CN111639464A - 等离子体射流发生器参数优化方法、装置及存储介质 - Google Patents

等离子体射流发生器参数优化方法、装置及存储介质 Download PDF

Info

Publication number
CN111639464A
CN111639464A CN202010495059.8A CN202010495059A CN111639464A CN 111639464 A CN111639464 A CN 111639464A CN 202010495059 A CN202010495059 A CN 202010495059A CN 111639464 A CN111639464 A CN 111639464A
Authority
CN
China
Prior art keywords
jet
environment temperature
prediction model
quality prediction
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010495059.8A
Other languages
English (en)
Other versions
CN111639464B (zh
Inventor
刘熊
王谦
沈晨
甘汶艳
李永福
李思全
彭华东
任啸
李小平
汪金刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Priority to CN202010495059.8A priority Critical patent/CN111639464B/zh
Publication of CN111639464A publication Critical patent/CN111639464A/zh
Application granted granted Critical
Publication of CN111639464B publication Critical patent/CN111639464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Plasma Technology (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种等离子体射流发生器参数优化方法、装置及存储介质，所述方法包括：对获取到的当前环境温度进行预处理；根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。本发明方法通过考虑环境温度对输入参数的影响，通过预先建立的射流质量预测模型根据环境温度确定等离子体射流发生器在对应环境温度下的输入参数，使得射流可处理面积在当前环境温度条件下达到最优，减少环境温度对射流可处理面积的影响。

Description

等离子体射流发生器参数优化方法、装置及存储介质
技术领域
本发明涉及离子射流技术领域，特别是一种等离子体射流发生器参数优化方法、装置及存储介质。
背景技术
等离子射流广泛应用于材料表面改性、生物医学等各领域，射流本身可处理的面积大小会对应用的效果产生较大影响。
通常情况下，射流发生器的使用者会通过试验得到在所产生射流质量最佳状态下，发生器的最佳输入参数，从而使得应用射流时处理效果达到最佳。然而，在实际应用中，寻找最佳参数的预实验阶段与实际应用处理阶段并非在同一日期，即在温度等环境因素上存在差异。若射流发生器仍采用固定的发生器输入参数，在不同的环境温度下，产生的等离子体射流质量、可处理面积将均存在较大差异。例如，在10℃和30℃温度下，同一射流发生器使用相同的参数产生的等离子体射流，长度、宽度的变化很大，射流的可处理面积相差可达50％。四季环境温度变化大，若射流发生器仍采用固定的输入参数来产生等离子体射流，存在装置利用率低、效率低等问题。
发明内容
有鉴于现有技术的上述缺陷，本发明的目的就是提供一种等离子体射流发生器参数优化方法、装置及存储介质，通过考虑环境温度对参数的影响，以使得射流可处理面积在当前环境温度条件下达到最优。
本发明的目的之一是通过这样的技术方案实现的，一种等离子体射流发生器参数优化方法，所述方法包括：
对获取到的当前环境温度进行预处理；
根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。
可选的，对获取到的当前环境温度进行预处理之前，所述方法还包括：
根据环境温度以及预设变量建立射流质量预测模型。
可选的，根据环境温度以及预设变量建立射流质量预测模型，包括：
基于等离子体射流发生器的射流面积构建目标函数；
根据环境温度以及预设变量确定约束条件；
基于所述目标函数以及约束条件构建训练集；
根据所述训练集进行模型训练以获得射流质量预测模型。
可选的，基于所述目标函数以及约束条件构建训练集，包括：根据目标函数和约束条件的因素组合构建训练集。
可选的，所述根据所述训练集进行模型训练以获得射流质量预测模型，包括：
对训练集中的数据样本进行归一化处理；
采用支持向量回归(SVR)模型根据归一化处理后的训练集进行模型训练以获得射流质量预测模型。
可选的，所述对获取到的当前环境温度进行预处理，包括：
对获取到的当前环境温度进行归一化处理。
