CN105629723A - 六面顶人造金刚石加热调功系统及其控制方法 - Google Patents

Abstract

本发明公开了一种六面顶人造金刚石加热调功系统及其控制方法，包括中央处理器、变压器和连接于中央处理器的输入端上的电压测量模块、电流测量模块，中央处理器的控制端与变压器主回路上的调压装置连接，变压器副回路上连接有待加工的石墨，还包括PLC控制器，PLC控制器的输入端与中央处理器的控制端连接、其输出端与变压器副回路上的控制开关连接。本发明通过采用中央处理器和PLC控制器来实现同时关闭变压器的加热主、副回路的目的，实现电路的双重保护；本发明除了采用了PID控制器进行寻优整定外，还采用基于模糊RBF神经网络模块进行寻优计算，达到稳定调节加热电功率的目的，并减小了系统的震荡，增强了鲁棒性，提高了系统的抗干扰能力。

Description

六面顶人造金刚石加热调功系统及其控制方法

技术领域

本发明涉及一种人造金刚石的加热装置，具体涉及一种六面顶人造金刚石加热调功系统及其控制方法。

背景技术

国内人造金刚石的制造过程大多都会用到六面顶压机，通过三对顶锤来自六个面给石墨片加压，同时在顶锤上加入低压大电流(大约3V，1500A)，使得合成块内部的石墨片产生大量热量，达到加热的目的。

目前，广泛使用的六面顶人造金刚石压机制造金刚石的加热系统一般采用单片机或PLC为主要控制器，通过控制主回路上的电压、电流值，间接控制电功率值，与程序设定的指定温度值进行PID调节，PID计算出可控硅导通角，通过可控硅来调压，以控制主回路的电压值，电压改变会引起电流的改变，从而间接控制人造金刚石的加热温度。然而，在实际的工厂调试过程，发现上述的六面顶人造金刚石加热调功系统在使用过程存在如下缺陷：

1)当系统检测到温度过高、过低或其他异常情况时，只能通过关闭加热变压器上的主回路来保护系统，这样易出现由于信息传送滞后或其他系统故障原因，这样不能及时停止金刚石的合成工作，系统的安全性低；

2)控制的温度精度不高，检测得到的电能参数需要进行滤波处理，而传统的均值、中值滤波，不能滤除偶然出现的脉冲性干扰，以及不能迅速反应系统当前所受干扰的严重程度，滤波效果差，导致PID误调节；

3)传统PID控制参数较单一，易超调，控制精度不高，且专家PID控制效果很大程度上依赖于专家的经验正确性，导致人造金刚石加热过程的恒功率稳定调节的精度不高。

发明内容

针对上述的不足，本发明所要解决的技术问题是提供一种六面顶人造金刚石加热调功系统，它能实现加热功率稳定及精准调节，且系统的响应时间快。

为解决上述问题，本发明通过以下技术方案实现：

六面顶人造金刚石加热调功系统，包括中央处理器、变压器和连接于中央处理器的输入端上的电压测量模块、电流测量模块，所述中央处理器的控制端与串接于变压器主回路上的调压装置连接，变压器副回路上连接有待加工的石墨，还包括PLC控制器，所述PLC控制器的输入端与中央处理器的控制端连接，其输出端与串接于变压器副回路上的控制开关连接。当系统检测到温度过高、过低时，通过关闭PLC控制的变压器副回路的控制开关，停止金刚石的合成，中央处理器则是通过控制调压装置同时关闭变压器主回路，起到变压器主副回路双重保护，防止系统异常、电路异常或工况异常等对设备的损坏。

上述方案中，所述中央处理器包括均值滤波器、模糊RBF神经网络模块和连接有显示器的PID控制器，均值滤波器的输入端连接有放大电路、其输出端与模糊RBF神经网络模块的输入端连接，模糊RBF神经网络模块的输出端与PID控制器的输入端，PID控制器的输出端经信号转换电路后、与变压器主回路上的调压装置连接。

上述方案中，为了提高滤波效果，使得即使在干扰条件下也能得到光滑的测量电压、电流、电功率瞬时值，为达到上述目的，在均值滤波器的输出端与模糊RBF神经网络模块的输入端之间连接有一卡尔曼滤波器。

