CN109287021B - 一种基于在线学习的微波加热温度场智能监控方法 - Google Patents

Abstract

一种基于在线学习的微波加热温度场智能监控方法，采用神经网络模型实时学习零件微波加热过程中加热模式与控制策略间的动态关联关系，并基于上述模型根据加热模式互补的思想实时预测补偿当前温度分布的控制策略，对不均匀的温度分布进行精确、智能补偿，实现对加热过程中零件温度均匀性的精确控制。

Description

一种基于在线学习的微波加热温度场智能监控方法

技术领域

本发明涉及一种温度场监控方法，尤其是一种微波加热温度场监控方法，具体地说是一种基于在线学习的微波加热温度场智能监控方法。

背景技术

微波是频率为300M至300GHz的电磁波。微波加热是材料依靠吸收微波能并将其转换成热能，从而使材料整体同时升温的加热方式。由于具有高频特性，微波电磁场以数十亿次/秒的惊人速度进行周期性变化，材料中的极性分子(典型的如水分子、蛋白质、核酸、脂肪、碳水化合物等)在高频电磁场的作用下亦以同样的速度做极性运动，致使分子间频繁碰撞而产生大量摩擦热，从而导致物料在短时间内温度迅速升高。基于上述加热机理，微波加热具有加热速度快、零件厚度方向温度梯度小、选择性加热、易于控制等一系列优点，因此被广泛应用于食品加工、材料处理、化学合成等各大领域。

然而，微波加热技术存在零件同一层材料温度场不均匀的难题。其根本原因在于微波腔体内电磁场呈驻波状态分布。在波腹附近，电场或磁场强度高，零件内部极性分子振动剧烈，升温迅速、温度高，形成局部热点；在波节附近，电场或磁场强度接近于零，零件内部极性分子振动轻微甚至不振动，升温缓慢、温度低，形成局部冷点。温度不均匀分布严重威胁食品加工的卫生安全和零件处理的成型质量。现有方法采用物料旋转托盘和微波模式搅拌器等实现微波场和被加热对象间的随机相对运动来改善温度均匀性。物料旋转托盘使被加热材料依次通过微波腔体内电场(或磁场)强度较高和较低的区域，利用一段时间内零件同一层材料上冷点和热点间的随机抵消效应提高温度均匀性。电磁场模式搅拌器在腔体内微波馈口处设置一系列旋转的金属片，将入射的电磁波动态地分散至腔体内各个区域，利用一段时间内动态电磁场的随机叠加效应改善零件同一层材料的温度均匀性。但物料旋转托盘、电磁场模式搅拌器等手段从原理上属于温度分布随机补偿的方法，从本质上难以实现对微波加热过程中零件同一层材料温度分布的精确控制。

发明内容

本发明的目的是针对目前微波加热存在的零件同一层材料温度场不均匀的问题，发明一种基于在线学习的微波加热温度场智能监控方法，从原理上突破微波不均匀加热的难题。

本发明的技术方案是：

一种基于在线学习的微波加热温度场智能监控方法，其特征在于：采用神经网络模型实时学习零件微波加热过程中加热模式与控制策略间的动态关联关系，并基于上述模型根据加热模式互补的思想实时预测补偿当前温度分布的控制策略，对零件进行均匀微波加热。

所述的基于神经网络算法建立零件的加热模式控制策略预测模型是指在微波加热过程中，采用温度传感器实时监测零件同一层材料的温度分布，对于任意时刻k(k≥p)，采用加热模式-控制策略数据库中距离当前时刻最近的前p组加热模式HP和控制策略U数据对：

{(HP_k-1,U_k-1),(HP_k-2,U_k-2),…,(HP_k-p,U_k-p)}

对上述预测模型进行监督训练；

当k<p时，采用前k-1组加热模式HP和控制策略U数据对：

{(HP₁,U₁),(HP₂,U₂),…,(HP_k-1,U_k-1)}

对上述预测模型进行监督训练；在训练过程中采用遗忘机制：在每次训练中，距离当前时刻越远的数据对模型权重更新的贡献越小，从而更加精确地学习微波加热系统的动态特征；

训练完成后，基于加热模式互补的思想快速计算出用于补偿当前温度分布T_k-1的目标加热模式HP′_k，并将其输入至完成训练的预测模型中，快速预测目标加热模式HP′_k的控制策略U_k；