可选的，根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数，包括：
根据预处理之后的当前环境温度通过预先建立的射流质量预测模型通过遗传算法进行迭代求解以确定模型输入参数。
可选的，根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数，还包括：
对所述模型输入参数进行反归一化处理以获得优化输入参数。
本发明的目的之二是通过这样的技术方案实现的，一种等离子体射流发生器参数优化装置，所述装置包括：
数据处理模块，用于对获取到的当前环境温度进行预处理；
预测模块，用于根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。
本发明的目的之三是通过这样的技术方案实现的，一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。
由于采用了上述技术方案，本发明具有如下的优点：本发明方法通过考虑环境温度对输入参数的影响，通过预先建立的射流质量预测模型根据环境温度确定等离子体射流发生器在对应环境温度下的输入参数，使得射流可处理面积在当前环境温度条件下达到最优，减少环境温度对射流可处理面积的影响。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。
附图说明
本发明的附图说明如下：
图1为本发明第一实施例流程图；
图2为本发明第二实施例流程图；
图3为本发明第二实施例射流发生装置示意图；
图4为本发明第二实施例遗传算法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例一
本发明第一实施例提出一种等离子体射流发生器参数优化方法，如图1所示，所述方法包括：
对获取到的当前环境温度进行预处理；
根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。
本发明方法通过考虑环境温度对输入参数的影响，通过预先建立的射流质量预测模型根据环境温度确定等离子体射流发生器在对应环境温度下的输入参数，使得射流可处理面积在当前环境温度条件下达到最优，减少环境温度对射流可处理面积的影响。
可选的，对获取到的当前环境温度进行预处理之前，所述方法还包括：
根据环境温度以及预设变量建立射流质量预测模型。
可选的，根据环境温度以及预设变量建立射流质量预测模型，包括：
基于等离子体射流发生器的射流面积构建目标函数；
根据环境温度以及预设变量确定约束条件；
基于所述目标函数以及约束条件构建训练集；
根据所述训练集进行模型训练以获得射流质量预测模型。
具体的说，在本发明一个可选的实施例中，建立射流质量预测模型，包括如下步骤：
本发明方法的优化对象为射流本身的质量，为定性的描述，因此本实施例中可以以等离子体射流发生器产生的射流长度a与宽度b为参数来定量描述射流本身的质量，长度值与宽度值更大的射流，其可处理面积越大，所表现的质量更佳，将长度与宽度的乘积记作δ，则基于等离子体射流发生器的射流面积构建目标函数，满足：
maxδ，(δ＝a·b) (1)
在确定目标函数后，根据环境温度以及预设变量确定约束条件，电源电压峰值u，电源频率f，气体流量l为影响射流质量的发生器主要输入参数，因此在本实施例中预设变量包括，电源电压峰值u，电源频率f，气体流量l，此外，由于环境温度T为不可控的变量，对射流质量存在影响，需要将其也作为射流质量预测模型的输入量，通过温度计测量周围环境温度得到。
基于上述描述，本实施例中，由经验确定电源电压峰值u，电源频率f，气体流量l三个预设变量的范围，以及所用射流发生器应用的环境温度范围，以确保优化效果与射流质量预测模型预测结果的准确度，因此所确定的范围即为优化模型的约束条件。更为具体的，对于具体实施例所述的等离子体射流发生器，其电源电压峰值u的范围为10～20kV，电源频率f的范围为10～20kHz，工作气体流量l的范围为2～6L/min，常用应用下的环境温度范围为10～30℃，由此约束条件满足：
Figure BDA0002522519240000041
可选的，基于所述目标函数以及约束条件构建训练集，包括：根据目标函数和约束条件的因素组合构建训练集。
具体的说，在本实施例中，由于等离子体表面处理实际效果具有随机性，目前无法通过仿真途径获取，因而需要通过试验，但由于电源电压峰值u，电源频率f，氩气气体流量l以及环境温度T的取值区间较大，对4个参数在各自区间内所有取值进行逐一测试，规模庞大且可行性低。因此本实施例提出通过从因素组合中抽取具有代表性的最小组合，以部分试验结果分析全面试验情况，获取射流质量预测模型训练集。
可选的，所述根据所述训练集进行模型训练以获得射流质量预测模型，包括：
对训练集中的数据样本进行归一化处理；
采用支持向量回归(SVR)模型根据归一化处理后的训练集进行模型训练以获得射流质量预测模型。
具体的说，在本实施例中，为消除不同因素之间量纲不同造成的影响，对训练集中参数X＝(u，f，l，T)及其相应射流质量表征值的试验结果Y＝δ＝(δ1，δ2，…δm)T，即给定的每一组样本数据进行归一化处理。
SVR模型的估计函数为
Figure BDA0002522519240000051
其中