上述方案中，优选地，在中央处理器的输入端上还可以连接有红外传感器和摄像头。

上述方案中，更优选地，在中央处理器的输出端上还连接有存储模块和语音模块。

上述方案中，所述控制开关可以为继电器，用于控制变压器副回路的通断。

上述方案中，所述调压装置为可控硅，用于控制变压器主回路的通断以及调节变压器主回路加热电压的大小。

本发明还提供了一种控制精准、反应速度快，方法简单的六面顶人造金刚石加热调功系统的控制方法，包括电路保护控制步骤和加热调功步骤，

其中，所述电路保护控制包括以下步骤：

1)系统参数初始化，并向存储模块中植入用以合成人造金刚石的加工工艺参数、并设定参考值，所述加工工艺包括加热阶段、保温阶段和冷却阶段，其中加热阶段采用慢升压工艺；

2)开始给石墨片加热：通过电压、电流测量模块采集变压器主回路上的电压、电流瞬时值；然后发送至中央处理器，中央处理器经放大、滤波处理后再进行计算，得到加热的电功率瞬时值；

3)中央处理器将该电功率瞬时值与参考值进行比较，得到第一控制信号、并发送给变压器主回路上的调压装置；中央处理器同时也将该电功率瞬时值发送给PLC控制器，PLC控制器将该电功率瞬时值与参考值进行比较，得到第二控制信号、并发送给变压器副回路上的控制开关；

所述加热调功在执行电路保护控制的1)、2)步骤的基础上，继续执行以下步骤：

Ⅰ)中央处理器内的模糊RBF神经网络模块对过滤处理后的电功率瞬时值进行寻优处理，整定出PID控制器中调节系数比例Kp、积分ki、微分kd，并反馈至PID控制器中，PID控制器将各调整系数显示在显示器上，同时PID控制器的输出端经信号转换电路后与串接于变压器主回路上的调压装置连接，通过调节调压装置来控制变压器主回路的电压以达到调整金刚石合成加热电功率的目的。

上述方案，所述电路保护控制的步骤2)中，所述滤波处理为在加热阶段采用均值滤波器进行滤波、而在保温阶段是在均值滤波处理后再采用卡尔曼滤波器进行滤波处理。

上述方案，进一步地，所述加热调功的步骤Ⅰ)中，所述寻优处理为模糊RBF神经网络模块在金刚石不同的温控周期进行不断学习整定，计算出当前的加热电功率的平均有效值、并与设定参考值进行比较，获得误差值，最后进行网络权值算法学习及不断地更新、修正。

本发明的有益效果为：

1)本发明通过采用嵌入式中央处理器和PLC控制器来实现同时关闭变压器的加热主、副回路的目的，以防止石墨在加热过程出现的异常情况，实现双重保护；

2)对中央处理器输出的电功率值除了采用均值滤波器外，还采用卡尔曼滤波器进行滤波处理，能快速地滤除电路中的杂波，且对系统噪声有很强的抑制作用，有效地提高了系统的测量精度；

3)本发明不仅采用了PID控制器进行寻优整定，还采用了基于模糊RBF神经网络模块进行寻优计算，即采用模糊RBF神经网络的优化算法，调节整定比例Kp、积分ki、微分kd系数，达到稳定调节加热电功率的目的，并减小了系统的震荡，增强了鲁棒性，提高了系统的抗干扰能力。

附图说明

图1为本六面顶人造金刚石加热调功系统的系统结构框图。

图2为具体调节方法使用时的连接框图。

图3为采用的慢升压工艺曲线。

图4为4.5kW负载功率响应曲图。

图5为普通PID加热调功控制系统的响应仿真曲图。

图6为采用本六面顶人造金刚石加热调功系统进行调功控制得到的的响应仿真曲图。

具体实施方式

下面结合具体实施例和附图对本发明作进一步的解释说明，但不用以限制本发明。

如图1所示，六面顶人造金刚石加热调功系统，包括中央处理器、变压器和连接于中央处理器的输入端上的电压测量模块、电流测量模块，所述中央处理器的控制端与串接于变压器主回路上的调压装置连接，变压器副回路上连接有待加工的石墨，所不同的是：还包括PLC控制器，所述PLC控制器的输入端与中央处理器的控制端连接，其输出端与串接于变压器副回路上的控制开关连接。本实施例中，所述中央处理器具体可以为嵌入式DSP芯片；所述调压装置具体为可控硅，用于控制变压器主回路的通断以及调节变压器主回路加热电压的大小。

