基于粒子群优化算法预测加热炉内钢坯温度分布的方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114818505A(43)申请公布日2022.07.29(21)申请号202210508593.7(22)申请日2022.05.10(71)申请人南京净环热冶金工程有限公司地址211134江苏省南京市江宁区汤山工业集中区上峰片区(72)发明人高伟贾峰杨锡红(74)专利代理机构南京华恒专利代理事务所(普通合伙)32335专利代理师高春涛(51)Int.Cl.G06F30/27(2020.01)G06N3/00(2006.01)C21D9/00(2006.01)C21D11/00(2006.01)G06F119/08(2020.01)权利要求书3页说明书6页附图3页(54)发明名称基于粒子群优化算法预测加热炉内钢坯温度分布的方法(57)摘要本发明提供基于粒子群优化算法预测加热炉内钢坯温度分布的方法，包括如下步骤：建立用于表示加热炉内钢坯温度分布模型的一维非稳态导热微分方程，并确定其初始条件和边界条件；将粒子群优化算法中粒子值替换为边界条件的随机初始值，对一维非稳态导热微分方程进行求解，获得求解温度值；将求解温度值与温度测量值之间的均方差作为导热反问题的目标函数，并将均方差作为适应度值返回粒子群优化算法，按照时间顺序对边界条件依次进行反演，基于反演更新边界条件；利用更新后的边界条件计算导热正问题，输出指定时刻、指定位置的温度值。本发明可以更好地解决非稳态导热微分方程的阻尼性和延迟性问题，更加适合于非稳态导热问题的求解。CN114818505ACN114818505A权利要求书1/3页1.基于粒子群优化算法预测加热炉内钢坯温度分布的方法，其特征在于，包括如下步骤：建立用于表示加热炉内钢坯温度分布模型的一维非稳态导热微分方程，并确定其初始条件和边界条件，初始条件包括温度测量值和边界条件的随机初始值；将粒子群优化算法中粒子值替换为边界条件的随机初始值，对一维非稳态导热微分方程进行求解，获得求解温度值；将求解温度值与温度测量值之间的均方差作为导热反问题的目标函数，并将均方差作为适应度值返回所述粒子群优化算法，按照时间顺序对边界条件依次进行反演，基于反演更新边界条件；利用更新后的边界条件计算导热正问题，输出指定位置、指定时刻的温度值。2.根据权利要求1所述的基于粒子群优化算法预测加热炉内钢坯温度分布的方法，其特征在于：所述边界条件包括第一类、第二类、第三类；当边界条件为第一类时，采用粒子群优化算法按照时间顺序对温度值依次进行反演；当边界条件为第二类时，采用粒子群优化算法按照时间顺序对热密度值依次进行反演；当边界条件为第三类时，通过给定周围介质的温度随时间变化的规律及钢坯表面与周围介质的对流换热系数，然后采用牛顿冷却定律确定热密度值，再采用粒子群优化算法按照时间顺序对热密度值依次进行反演。3.根据权利要求2所述的基于粒子群优化算法预测加热炉内钢坯温度分布的方法，其特征在于：所述边界条件为第二类，所述粒子群优化算法按照时间顺序对热流密度值依次进行反演，基于反演更新边界条件的过程包括：S1：获取给定位置xp处的温度测量值以及热流密度的随机初始值；S2：设置粒子群优化算法中的参数；S3：初始化粒子群优化算法中粒子的随机位置，随机速度，个体最佳值，全局最佳值，最大粒子迭代次数max_iter；S4：更新粒子的速度和位置；S5：将更新后的粒子位置替换为热流密度中的第K个值；S6：离散一维非稳态导热微分方程及其边界条件；S7：设置一维非稳态导热微分方程的参数和初始条件；S8：更新边界条件，更新内部节点温度；S9：若达到最大节点数，进入下一步，否则返回S8；S10：求解位置xp处的温度值，计算xp处的求解温度值与xp处的温度测量值之间的均方差，输出均方差为导热反问题的目标函数，并将均方差作为适应度值返回粒子群优化算法；S11：判断该适应度值是否为个体最佳值，满足则更换现有的个体最佳值及对应的粒子位置，不满足则直接进入S13；S12：判断该适应度值是否为群体最佳值，满足则更换现有的群体最佳值及对应的粒子位置，不满足则直接进入S13；S13：判断是否满足收敛条件，满足进入下一步，不满足返回步骤S4；S14：判断是否达到最大粒子迭代次数max_iter，满足进入下一步，不满足返回步骤S4；S15：保留获得的热流密度第K个值，判断是否达到最大迭代次数，满足则输出热流密度的第K个值为最终的热流密度值；不满足返回S3，对热流密度的第K+1个值进行计算，直到达2CN114818505A权利要求书2/3页到最大迭代次数；S16：利用最终的热流密度值计算导热正问题，输出钢坯指定位置、指定时刻处的温度值。4.根据权利要求3所述的基于粒子群优化算法预测加热炉内钢坯温度分布的方法，其特征在于：所述S2中设置粒子群优化