Figure BDA0002522519240000052
为非线性映射，为归一化后电源电压峰值、电压频率、工作气体流量与环境温度的函数，模型参数的确定实则为对估计函数复杂性与训练集平均损失的优化，由此采用支持向量回归(SVR)模型根据归一化处理后的训练集进行模型训练以获得射流质量预测模型。
可选的，所述对获取到的当前环境温度进行预处理，包括：
对获取到的当前环境温度进行归一化处理。
可选的，根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数，包括：
根据预处理之后的当前环境温度通过预先建立的射流质量预测模型通过遗传算法进行迭代求解以确定模型输入参数。
具体的说，在前述获得射流质量预测模型的基础上，根据预处理之后的当前环境温度作为模型输入，通过遗传算法进行迭代求解获得当前温度下的电源电压峰值、电压频率、工作气体流量对应的模型输入参数。
可选的，根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数，还包括：
对所述模型输入参数进行反归一化处理以获得优化输入参数。
在前述实施例的基础上，在本实施例中，对于前述获得的电源电压峰值、电压频率、工作气体流量对应的模型输入参数采用反归一化处理从而获得电源电压峰值、电压频率、工作气体流量的优化输入参数。也即当前环境温度T下，可产生的最佳质量射流时，等离子体射流发生装置的输入参数。
综上，本发明方法通过对少量参数组合进行试验，可通过具有代表性的最小组合的试验结果，得到整个参数范围内的射流质量的变化规律，进而训练射流质量预测模型，有较高的可行性；
本发明方法在不同的环境温度下，可以快速确定等离子体射流发生器的最优输入参数，使得发生器产生的射流质量在当前环境下最佳，提高等离子体射流的应用效率，提升应用效果；
本发明方法适用于多种电极结构与发生管规格的等离子体射流发生器，具有普适性。
实施例二
本发明方法所提出的考虑环境影响的等离子体射流发生器输入参数寻优方法，具体为：当环境温度发生改变时，寻找当前环境温度下，可使射流质量达到最佳的射流发生器输入参数值。本发明方法包括优化模型确定、基于SVR算法的射流质量预测模型构建、基于射流质量预测模型与遗传算法的参数寻优三步骤。
本发明第二实施例提出一种等离子体射流发生器参数优化方法的实施案例，如图2所示，所述方法包括：
S1、根据环境温度以及预设变量建立射流质量预测模型，包括
S11、基于等离子体射流发生器的射流面积构建目标函数；
具体说本发明方法的优化对象为射流本身的质量为定性的描述，本实施例中以等离子体射流发生器产生的射流长度a与宽度b为参数来定量描述射流本身的质量，长度值与宽度值更大的射流，其可处理面积越大，所表现的质量更佳，本实施例中将长度与宽度的乘积记作δ，本实施例中所确定的优化模型的目标函数满足：
maxδ，(δ＝a·b) (1)
S12、根据环境温度以及预设变量确定约束条件；
本实施例中将电源电压峰值u，电源频率f，气体流量l作为影响射流质量的发生器主要输入参数，即预设变量X＝(u，f，l)。此外，由于环境温度T为不可控的变量，对射流质量存在影响，需要将环境温度T也作为射流质量预测模型的输入量，通过温度计测量周围环境温度得到。
由于射流质量预测模型基于试验样本训练，需由经验确定电源电压峰值u，电源频率f，气体流量l三个设计变量的范围，以及所用射流发生器应用的环境温度范围，以确保优化效果与射流质量预测模型预测结果的准确度，因此所确定的范围即为优化模型的约束条件。对于具体实施例所述的等离子体射流发生器，其电源电压峰值u的范围为10～20kV，电源频率f的范围为10～20kHz，工作气体流量l的范围为2～6L/min，常用应用下的环境温度范围为10～30℃。因此本实施例中，根据环境温度以及预设变量确定约束条件满足：
Figure BDA0002522519240000071
S13、基于所述目标函数以及约束条件构建训练集；
具体的说，在本实施例中，根据目标函数和约束条件的因素组合构建训练集，
由于等离子体表面处理实际效果具有随机性，目前无法通过仿真途径获取，因而需要通过试验，但由于电源电压峰值u，电源频率f，氩气气体流量l以及环境温度T的取值区间较大，对4个参数在各自区间内所有取值进行逐一测试，规模庞大且可行性低。因此，本实施例中通过从因素组合中抽取具有代表性的最小组合，以部分试验结果分析全面试验情况，获取射流质量预测模型训练集。
对电源电压峰值、电源频率、气体流量3个设计参数及环境温度选取L25(54)正交表，共计4个参数，每个参数5种变化值，仅需要25次试验即可完成一次完整的分析过程。
如表1所示为各参数正交设计表的部分内容，其中空列为射流质量的试验结果。
表1.等离子体射流参数正交表部分内容
Figure BDA0002522519240000072
Figure BDA0002522519240000081
以如图3所示等离子体射流发生器为例进行说明，射流发生管长度L1＝80mm，内径r1＝4mm，外径r2＝6mm，距离一侧L2＝25mm处有一段长H1＝20mm，内径r3＝3mm，外径r4＝5mm的拼接段，用来通入工作气体。射流发生器采用针-环电极结构，高压针电极和电源的高压输出端相连，环形接地电极和电源接地端相连。