所述中央处理器包括均值滤波器、模糊RBF神经网络模块和连接有显示器的PID控制器，均值滤波器的输入端连接有放大电路、其输出端与模糊RBF神经网络模块的输入端连接，模糊RBF神经网络模块的输出端与PID控制器的输入端，PID控制器的输出端经信号转换电路后、与变压器主回路上的调压装置连接。本实施例中，所述控制开关具体为继电器，用于控制变压器副回路的通断。

在中央处理器的输入端上还连接有红外传感器和摄像头，其中所述红外传感器安装于离六面顶压机1.5～1m的范围处。基于金刚石在合成过程处于高温高压环境，或者由于叶蜡石合成装置的密封性不好，可能出现放炮的现象，对现场工作人员造成安全隐患。而红外线的设置能提醒现场工作者不能过于靠近六面顶压机，保证安全运行；摄像头用于监视、记录金刚石合成的整个过程，且记录的数据可发送至存储器进行存储。

在中央处理器的输出端串口上还可连接一无线模块，所述无线模块具体可以为2.4G无线通信模块，能够将实时收到的加热电压值、电流值及电功率值无线传送给远程终端机或是另一台DSP制作的手持式通讯器。

在中央处理器的输出端上还连接有存储模块和语音模块，其中，所述语音模块具体为WT588D系列的语音芯片，用于在加热过程，能够提醒系统状态，到了某一时间，能够提醒到达了哪一步工艺：如加热阶段一、加热阶段二、预热阶段、保温阶段、降温阶段等，还能够在系统出现异常时，发出语音报警。

如图2所示，所述中央处理器包括均值滤波器、模糊RBF神经网络模块和连接有显示器的PID控制器，均值滤波器的输入端连接有放大电路、其输出端与模糊RBF神经网络模块的输入端连接，模糊RBF神经网络模块的输出端与PID控制器的输入端，PID控制器的输出端经信号转换电路后、与变压器主回路上的调压装置连接。进一步地，在均值滤波器的输出端与模糊RBF神经网络模块的输入端之间连接有一卡尔曼滤波器。

所述六面顶人造金刚石加热调功系统的控制方法，包括电路保护控制步骤和加热调功步骤，其中

所述电路保护控制包括以下步骤：

1)系统参数初始化，并向存储模块中植入用以合成人造金刚石的加工工艺参数、并设定参考值，所述加工工艺包括加热阶段、保温阶段和冷却阶段，其中加热阶段采用慢升压工艺；如图3所示，0～2s为加热阶段一、2～4s为预热阶段、4～5s为加热阶段二，5～18s为保温阶段，18～22s为冷却阶段；

2)开始给石墨片加热：通过电压、电流测量模块采集变压器主回路上的电压、电流瞬时值；然后发送至中央处理器，中央处理器经放大、滤波处理后再进行计算，得到加热的电功率瞬时值；

3)中央处理器将该电功率瞬时值与参考值进行比较，得到第一控制信号、并发送给变压器主回路上的调压装置；中央处理器同时也将该电功率瞬时值发送给PLC控制器，PLC控制器将该电功率瞬时值与参考值进行比较，得到第二控制信号、并发送给变压器副回路上的控制开关；

即中央处理器将处理得到的电功率瞬时值与设定的参考值进行比较，当初出现偏移量过大、过小…等异常情况时，向变压器主回路上的可控硅停止供给导通脉冲信号，从而起到关闭加热主回路的作用，当偏移量处于正常范围内不发出响应指令，以上即为第一控制信号的作用；同时，中央处理器将该电功率瞬时值发送给PLC控制器，PLC控制器将该电功率值与设定的参考值进行比较，当与设定的参考值的偏移量过大、过小…等异常情况时，通过控制开关来关闭变压器上的副回路；当偏移量处于正常范围内不发出响应指令，以上即为第二控制信号的作用。

所述加热调功在执行电路保护控制的1)、2)步骤的基础上，继续执行以下步骤：

Ⅰ)中央处理器内的模糊RBF神经网络模块对过滤处理后的电功率瞬时值进行寻优处理，整定出PID控制器中调节系数比例Kp、积分ki、微分kd，并反馈至PID控制器中，PID控制器将各调整系数显示在显示器上，同时PID控制器的输出端经信号转换电路后与串接于变压器主回路上的可控硅连接，通过调节可控硅的导通角来控制变压器主回路的电压，以达到调整金刚石合成加热电功率的目的。从而起到调节金刚石合成的温度。

