及工艺参数的映射关系，解决了沟槽和环状铜粉复合吸液芯微热管传统设计中依赖专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复合吸液芯微热管结构及工艺参数的预测方法，其特征在于，进行参数预测的微热管吸液芯基于沟槽和环状铜粉复合吸液芯结构，所述方法包括：S1：确定需预测的因变量参数和需作为输入的自变量参数；S2：设计沟槽和环状铜粉复合吸液芯结构微热管实验，获取微热管参数数据集。S3：对S2中所获取的微热管参数数据集进行数据预处理，得到预处理后的数据集；S4：以预处理后的数据集为基础，将S1中所划分的自变量参数作为模型输入，将S1中所划分的因变量参数作为模型输出，采用机器学习算法进行训练，得到参数预测模型，利用获得的参数预测模型进行参数预测。2.根据权利要求1所述的一种复合吸液芯微热管结构及工艺参数的预测方法，其特征在于，所述机器学习算法为一维卷积神经网络，形成参数预测模型的步骤包括：将预处理后的数据集，按照不同比例划分为训练集与测试集；采用k折交叉验证法分配每次模型训练过程中的训练集和测试集；将S1中所划分的自变量参数作为模型输入，将S1中所划分的因变量参数作为模型输出，训练一维卷积神经网络模型，所述模型训练过程以均方差函数作为优化目标，具体如下式所示：式中，J(θ)为损失函数，为第i个变量的预测值，N为因变量数量；训练一维卷积神经网络模型直到最终均方差值小于设定值，得到参数预测模型。3.根据权利要求1所述的一种复合吸液芯微热管结构及工艺参数的预测方法，其特征在于，所述S3中对微热管参数进行的数据预处理操作包括：数据无量纲化、缺失值处理以及编码操作；所述无量纲化方法包括：标准化方法，即将数据按比例缩放，使之落入一个小的特定区间；归一化方法，对原始数据的线性变换，使结果值映射到[0
‑
1]之间；所述编码操作是将文字、标签类数...

【专利技术属性】
技术研发人员：李勇，张靖昊，高昂，陈韩荫，田跃，
申请(专利权)人：广东新创意科技有限公司肇庆新创意传热科技有限公司，
类型：发明
国别省市：