在设定发生器输入参数并控制环境温度后，通过放置在放电空间内的数码相机对放电图像进行拍摄，测量所产生的射流的长度与宽度，并将其相乘后的结果作为试验结果填入正交设计表中。根据正交表进行试验可得到具有均匀分布性与综合代表性的SVR模型训练集(u，f，l，T，δ)∈(Rm×4，Rm×1)，m为样本数25。
S14、根据所述训练集进行模型训练以获得射流质量预测模型。
S141、对训练集中的数据样本进行归一化处理；
为消除不同因素之间量纲不同造成的影响，对训练集中参数X＝(u，f，l，T)及其相应射流质量表征值的试验结果Y＝δ＝(δ1，δ2，…δm)T，即给定的每一组样本数据进行归一化处理。本实施例中以电源电压峰值u与试验结果δ为例对min-max归一化处理进行说明，电源电压峰值u与试验结果δ归一化处理满足：
Figure BDA0002522519240000082
其中，u＝(u1，u2，…um)T为样本中参数u所有取值组成的列向量，f、l、T分别为样本中电源频率f、工作气体流量l与环境温度T所有取值组成的列向量，计算方法同参数u，从而得到归一化后的训练集输入X’与输出Y’。
S142、采用支持向量回归(SVR)模型根据归一化处理后的训练集进行模型训练以获得射流质量预测模型。
SVR模型的估计函数为
Figure BDA0002522519240000083
其中
Figure BDA0002522519240000084
为非线性映射，为归一化后电源电压峰值、电压频率、工作气体流量与环境温度的函数，模型参数的确定实则为对估计函数复杂性与训练集平均损失的优化，本实施例中进一步引入拉格朗日乘子α与α*后，估计函数满足：
Figure BDA0002522519240000085
约束条件满足：
Figure BDA0002522519240000091
其中，C为正则化参数，并且，若估计函数值δ*与观测值δ’在允许误差ε内，认为损失函数值为0。
式中，k(xi，xj)为核函数，在SVR模型中，核函数及正则化参数的选择对模型的泛化能力有较大影响，根据已有的研究，模型选择径向基(RBF)函数作为核函数，满足：
Figure BDA0002522519240000092
其中σ2＝0.005。此外，通过交叉验证法决定较优的惩罚参数C与允许误差ε。
本实施例中具体的操作可通过MATLAB运用SVR模型，实现在不同输入参数取值下，对所产生的射流质量的预测，得到射流质量预测模型。
S2、对获取到的当前环境温度进行归一化处理。
具体的说，通过对获取到的当前环境温度进行归一化处理后作为射流质量预测模型的输入。
S3、根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数；
S31、根据预处理之后的当前环境温度通过预先建立的射流质量预测模型通过遗传算法进行迭代求解以确定模型输入参数。
具体的说，在明确目标函数、设计变量与约束条件得到优化模型的基础上，在获取到环境温度参数温度后即可进行模型求解，具体的说，在本实施例中可以基于遗传算法(Genetic Algorithm，GA)对优化模型进行求解，以得到射流质量表征值最大时射流发生器的模型输入参数，如图4所示，包括如下步骤。
S311、设定基本参数值：最大迭代次数为100，遗传代数初始值为1，种群容量为75，交叉概率为0.85，变异概率为0.05，代沟值为0.9；
S312、设定染色体长度为设计变量X’个数3，按照浮点数编码产生75条染色体形成初始种群；
S313、根据编码方式解码得每条染色体对应的u’，f’，l’三个参数归一化后的变量值，以解码所得的三个参数变量值与归一化后的当前环境温度参数T’为射流质量预测模型的输入，计算预测模型的输出，作为该条染色体的适应度值，以此方式得到当代种群内每一染色体的适应度；
S314、按照适应度对染色体进行排列，根据代沟值使用轮盘赌选择染色体，并对未被选中的染色体进行交叉与变异操作，得到遗传至下一代的新染色体，具体操作为：根据交叉概率，在当代种群中选择两个或多个串进行交叉操作产生新个体；根据突变概率，对当代群体中的一个或几个串进行变异操作，增加群体多样性。而后，上述染色体共同组成下一代种群；
S315、遗传代数加一，并判断是否达到了最大迭代次数，如若达到，根据目标函数，输出目前适应度函数最大的那条染色体，并对其进行解码，得到设计参数u’，f’，l’的最优值，反归一化后，此结果即表示了优化模型的解或近似解；若未达到最大迭代次数，则返回S313继续计算。
其中，以参数u为例对浮点数编码进行说明。浮点数编码通过式(7)实现，其中ut代表参数变量u的二进制数，x1即为参数u在该数值下的浮点数。
Figure BDA0002522519240000101
上述迭代过程可使用MATLAB的遗传算法优化工具箱实现。通过遗传算法进行迭代求解获得当前温度下的电源电压峰值、电压频率、工作气体流量对应的模型输入参数。
S32、对所述模型输入参数进行反归一化处理以获得优化输入参数。
对模型输入参数进行反归一化处理后即可获得在某一环境温度下，射流质量预测模型值最大时，电源电压峰值u，电源频率f，气体流量l三个参数的取值。即当前环境温度T下，可产生的最佳质量射流时，等离子体射流发生装置的输入参数。
综上，本发明方法通过对少量参数组合进行试验，可通过具有代表性的最小组合的试验结果，得到整个参数范围内的射流质量的变化规律，进而训练射流质量预测模型，有较高的可行性；