上述电路保护控制的步骤2)中，所述滤波处理为在加热阶段采用均值滤波器进行滤波、而在保温阶段是在均值滤波处理后再采用卡尔曼滤波器进行滤波处理。这样使得系统在干扰条件下得到光滑的电压、电流、电功率瞬时值，实现了精细稳定调节电功率的目的。步骤2)具体的卡尔曼滤波步骤如下：

A、将检测到的连续的电功率值离散化，并且写成离散的状态方程形式：

x(k)＝Ax((k-1)+B(u(k)+w(k))

其观测方程为：y_v(k)＝Cx(k)+v(k)

其中，A为状态转移矩阵，B为输入矩阵，C为观测矩阵，x(k)为状态信号，y_v(k)为受到噪声污染后的输出信号，u(k)为控制信号，w(k)为过程噪音信号，v(k)为测量噪音信号；

B、卡尔曼滤波的递推算法：

计算滤波增益阵：

式中:R为v(k)的协方差，M_n为卡尔曼滤波增益，P(k)为x(k)的协方差。

C、计算预测误差协方差阵：P(k)＝AP(k-1)A^T+BQB^T式中:Q为w(k)的协方差，

D、计算滤波误差协方差阵：P(k)＝(I_n-M_n(k)C)P(k)

式中I为单位阵；

E、计算滤波方程：x(k)＝Ax(k-1)+M_n(k)(y_v(k)-CAx(k-1))

F、计算滤波器输出方程:

y_out(k)＝Cx(k)

式中，yout(k)为经过滤波后的电功率值；

G、计算误差协方差为：errcov(k)＝CP(k)C^T

H、对于测量到的结果计算出平均功率：

式中n为电功率值采样得到的结果；

I、平均电功率值转换成功率有效值P；

J、慢升压工艺，根据坐标两点式，得到加热方程：加热阶段一，加热曲线近似为：y＝1.5x，x∈[0,2]；加热阶段二，加热曲线近似为：y＝x-1，x∈[4,5.5]；

过程A中，C＝[1，0]状态方程初值

过程B中，R＝1状态方程的协方差P(k)＝B*Q*B；过程C中，Q＝1；过程D中，n＝100～200。

上述加热调功的步骤Ⅰ)中，所述寻优处理为模糊RBF神经网络模块在金刚石不同的温控周期进行不断学习整定，计算出当前的加热电功率的平均有效值、并与设定参考值进行比较，获得误差值，最后进行网络权值算法学习及不断地更新、修正。而基于模糊RBF神经网络优化的PID控制过程如下：

首先，对模糊RBF神经网络的输入层、模糊化层、模糊推理层、迭代步骤、神经网络学习参数进行预处理；

a:输入层的设置：先要设置输入层的各个节点与各个分量的输入量的连接，为了把输入量传递到模糊化层，对这一层的每一个节点i表示为：

f₁(i)＝X＝[x1,x2,…,xn]

实际在存储模块内以数组的形式存放，最初X＝[0,0,...，]。

b：模糊化层的设置：采用高斯型函数作为隶属函数，则得到迷糊化函数为

其中，C_ij以及B_ij分别为第i个输入变量至第j个模糊集合的隶属函数的均值和标准差，i＝1,2,…,n；j＝1,2,…,n；

c：模糊推理成的设置：该层通过与模糊化层的连接来完成模糊规则的匹配，通过各个模糊节点的组合的到对应的点火强度；而每一个节点的j的输出为该节点所有输入信号的乘积：

$f_3\left(j\right)=\underset{j=1}{\overset{N}{\Π}}{f}_2(i,j)$

式中，

d：输出层的设置：输出层的输出调节比例K_p、积分K_i、微分K_d的整定结果，分别表达为：

$K_p=f_4\left(1\right)=\underset{j=1}{\overset{N}{\Σ}}w(1,j)\·f_3\left(j\right),$

$K_i=f_4\left(2\right)=\underset{j=1}{\overset{N}{\Σ}}w(2,j)\·f_3\left(j\right),$

$K_d=f_4\left(3\right)=\underset{j=1}{\overset{N}{\Σ}}w(3,j)\·f_3\left(j\right),$

