一种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微热管结构及工艺参数的预测方法，方法包括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和特征筛选后，将所确定的自变量参数作为输入参数，采用多层感知机模型进行训练，形成参数预测模型。并采用贝叶斯优化算法对预测模型进行超参数优化，提高模型预测性能。根据该参数预测模型，改变输入参数，获得相应的微热管结构及工艺参数。解决了传统设计中依赖专家设计经验、多次重复实验、不易快速得到微热管结构及工艺参数的问题，实现了编织网和平面丝网复合吸液芯微热管结构及工艺参数的快速主动设计。芯微热管结构及工艺参数的快速主动设计。芯微热管结构及工艺参数的快速主动设计。

【技术实现步骤摘要】
一种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
，具体涉及一种微热管结构及工艺参数的预测方法。

技术介绍

[0002]编织网吸液芯厚度较薄，微热管制造难度较低，并且平面丝网的引入可以有效降低编织网吸液芯微热管蒸发段热阻，因此编织网和平面丝网复合吸液芯结构广泛应用于压扁厚度在1.0mm
‑
2.0mm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、编织网根数、编织网层数、平面丝网长度、平面丝网宽度等。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。当前编织网和平面丝网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编织网和平面丝网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编织网和平面丝网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编织网和平面丝网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编织网和平面丝网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，从而提出一种编织网和平面丝网复合吸液芯微热管结构及工艺参数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]一种微热管结构及工艺参数的预测方法，所述微热管吸液芯基于编织网和平面丝网复合吸液芯结构，所述方法包括：
[0007]S1：获取编织网和平面丝网复合吸液芯结构微热管，确定需预测的因变量参数和作为输入的自变量参数；
[0008]S2：获取上述参数后，设计编织网和平面丝网复合吸液芯结构微热管实验，形成微热管参数数据集；
[0009]S3：对S2中所获得的微热管参数数据集进行数据预处理和特征筛选，得到预处理
后的数据集，所述特征筛选为剔除微热管参数数据中对参数预测过程冗余的数据特征；
[0010]S4：将预处理后的数据集中经过特征筛选后的自变量参数作为模型输入，将S1中所述因变量参数作为模型输出，采用机器学习算法进行训练，得到训练好的参数预测模型。
[0011]进一步，所述机器学习算法为：多层感知机算法，形成参数预测模型的步骤包括：
[0012]将S3中预处理后的数据集，按照不同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；
[0013]将经过特征筛选后的自变量参数作为模型输入，将S1中所划分的因变量作为模型输出，训练多层感知机模型，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：
[0014][0015]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。
[0016]训练多层感知机模型直到最终均方差值小于设定值，得到训练好的参数预测模型。
[0017]进一步，所述S3中对微热管参数数据集进行数据预处理操作包括：数据无量纲化、缺失值处理。
[0018]进一步，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。
[0019]进一步，采用copula熵算法作为特征筛选方法；在copula熵计算过程中，采用非参数估计的方式模拟抽样数据的真实分布情况。
[0020]进一步，所述copula熵计算过程中的非参数估计方法采用高斯核函数进行核密度估计。
[0021]进一步，在进行特征筛选时，考虑微热管结构需求参数并非单一作用于微热管功率，而是多参数综合对微热管功率产生影响，在计算copula熵值时，步骤如下：
[0022]步骤1：计算所有微热管结构需求参数与微热管功率间总copula熵值；
[0023]步骤2：依次排除单一参数，计算剩余参数copula熵值；
[0024]步骤3：由总copula熵值与每个剩余参数copula熵值取差值，反应该微热管结构需求参数与微热管功率间关联程度。
[0025]进一步，基于pytorch框架训练多层感知机获得模型权重。
[0026]进一步，构建多层感知机模型过程中，采用relu激活函数以增强模型的非线性拟合能力。
[0027]进一步，采用贝叶斯优化的方式对构建的参数预测模型进行超参数优化，提高模型预测精度；采用贝叶斯优化进行超参数优化的过程中，代理模型使用高斯过程回归方法，采集函数使用EI函数。
[0028]与现有技术相比，本专利技术的优点在于：
[0029]本专利技术考虑编织网和平面丝网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，采用多层感知机模型，建立编织网和平面丝网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，解决了编织网和平面丝网复合吸液芯微热管传
统设计中依赖专家设计经验、需要多次重复实验、不易快速得到微热管结构及工艺参数的问题，实现了编织网和平面丝网吸液芯微热管结构及工艺参数的快速主动设计。
附图说明
[0030]图1为本专利技术参数预测模型的建立流程示意图；
[0031]图2为本专利技术参数预测模型的结构示意图；
[0032]图3为本专利技术采用的贝叶斯优化算法的流程示意图。
具体实施方式
[0033]下面结合实施例描述本专利技术具体实施方式：
[0034]需要说明的是，本说明书所示意的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。
[0035]同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本专利技术可实施的范围，其相对关系的改变或调整，在无实质变更
技术实现思路
下，当亦视为本专利技术可实施的范畴。
[0036]实施例1
[0037]如图1所示，一种编织网和平面丝网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编织网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微热管结构及工艺参数的预测方法，其特征在于，所述微热管基于编织网和平面丝网复合吸液芯结构，所述方法包括：S1：获取编织网和平面丝网复合吸液芯微热管，确定需预测的因变量参数和作为输入的自变量参数；S2：获取上述参数后，设计编织网和平面丝网复合吸液芯结构微热管实验，形成微热管参数数据集；S3：对S2中所获得的微热管参数数据集进行数据预处理和特征筛选，得到预处理后的数据集，所述特征筛选为剔除微热管参数数据中对参数预测过程冗余的数据特征；S4：将预处理后的数据集中经过特征筛选后的自变量参数作为模型输入，将S1中所述因变量参数作为模型输出，采用机器学习算法进行训练，得到训练好的参数预测模型。2.根据权利要求1所述的一种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：多层感知机算法，形成参数预测模型的步骤包括：将S3中预处理后的数据集，按照不同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；将经过特征筛选后的自变量参数作为模型输入，将S1中所划分的因变量作为模型输出，训练多层感知机模型，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：式中，J(θ)为损失函数，y
i
为第i个变量的预测值，N为因变量数量。训练多层感知机模型直到最终均方差值小于设定值，得到训练好的参数预测模型。3.根据权利要求1所述的一种微热管结构及工艺参数的预测方法，其特征在于，所述S3中对微热管参数数据集进行数据预处理操作包括：数据无量纲化、缺失值处理。4.根据权利要求3所述的一种微热管结构及工艺参数的预测方法，其特征在于，所述无量纲化方法包括，1)标准化方法，即将数据按...

【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：