本发明方法在不同的环境温度下，可以快速确定等离子体射流发生器的最优输入参数，使得发生器产生的射流质量在当前环境下最佳，提高等离子体射流的应用效率，提升应用效果；
本发明方法适用于多种电极结构与发生管规格的等离子体射流发生器，具有普适性。
实施例三
本发明第三实施例提出一种等离子体射流发生器参数优化装置，所述装置包括：
数据处理模块，用于对获取到的当前环境温度进行预处理；
预测模块，用于根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。
实施例四
本发明第四实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的保护范围之内。

Claims (10)

1.一种等离子体射流发生器参数优化方法，其特征在于，所述方法包括：
对获取到的当前环境温度进行预处理；
根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。
2.如权利要求1所述的方法，其特征在于，对获取到的当前环境温度进行预处理之前，所述方法还包括：
根据环境温度以及预设变量建立射流质量预测模型。
3.如权利要求2所述的方法，其特征在于，根据环境温度以及预设变量建立射流质量预测模型，包括：
基于等离子体射流发生器的射流面积构建目标函数；
根据环境温度以及预设变量确定约束条件；
基于所述目标函数以及约束条件构建训练集；
根据所述训练集进行模型训练以获得射流质量预测模型。
4.如权利要求3所述的方法，其特征在于，基于所述目标函数以及约束条件构建训练集，包括：根据目标函数和约束条件的因素组合构建训练集。
5.如权利要求3所述的方法，其特征在于，所述根据所述训练集进行模型训练以获得射流质量预测模型，包括：
对训练集中的数据样本进行归一化处理；
采用支持向量回归(SVR)模型根据归一化处理后的训练集进行模型训练以获得射流质量预测模型。
6.如权利要求1所述的方法，其特征在于，所述对获取到的当前环境温度进行预处理，包括：
对获取到的当前环境温度进行归一化处理。
7.如权利要求1-6任一项所述的方法，其特征在于，根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数，包括：
根据预处理之后的当前环境温度通过预先建立的射流质量预测模型通过遗传算法进行迭代求解以确定模型输入参数。
8.如权利要求7所述的方法，其特征在于，根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数，还包括：
对所述模型输入参数进行反归一化处理以获得优化输入参数。
9.一种等离子体射流发生器参数优化装置，其特征在于，所述装置包括：
数据处理模块，用于对获取到的当前环境温度进行预处理；
预测模块，用于根据预处理之后的当前环境温度通过预先建立的射流质量预测模型确定优化输入参数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
CN202010495059.8A 2020-06-03 2020-06-03 等离子体射流发生器参数优化方法、装置及存储介质 Active CN111639464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010495059.8A CN111639464B (zh) 2020-06-03 2020-06-03 等离子体射流发生器参数优化方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010495059.8A CN111639464B (zh) 2020-06-03 2020-06-03 等离子体射流发生器参数优化方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111639464A true CN111639464A (zh) 2020-09-08
CN111639464B CN111639464B (zh) 2023-06-27

Family

ID=72332064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010495059.8A Active CN111639464B (zh) 2020-06-03 2020-06-03 等离子体射流发生器参数优化方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111639464B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685839A (zh) * 2021-01-11 2021-04-20 武汉科技大学 基于目标驱动的射流装置运动控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3275411A (en) * 1963-04-08 1966-09-27 American Cyanamid Co Plasma production of titanium dioxide