式中，w(i,j)组成模糊推理层与输出层各节点的连接权矩阵i＝1，2，3。连接权矩阵w(i,j)最初采用数组的形式，给w(1,j)、w(1,j)、w(1,j)赋初值，之后不断学习，不断修正数组参数。

e:连接权矩阵w(i,j)的方法采用网络权值学习算法：

$\begin{array}{c}{\mathrm{\Δw}}_j\left(k\right)=-\mathrm{\μ}\·\frac{\∂E}{\∂w_j}\\ =\mathrm{\μ}\left(r_{in}\right(k)-y_{out1}(k\left)\right)\·\frac{\∂y_{out1}}{\mathrm{\Δ}u}\frac{\mathrm{\Δ}u}{{\mathrm{\Δf}}_4}\frac{{\mathrm{\Δf}}_4}{{\mathrm{\Δw}}_j}\\ =\mathrm{\μ}\left(r_{in}\right(k)-y_{ouy1}(k\left)\right)\frac{\∂y_{out1}}{\∂\mathrm{\Δ}u}xc\left(j\right)f_3\left(j\right)\end{array}$

式中，w_j为网络输出节点与上一层各节点的连接权，j＝1,2，…，N；E为理想输出r_in(k)与实际输出y_out1(k)差值：

μ为学习速率，学习速率的给定，提出变速更新法，因为误差当前值e为非线性的，金刚石的合成的加热阶段一、加热阶段二、预热、保温阶段，由于采用慢升压工艺，不同阶段，加热电压斜率不一样，那么误差e肯定也不一样，神经网络的学习速率必然要求不一样，为了让系统快速收敛，波动减小，提出变速学习速率更新法：

$u(k+1)=\left\{\begin{array}{cc}(1+\mathrm{\Δ}e(k\left)\right)u\left(k\right)& \left|e(k+1)\right|\≤e\left(k\right)\\ (1-2\mathrm{\Δ}e(k\left)\right)\·u\left(k\right)& e\left(k\right)\mathrm{\π}\left|e(k+1)\right|\≤1.5e\left(k\right)\\ u\left(k\right)& \left|e\left(k\right)\right|\mathrm{\φ}1.5e\left(k\right)\end{array}\right.$

其中，学习速率u(k)给定初值0.20，△e(k)＝e(k+1)-e(k)；

考虑动量因子，输出层的权值为：

w_j(k)＝w_j(k-1)+Δw_j(k)+a(w_j(k-1)-w_j(k-2))

其中，k为网络的迭代步骤，a为学习动量因子。系统中，采用每输入5个模糊集进行模糊化，网络学习参数，学习动量因子取a＝0.02。存储器预先存储这些模糊RBF神经网络的参数设定，按照模糊RBF神经网络整定算法，根据误差e，以及网络输出节的连接权w，不断学习修正比例积分微分系数，使得实际控制对象输出更加逼近理想输出。

f:误差控制器为：Δu(k)＝K_pxc(1)+K_ixc(2)+K_dxc(3)

xc(1)＝e(k)

xc(2)＝e(k)-e(k-1)

xc(3)＝e(k)-2e(k-1)+e(k-2)

g：计算加热功率控制量：采用增量式PID控制算法：

u(k)＝u(k-1)+Δu(k)

h：定义目标函数：采用Delta学习规则来修正可调参数，定义目标函数为：

$E=\frac{1}{2}{\left(r_{in}\right(k)-y_{out1}(k\left)\right)}^2$

其中，r_in(k)-y_out1(k)表示每一步的迭代步骤k的控制误差；

计算得到的控制电压，作为控制信号驱动可控硅触发脉冲，触发脉冲通过光耦隔离电路驱动可控硅调压，可控硅在变压器主电路调压，从而达到间接调节电功率的目的。

现场调试实验验证：

在220(±20％)V，50Hz单相交流电源供电情况，采用本文提出的卡尔曼滤波与模糊RBF模糊神经网络PID优化算法，给定跃阶信号4.5KW，结果如图4所示。可以看到电功率稳定调节，实际测试过程里，波动在±6W内，从实验结果表明，所设计的调功系统的电功率控制精度可达到±0.15％，稳定性好，鲁棒性好。

基于Matlab软件仿真验证：

1)给定跃阶信号rin＝4.5,yout为系统响应输出。图5为普通PID加热调功控制系统的响应仿真曲图，图6为采用本六面顶人造金刚石加热调功系统进行调功控制得到的响应仿真曲图；

