一种真空烧结炉炉内工件温度软测量方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112685927A(43)申请公布日2021.04.20(21)申请号202011487654.3G06F119/08(2020.01)(22)申请日2020.12.16(71)申请人广东工业大学地址510090广东省广州市越秀区东风东路729号(72)发明人杨海东金熹徐康康朱成就(74)专利代理机构广州粤高专利商标代理有限公司44102代理人戴涛(51)Int.Cl.G06F30/23(2020.01)G06F30/27(2020.01)G06N3/08(2006.01)G01J5/00(2006.01)G06F111/10(2020.01)权利要求书2页说明书8页附图4页(54)发明名称一种真空烧结炉炉内工件温度软测量方法(57)摘要本发明提供一种真空烧结炉炉内工件温度软测量方法，包括以下步骤：S1.使用有限元软件完成数值模拟，仿真得到工件的实际温度；S2.建立工件温度的机理模型；S3.根据步骤S1中得到工件的实际温度计算机理模型的误差；S4.将误差输入训练后的BP神经网络，拟合计算得出误差补偿值；S5.结合步骤S2的机理模型和步骤S4的误差补偿值，建立真空烧结炉的温度软测量模型；S6.根据温度软测量模型得出工件的实时温度数据。本发明能够根据真空烧结炉的输入功率快速测量工件的当前温度，利用神经网络对机理模型的温度误差进行补偿，提高软测量的精度。CN112685927ACN112685927A权利要求书1/2页1.一种真空烧结炉炉内工件温度软测量方法，其特征在于：包括以下步骤：S1.使用有限元软件完成数值模拟，仿真得到工件的实际温度；S2.建立工件温度的机理模型；S3.根据步骤S1中得到工件的实际温度计算机理模型的误差；S4.将误差输入训练后的BP神经网络，拟合计算得出误差补偿值；S5.结合步骤S2的机理模型和步骤S4的误差补偿值，建立真空烧结炉的温度软测量模型；S6.根据温度软测量模型得出工件的实时温度数据。2.根据权利要求1所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S2中的所述机理模型是对真空烧结炉瞬时功率计算热电转换，得出真空烧结炉发热体的温度T1，再计算辐射传热计得出工件机理温度Tf。3.根据权利要求2所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S2包括以下具体步骤：S21.计算真空烧结炉内发热体和工件的发射率；S22.计算真空烧结炉内发热体与工件之间的辐射传热过程的角系数；S23.根据步骤S21和S22所得的数据建立求取工件机理温度Tf的公式。4.根据权利要求3所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S22包括以下具体步骤：S221.计算发热体与工件表面之间的结构关系，建立角系数的几何关系模型；S222.将发热体分解成微元面，对微元面构建角系数计算公式；S223.对微元面构建角系数计算公式，最后对整个发热体表面积积分求出角系数。5.根据权利要求4所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S23中机理模型的计算公式如下式所示：Tf为工件的机理温度；C1为发热体比热容；C2为工件比热容；Ps为瞬时功率；η为热电转换率；M为发热体质量；m为工件质量；ε1为发热体发射率；ε2为工件发射率，ΔK为辐射传热量的计算代数式。6.根据权利要求1所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S4中，BP神经网络包括输入层分为输入层、隐含层以及输出层；隐含层包括若干个层神经元，不同层的神经元之间全连接，同层的神经元相互独立。7.根据权利要求6所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S4中，所述BP神经网络包括以下具体训练步骤：S31.在BP神经网络随机分配权重，设置误差函数，并设置精度值和学习次数；S32.在输入层进行输入计算，得出隐含层输出；S33.根据隐含层输出在输出层计算得出预测输出值；S34.根据预测输出值计算得出预测误差；S35.根据预测误差更新BP神经网络中的权值和计算阈值；2CN112685927A权利要求书2/2页S36.迭代计算步骤S32‑S35直到预测误差满足精度值要求或是用完学习次数。8.根据权利要求3所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述步骤S5中，所述温度软测量模型如下式所示：Th＝Tf+EsTh为温度软测量模型得到的最终温度数据；Tf为机理模型输出的温度数据，Es为BP神经网络得出的温度误差补偿值。9.根据权利要求1所述的一种真空烧结炉炉内工件温度软测量方法，其特征在于：所述有限元软件采用的是Fluent软件。10.根据权利要求1所述的一种真空烧结炉炉内工件温度软测量方法，其特征