CN1723097A (zh) * 2002-04-18 2006-01-18 应用材料有限公司 通过扫描电磁辐射进行的热流处理
US20090159572A1 (en) * 2007-12-19 2009-06-25 Illinois Tool Works Inc. Plasma Cutter Having Thermal Model for Component Protection
US20130015766A1 (en) * 2011-05-12 2013-01-17 The George Washington University Apparatus for generating mini and micro plasmas and methods of use
WO2013184000A1 (en) * 2012-06-06 2013-12-12 Stichting Materials Innovation Institute (M2I) Plasma jet etching device and method for removing an encapsulation portion of a sample via plasma jet etching
CN106231770A (zh) * 2016-09-09 2016-12-14 国网江苏省电力公司电力科学研究院 一种工作气体和外部环境气体可控的等离子体射流发生与参数诊断系统
CN106771703A (zh) * 2016-11-21 2017-05-31 哈尔滨工业大学 霍尔推力器阳极热功率测量方法
US20170176983A1 (en) * 2015-12-17 2017-06-22 Lam Research Corporation Methods and apparatuses for etch profile matching by surface kinetic model optimization
CN110907064A (zh) * 2019-11-20 2020-03-24 国网重庆市电力公司电力科学研究院 一种gis隔离开关触头温度预测方法、装置及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3275411A (en) * 1963-04-08 1966-09-27 American Cyanamid Co Plasma production of titanium dioxide
CN1723097A (zh) * 2002-04-18 2006-01-18 应用材料有限公司 通过扫描电磁辐射进行的热流处理
US20090159572A1 (en) * 2007-12-19 2009-06-25 Illinois Tool Works Inc. Plasma Cutter Having Thermal Model for Component Protection
US20130015766A1 (en) * 2011-05-12 2013-01-17 The George Washington University Apparatus for generating mini and micro plasmas and methods of use
WO2013184000A1 (en) * 2012-06-06 2013-12-12 Stichting Materials Innovation Institute (M2I) Plasma jet etching device and method for removing an encapsulation portion of a sample via plasma jet etching
US20170176983A1 (en) * 2015-12-17 2017-06-22 Lam Research Corporation Methods and apparatuses for etch profile matching by surface kinetic model optimization
CN106231770A (zh) * 2016-09-09 2016-12-14 国网江苏省电力公司电力科学研究院 一种工作气体和外部环境气体可控的等离子体射流发生与参数诊断系统
CN106771703A (zh) * 2016-11-21 2017-05-31 哈尔滨工业大学 霍尔推力器阳极热功率测量方法
CN110907064A (zh) * 2019-11-20 2020-03-24 国网重庆市电力公司电力科学研究院 一种gis隔离开关触头温度预测方法、装置及可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
VALINCIUS, V: "Distribution of dynamic and thermal characteristics in a non-equilibrium plasma jet" *
刘汝兵: "补气式等离子体射流发生器实验研究" *
周宏明;易丹青;余志明;肖来荣;: "热障涂层的研究现状与发展方向", 材料导报, no. 03 *