2)对比两者不难看出，普通PID控制调节的整个过程，阶跃超调量达0.2Kw，系统的振荡波动，最大波动量达0.1Kw；而本系统PID控制，无超调，波动较小，最大为0.005Kw，滤波效果好，抗干扰能力明显提高。实验结果与仿真结果基本相符，但各项指标仍有一定差别。这主要是由于仿真过程中，实际器件与仿真器件参数的选择，两者性能参数不完全一致造成的。要弥补这个不足，可以通过精确测定实验器件的性能参数来实现。但两种结果基本反映了问题的实质，不影响研究的结果。

Claims (10)

1.六面顶人造金刚石加热调功系统，包括中央处理器、变压器和连接于中央处理器的输入端上的电压测量模块、电流测量模块，所述中央处理器的控制端与串接于变压器主回路上的调压装置连接，变压器副回路上连接有待加工的石墨，其特征在于：还包括PLC控制器，所述PLC控制器的输入端与中央处理器的控制端连接，其输出端与串接于变压器副回路上的控制开关连接。

2.根据权利要求1所述的六面顶人造金刚石加热调功系统，其特征在于：所述中央处理器包括均值滤波器、模糊RBF神经网络模块和连接有显示器的PID控制器，均值滤波器的输入端连接有放大电路、其输出端与模糊RBF神经网络模块的输入端连接，模糊RBF神经网络模块的输出端与PID控制器的输入端，PID控制器的输出端经信号转换电路后、与变压器主回路上的调压装置连接。

3.根据权利要求2所述的六面顶人造金刚石加热调功系统，其特征在于：在均值滤波器的输出端与模糊RBF神经网络模块的输入端之间连接有一卡尔曼滤波器。

4.根据权利要求1所述的六面顶人造金刚石加热调功系统，其特征在于：在中央处理器的输入端上还连接有红外传感器和摄像头。

5.根据权利要求1或4所述的六面顶人造金刚石加热调功系统，其特征在于：在中央处理器的输出端上还连接有存储模块和语音模块。

6.根据权利要求1所述的六面顶人造金刚石加热调功系统，其特征在于：所述控制开关为继电器，用于控制变压器副回路的通断。

7.根据权利要求1所述的六面顶人造金刚石加热调功系统，其特征在于：所述调压装置为可控硅，用于控制变压器主回路的通断以及调节变压器主回路加热电压的大小。

8.一种如权利要求1所述的六面顶人造金刚石加热调功系统的控制方法，其特征在于：包括电路保护控制步骤和加热调功步骤，其中

所述电路保护控制包括以下步骤：

1)系统参数初始化，并向存储模块中植入用以合成人造金刚石的加工工艺参数、并设定参考值，所述加工工艺包括加热阶段、保温阶段和冷却阶段，其中加热阶段采用慢升压工艺；

2)开始给石墨片加热：通过电压、电流测量模块采集变压器主回路上的电压、电流瞬时值；然后发送至中央处理器，中央处理器经放大、滤波处理后再进行计算，得到加热的电功率瞬时值；

3)中央处理器将该电功率瞬时值与参考值进行比较，得到第一控制信号、并发送给变压器主回路上的调压装置；中央处理器同时也将该电功率瞬时值发送给PLC控制器，PLC控制器将该电功率瞬时值与参考值进行比较，得到第二控制信号、并发送给变压器副回路上的控制开关；

所述加热调功在执行电路保护控制的1)、2)步骤的基础上，继续执行以下步骤：

Ⅰ)中央处理器内的模糊RBF神经网络模块对过滤处理后的电功率瞬时值进行寻优处理，整定出PID控制器中调节系数比例Kp、积分ki、微分kd，并反馈至PID控制器中，PID控制器将各调整系数显示在显示器上，同时PID控制器的输出端经信号转换电路后与串接于变压器主回路上的调压装置连接，通过调节调压装置来控制变压器主回路的电压以达到调整金刚石合成加热电功率的目的。

9.根据权利要求8所述的六面顶人造金刚石加热调功系统的控制方法，其特征在于：所述电路保护控制的步骤2)中，所述滤波处理为在加热阶段采用均值滤波器进行滤波、而在保温阶段是在均值滤波处理后再采用卡尔曼滤波器进行滤波处理。

10.根据权利要求8所述的六面顶人造金刚石加热调功系统的控制方法，其特征在于：所述加热调功的步骤Ⅰ)中，所述寻优处理为模糊RBF神经网络模块在金刚石不同的温控周期进行不断学习整定，计算出当前的加热电功率的平均有效值、并与设定参考值进行比较，获得误差值，最后进行网络权值算法学习及不断地更新、修正。