在控制策略U_k的基础上，功率控制器实时调整每个处于工作状态的微波源的功率，按照设定温度曲线对零件进行均匀的微波加热；

按控制策略U_k运行Δt时间后，基于当前温度分布T_k快速计算出控制策略U_k下实际的加热模式HP_k，并将最新的加热模式-控制策略数据对(HP_k,U_k)保存到加热模式-控制策略数据库中；

重复上述过程，直至完成零件的整个微波加热过程。

所述零件的加热模式为任意控制策略U_k下零件同一层材料各点处的升温速率

(c为常数)。

所述加热模式的控制策略为多个微波源的组合状态U＝[δ₁,δ₂,…,δ_l]，其中δ代表微波源的开关状态(取值为0或1)，l代表微波炉上各个微波源的编号。

所述的加热模式互补思想即对零件同一层材料温度较低的区域施加较大的微波功率或升温速率，对零件同一层材料温度较高的区域施加较小的微波功率或升温速率。

功率控制器根据设定的温度曲线，基于PID算法实时计算微波腔体内的总功率，并在控制策略U_k的基础上将功率增量平均分配给当前运行的微波源。

本发明的有益效果是:

通过在线学习复合材料微波加热过程中加热模式和控制策略间的动态关联关系，实现对任意零件微波加热过程中监测到的不均匀温度分布进行精确、智能补偿，从原理上突破了微波不均匀加热的难题，显著提高了被加热对象在微波加热过程中的温度均匀性。

附图说明

图1是基于在线学习的微波加热温度场智能监控流程图。

图2是模型在线学习和实时预测的时间序列图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1-2所示。

本实施例采用短切碳纤维毡/环氧树脂复合材料平板零件(长度300mm，宽度300mm，厚度2mm)为加热对象，采用具有16路微波源的八边形高性能工业微波炉为加热装备。采用30通道光纤荧光测温系统监测复合材料表面的温度分布，并将复合材料表面均分为10(长度方向m)×6(宽度方向n)个测温区域。采用不同微波源组合作为复合材料零件加热模式的控制策略。不同微波源组合主要包括不同微波源数量或不同微波源分布位置等信息，可描述为下式：

U＝[δ₁,δ₂,…,δ_l]

其中，U为复合材料零件加热模式的控制策略，δ为微波腔体内某个微波源的开关状态(取值为0或1，并为0，开为1)，l为微波腔体内某特定微波源的编号(取值小于等于16)。将一段时间内零件同一层材料经过归一化处理后的升温速率分布定义为加热模式：

其中

在上述公式中，c表示归一化常数(取值10)；T_h表示h时刻零件同一层材料的温度分布；T_h-1为h-1时刻零件同一层材料的温度分布；Δt为本次加热时间；P_ij ^r表示零件上长度方向为i，宽度方向为j位置的材料在加热时间内经过归一化之后的升温速率；

表示h时刻零件上长度方向为i，宽度方向为j位置的材料的温度值；

表示h时刻通过温度传感器测得的零件同一层材料的平均温度；

表示在加热时间内零件同一层材料所有测温点温度上升的最大值。

开始加热前，初始化预测模型的权值参数，设置温度工艺曲线。定义损失函数：

其中，δ_i为零件微波加热过程中产生的控制策略历史标签数据，δ_i′为模型根据输入的加热模式预测的控制策略。在加热过程中的任意时刻k，预测模型采用加热模式-控制策略数据库中距离当前时刻最近的前p(p＝50)组加热模式HP和控制策略U数据对{(HP_k-1,U_k-1),(HP_k-2,U_k-2),…,(HP_k-p,U_k-p)}进行监督训练。同时采取遗忘机制使得距离当前时刻越远的数据对模型权重更新的贡献越小：将用于训练的50组数据按照数据产生的时间先后顺序分成5组，每组10个数据，每一组数据输入神经网络之后更新一次权重，根据梯度下降的思想每次训练对权值的跟新公式为：

其中η为常量，λ为遗忘系数，值越小说明遗忘机制作用越明显。n表示组数，n＝0表示最新产生的10组数据，n＝4表示距当前时刻最远的10组数据。如果当前产生的总数据对不足50组，则采用当前产生的所有数据对模型进行监督训练，此时不采用遗忘机制，基于梯度下降的思想更新权值：

通过这种方式实时关注微波加热系统动态特征的变化。

预测模型在加热过程中不断训练，同时基于输入的加热模式预测对应的控制策略。在加热开始后k时刻，根据当前材料表面温度分布

基于模式补偿的思想，使用下式计算得到目标加热模式

其中：

将目标加热模式作为预测模型的输入，得到一组控制策略：

U(k)＝[δ₁,δ₂,…,δ₁₆],δ_i＝0或1

其中处于工作状态的磁控管数量为m,m≤16,功率控制器基于PID算法，根据实时监测到的30个温度点的平均温度和对应时刻目标工艺曲线上的程控温度差值信息得到微波加热系统所需要的总功率P_m，因此，微波加热系统的工作功率为：

P＝U×P_m÷m＝[δ₁,δ₂,…,δ₁₆]×P_m÷m

将这一组控制策略作用到微波加热系统中加热Δt秒，通过温度传感器得到加热后同一层材料的温度分布T(k)，从而计算出这段时间内的升温速率分布，同样进行归一化处理，得到实际的升温速率分布即加热模式：

其中：

同时，上述的加热模式控制策略数据对(HP_k,U_k)将作为一组标签数据存储到加热模式-控制策略数据库中。

重复以上过程直至完成加热。

本发明采用神经网络模型实时学习零件微波加热过程中加热模式与控制策略间的动态关联关系，并基于上述模型根据加热模式互补的思想实时预测补偿当前温度分布的控制策略，对不均匀的温度分布进行精确、智能补偿，实现对加热过程中零件温度均匀性的精确控制。

以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。凡采用等同变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (6)

1.一种基于在线学习的微波加热温度场智能监控方法，其特征在于：采用神经网络模型实时学习零件微波加热过程中加热模式与控制策略间的动态关联关系，并基于上述模型根据加热模式互补的思想实时预测补偿当前温度分布的控制策略，即：

基于神经网络算法建立零件的加热模式控制策略预测模型；微波加热过程中，采用温度传感器实时监测零件同一层材料的温度分布，对于任意时刻k(k≥p)，采用加热模式-控制策略数据库中距离当前时刻最近的前p组加热模式HP和控制策略U数据对：

{(HP_k-1,U_k-1),(HP_k-2,U_k-2),…,(HP_k-p,U_k-p)}

对上述预测模型进行监督训练；

训练完成后，基于加热模式互补的思想快速计算出用于补偿当前温度分布T_k-1的目标加热模式HP′_k，并将其输入至完成训练的预测模型中，快速预测目标加热模式HP′_k的控制策略U_k；

在控制策略U_k的基础上，功率控制器实时调整每个处于工作状态的微波源的功率，按照设定温度曲线对零件进行均匀的微波加热；

按控制策略U_k运行Δt时间后，基于当前温度分布T_k快速计算出控制策略U_k下实际的加热模式HP_k，并将最新的加热模式-控制策略数据对(HP_k,U_k)保存到加热模式-控制策略数据库中；

重复上述过程，直至完成零件的整个微波加热过程。

2.根据权利要求1所述的方法，其特征在于：当k<p时，采用前k-1组加热模式HP和控制策略U数据对：

{(HP₁,U₁),(HP₂,U₂),…,(HP_k-1,U_k-1)}

对上述预测模型进行监督训练。

3.根据权利要求1所述的方法，其特征在于：所述零件的加热模式为任意控制策略U_k下零件同一层材料各点处的升温速率

c为常数。

4.根据权利要求1所述的方法，其特征在于：所述加热模式的控制策略为多个微波源的组合状态U＝[δ₁,δ₂,…,δ_l]，其中δ代表微波源的开关状态，开取值为1，关取值为0)，l代表微波炉上各个微波源的编号。

5.根据权利要求1所述的方法，其特征在于：所述的加热模式互补思想即对零件同一层材料温度较低的区域施加较大的微波功率或升温速率，对零件同一层材料温度较高的区域施加较小的微波功率或升温速率。

6.根据权利要求1所述的方法，其特征在于：功率控制器根据设定的温度曲线，基于PID算法实时计算微波腔体内的总功率，并在控制策略U_k的基础上将功率增量平均分配给当前运行的微波源。

Images