胡媛;单彦广;: "溶液液滴在热等离子体射流中的运动和蒸发" *
胡媛;单彦广;: "溶液液滴在热等离子体射流中的运动和蒸发", 工程热物理学报, no. 09 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685839A (zh) * 2021-01-11 2021-04-20 武汉科技大学 基于目标驱动的射流装置运动控制方法
CN112685839B (zh) * 2021-01-11 2022-08-02 武汉科技大学 基于目标驱动的射流装置运动控制方法

Also Published As

Publication number Publication date
CN111639464B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
White et al. Bananas: Bayesian optimization with neural architectures for neural architecture search
CN112069061B (zh) 深度学习梯度指导变异的软件安全漏洞检测方法及系统
Grahn et al. CudaRF: a CUDA-based implementation of random forests
CN110287477A (zh) 实体情感分析方法及相关装置
Chen et al. DIFFUSE: predicting isoform functions from sequences and expression profiles via deep learning
CN112200296B (zh) 网络模型量化方法、装置、存储介质及电子设备
Liu et al. Instance-aware dynamic neural network quantization
EP3674821A1 (en) Optimization device and control method of optimization device
CN111639464B (zh) 等离子体射流发生器参数优化方法、装置及存储介质
CN115129982A (zh) 基于改进贝叶斯优化的实验参数推荐方法、装置、终端及介质
CN118151020B (zh) 一种电池安全性能的检测方法及系统
Dupuis et al. CNN weight sharing based on a fast accuracy estimation metric
Yao et al. A two-stage deep learning framework for early-stage lifetime prediction for lithium-ion batteries with consideration of features from multiple cycles
CN113010671B (zh) 一种app分类系统
Wang et al. Lithium battery remaining useful life prediction using VMD fusion with attention mechanism and TCN
Castelli et al. A hybrid genetic algorithm for the repetition free longest common subsequence problem
CN110059342A (zh) 一种锂离子电池p2d模型的参数估计方法
CN112017730B (zh) 基于表达量预测模型的细胞筛选方法和装置
Eftimov et al. Personalizing performance regression models to black-box optimization problems
Zhang et al. Revisiting Block-based Quantisation: What is Important for Sub-8-bit LLM Inference?
CN116777281A (zh) 一种基于arima模型的电力设备质量趋势预测方法及装置
Zhao et al. Brief industry paper: Towards real-time 3D object detection for autonomous vehicles with pruning search
CN111767518B (zh) Awcc的参数数值确定方法、装置、设备及计算机存储介质
d’Apolito et al. Temporal convolutional network for prediction of Li-ion batteries capacity fade knee
Gao et al. Identification of lncRNA-related protein-coding genes using multi-omics data based on deep learning and matrix completion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant