CN111782459A - 一种基于管外温度图像与cnn的行波管内部温度预测方法 - Google Patents
一种基于管外温度图像与cnn的行波管内部温度预测方法 Download PDFInfo
- Publication number
- CN111782459A CN111782459A CN202010494417.3A CN202010494417A CN111782459A CN 111782459 A CN111782459 A CN 111782459A CN 202010494417 A CN202010494417 A CN 202010494417A CN 111782459 A CN111782459 A CN 111782459A
- Authority
- CN
- China
- Prior art keywords
- temperature
- collector
- internal temperature
- tube
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于管外温度分布图像与CNN的行波管内部温度预测方法,属于大功率真空电子设备领域。本发明分别搭建用于行波管慢波结构内部温度反演与收集极内部温度反演的两种卷积神经网络模型,将慢波结构与收集极热仿真得到的管外温度矩阵作为输入、管内温度矩阵作为输出对各自的网络进行训练,得到满足条件的内部温度反演模型。在使用反演模型时,测量慢波结构以及收集极外表面的温度图像,处理温度图像得到外部温度矩阵,将外部温度矩阵代入相应仿真数据训练好的卷积神经网络中计算得到内部温度矩阵,展示内部的温度分布情况。该方法通过外部温度图像来预测内部的温度分布情况,减少了对管内结构与温度分布的影响,并且操作较为简单。
Description
技术领域
本发明涉及一种基于管外温度图像与CNN(卷积神经网络)的行波管内部温度预测方法,属于大功率真空电子设备领域。
背景技术
目前各种电子设备的集成度越来越高,性能得到了很大的提升,同时带来了设备产热量升高的问题。过高的温度会影响设备的正常工作,降低设备运行的可靠性,甚至损坏电子设备。目前对于非真空密闭电子设备的内部测温方法较多,但是在真空电子器件领域,X射线球管、行波管、回旋管等大功率真空器件内部温度的测量非常困难,对内部温度反演的研究比较少。
虽然随着半导体器件的发展,一些真空电子设备已经逐渐被取代,但是在医疗设备、中继站、卫星通信等领域,它仍然发挥了不可替代的作用。相比于半导体器件,真空电子器件拥有以下的优势:
1.真空电子器件功率大、频带宽、增益高、运行频率高,工作频率的理论值可以达到1000GHz,可以用来放大高频信号;
2.可以在极端的环境下工作,特别是极高温与极低温的环境;
3.在航天航空领域中,真空电子设备做成的通信设备不容易受到各种辐射的影响,所以在航天军事领域中得到了很高的重视。
研究表明,当收集极温度达到500℃时,收集极内各电极的无氧铜原子容易大量蒸发到陶瓷绝缘连接件上,从而降低慢波结构与收集极之间的绝缘性,严重时可以致它们短路。如果慢波结构温度过高,热应力就可能超出安全工作区,造成互作用电路物理上的破坏。这些都会影响到行波管的正常工作与使用寿命。当卫星在外太空等环境中工作时,受到太阳辐射与宇宙粒子的影响,环境条件非常恶劣,对内部器件的稳定性要求较高。其中行波管的热特性与温度影响着卫星的散热与稳定。
发明内容
为了克服现有技术的不足,本发明提出了一种基于管外温度图像与CNN(卷积神经网络)的行波管内部温度预测方法,解决了行波管领域内部温度预测方法较少的问题。本发明分别搭建了用于行波管慢波结构内部温度反演与收集极内部温度反演的卷积神经网络模型。建立慢波结构与收集极的ANSYS(有限元分析) 模型并进行热稳态分析,获得了慢波结构与收集极管内外的温度矩阵数据,利用该数据对卷积神经网络进行训练。使用红外热像仪测量慢波结构或者收集极管外的温度图像,将温度图像处理后得到温度矩阵,把温度矩阵代入相应的反演模型中计算出内部温度矩阵,展现内部温度分布情况。
本发明为解决其技术问题采用如下技术方案:
一种基于管外温度图像与CNN的行波管内部温度预测方法,包括如下步骤: (1)分别搭建用于行波管慢波结构内部温度反演的卷积神经网络模型与收集极内部温度反演的卷积神经网络模型,都选择均方差作为损失函数,Adam作为优化器;
(2)建立慢波结构与收集极的有限元仿真模型并进行热稳态分析,导出仿真模型温度矩阵;使用慢波结构的仿真数据对其卷积神经网络进行训练,得到满足条件的慢波结构内部温度反演模型;使用收集极的仿真数据对其卷积神经网络进行训练,得到满足条件的收集极内部温度反演模型;
(3)采集慢波结构与收集极实际的外表面温度图像,处理后得到慢波结构外部温度矩阵和收集极外部温度矩阵;
(4)将慢波结构外部温度矩阵代入到其反演模型中计算出内部温度矩阵,展示慢波结构内部的温度分布情况;将收集极外部温度矩阵代入到其反演模型中计算出内部温度矩阵,展示收集极内部的温度分布情况。
步骤(1)所述卷积神经网络结构第一层是60×60×1大小的输入层。
步骤(1)所述损失函数的公式为:
步骤(2)中对所述仿真模型温度矩阵进行归一化处理,所述归一化公式为:
其中:x′i为第i个数据归一化后的结果,xi为第i个数据原来的值,xmin是所有输入或者输出数据中的最小值,xmax是所有输入或者输出数据中的最大值。
步骤(3)通过红外热像仪实时地采集慢波结构与收集极外表面的温度图像。
本发明的有益效果如下:
使用非接触式测温方式测量行波管外表面的温度图像,避免接触管体对其表面温度分布造成影响。无需在行波管内部放置传感器,避免影响设备的正常工作以及对设备造成的损坏。通过处理外表面测量得到的温度图像,得到外部温度矩阵,将其代入反演模型中可以计算出内部温度矩阵,展现内部温度分布情况,操作较为简单。
附图说明
图1是本发明的内部温度预测方案示意图。
图2是慢波结构内部温度反演所用卷积神经网络的结构。
图3是收集极内部温度反演所用卷积神经网络的结构。
图4是利用红外热像仪测量行波管管体温度并利用反演模型进行内部温度预测示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,分别搭建了用于慢波结构内部温度反演与收集极内部温度反演的卷积神经网络模型。通过慢波结构与收集极的ANSYS建模与热稳态分析,获得了它们管内外的温度矩阵数据。将慢波结构与收集极管外温度矩阵作为输入、管内温度矩阵作为输出对各自的网络进行训练,建立了慢波结构与收集极的内部温度反演模型。使用红外热像仪测量慢波结构与收集极管外的温度图像,将温度图像处理得到的温度矩阵代入相应的反演模型中计算出内部温度矩阵,获得内部温度的分布情况。
如图2所示,慢波结构反演模型建立过程如下所示:
针对慢波结构建立的内部温度反演模型,建立的网络结构第一层是60×60 ×1大小的输入层,输入的是经过线性归一化处理以及维度转换后的外部温度数据。归一化公式为:
其中:x′i为第i个数据归一化后的结果,xi为第i个数据原来的值,xmin是所有输入或者输出数据中的最小值,xmax是所有输入或者输出数据中的最大值;
下一层是包含64个卷积核的卷积层,卷积核的大小为5×5,通过池化层对网络进行缩小,池化层的核大小为3×3。后面继续连接一层32个卷积核大小为 3×3的卷积层以及一层核大小为2×2的池化层。为了连接全连接层,通过压平层将这一层的输出转换成节点大小为2048的一维输出。将一维的数据依次输入到节点数436以及636、激活函数为ReLU的两层全连接层。最后是节点数量大小为3600的输出层。在全连接层使用了概率值为0.2的Dropout(随机断开相邻两层神经元之间的连接)层,防止过拟合,提高网络的健壮性。
设置环境温度为293K,建立慢波结构ANSYS模型并定义相应的热力学参数(材料密度、比热容、导热率、跟环境之间的对流散热系数等),进行热稳态分析。在后处理过程中输出外表面60×60个点的温度矩阵以及内表面60×60个点的温度矩阵。不断循环改变内部热生成率,获得了2000组内外温度矩阵数据。
将其中的1700组数据按照8:2分为学习数据以及验证数据,剩下的300组数据作为测试数据。外部的温度矩阵作为卷积神经网络的输入,内部的温度矩阵作为输出。网络的损失函数为均方误差,优化器是Adam(自适应矩估计)。
损失函数的公式为:
针对收集极建立的内部温度反演模型,前面的卷积层与池化层结构参数与慢波结构相同,后面连接的是节点数为426、636的两层全连接层,激活函数为ReLU 函数,全连接层之间的Dropout层的概率值为0.2。网络的损失函数为均方误差,优化器是Adam。
设置环境温度为293K,建立收集极ANSYS模型并定义相应的热力学参数 (材料密度、比热容、导热率、跟环境之间的对流散热系数等),进行热稳态分析。通过不断改变收集极内部的热流密度,获得了2000组收集极外部60×60的温度矩阵以及内部60×60的温度矩阵数据。将1700组数据按照8:2分为学习样本以及验证样本,剩下的300组数据作为测试样本。外部的温度矩阵将作为卷积神经网络的输入,内部温度矩阵将作为网络的输出。
如图3、图4所示,在行波管工作的过程中,调整三轴机械装置使得红外相机对焦在行波管相应结构上,通过红外热像仪实时地采集慢波结构与收集极外表面的温度图像。在上位机系统中调整慢波结构与收集极表面辐射出射度以及大气对温度图像数据的影响。选取调整后的温度图像中与仿真时外表面选取的温度位置相同的点,组成温度矩阵。将慢波结构与收集极处理后得到的温度矩阵分别代入到由它们仿真数据建立好的反演模型中,计算出它们内部的温度分布情况。
本发明无需接触行波管管体,并且不需要内置温度传感器,减少了对行波管内外温度场以及结构的影响。通过测量管体外部的温度分布图像,再结合卷积神经网络预测出行波管内部的温度分布情况。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于管外温度图像与CNN的行波管内部温度预测方法,其特征在于:包括如下步骤:
(1)分别搭建用于行波管慢波结构内部温度反演的卷积神经网络模型与收集极内部温度反演的卷积神经网络模型,都选择均方差作为损失函数,Adam作为优化器;
(2)建立慢波结构与收集极的有限元仿真模型并进行热稳态分析,导出仿真模型温度矩阵;使用慢波结构的仿真数据对其卷积神经网络进行训练,得到满足条件的慢波结构内部温度反演模型;使用收集极的仿真数据对其卷积神经网络进行训练,得到满足条件的收集极内部温度反演模型;
(3)采集慢波结构与收集极实际的外表面温度图像,处理后得到慢波结构外部温度矩阵和收集极外部温度矩阵;
(4)将慢波结构外部温度矩阵代入到其反演模型中计算出内部温度矩阵,展示慢波结构内部的温度分布情况;将收集极外部温度矩阵代入到其反演模型中计算出内部温度矩阵,展示收集极内部的温度分布情况。
2.根据权利要求1所述的一种基于管外温度图像与CNN的行波管内部温度预测方法,其特征在于:步骤(1)所述卷积神经网络结构第一层是60×60×1大小的输入层。
5.根据权利要求1所述的一种基于管外温度图像与CNN的行波管内部温度预测方法,其特征在于:步骤(3)通过红外热像仪实时地采集慢波结构与收集极外表面的温度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010494417.3A CN111782459A (zh) | 2020-06-03 | 2020-06-03 | 一种基于管外温度图像与cnn的行波管内部温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010494417.3A CN111782459A (zh) | 2020-06-03 | 2020-06-03 | 一种基于管外温度图像与cnn的行波管内部温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111782459A true CN111782459A (zh) | 2020-10-16 |
Family
ID=72753712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010494417.3A Pending CN111782459A (zh) | 2020-06-03 | 2020-06-03 | 一种基于管外温度图像与cnn的行波管内部温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782459A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733275A (zh) * | 2021-01-19 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN113281218A (zh) * | 2021-05-25 | 2021-08-20 | 国网河北省电力有限公司检修分公司 | 一种气体密度监测方法、装置、存储介质及电子设备 |
WO2024007445A1 (zh) * | 2022-07-08 | 2024-01-11 | 福建省龙氟新材料有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915493A (zh) * | 2015-06-04 | 2015-09-16 | 东南大学 | 一种基于有限元模型的行波管内部温度软测量方法 |
CN106840451A (zh) * | 2017-01-18 | 2017-06-13 | 东南大学 | 一种螺旋线行波管慢波结构工作温度测量方法及装置 |
CN111063594A (zh) * | 2019-12-18 | 2020-04-24 | 中国电子科技集团公司第十二研究所 | 一种行波管混合慢波系统及其设计方法 |
-
2020
- 2020-06-03 CN CN202010494417.3A patent/CN111782459A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915493A (zh) * | 2015-06-04 | 2015-09-16 | 东南大学 | 一种基于有限元模型的行波管内部温度软测量方法 |
CN106840451A (zh) * | 2017-01-18 | 2017-06-13 | 东南大学 | 一种螺旋线行波管慢波结构工作温度测量方法及装置 |
CN111063594A (zh) * | 2019-12-18 | 2020-04-24 | 中国电子科技集团公司第十二研究所 | 一种行波管混合慢波系统及其设计方法 |
Non-Patent Citations (1)
Title |
---|
应潇挺 等: "基于GA-BP神经网络模型预测TWT慢波结构内部温度场的研究", 中国电子学会真空电子学分会第二十一届学术年会论文集, 23 August 2018 (2018-08-23), pages 1 - 4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733275A (zh) * | 2021-01-19 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN112733275B (zh) * | 2021-01-19 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN113281218A (zh) * | 2021-05-25 | 2021-08-20 | 国网河北省电力有限公司检修分公司 | 一种气体密度监测方法、装置、存储介质及电子设备 |
WO2024007445A1 (zh) * | 2022-07-08 | 2024-01-11 | 福建省龙氟新材料有限公司 | 用于氟化锂制备的能源管理控制系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111782459A (zh) | 一种基于管外温度图像与cnn的行波管内部温度预测方法 | |
US11657258B2 (en) | Neural network calculation apparatus and method | |
US11748603B2 (en) | Integrated circuit chip device | |
CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
Lin et al. | An intelligent recognition system for insulator string defects based on dimension correction and optimized faster R-CNN | |
CN112013966B (zh) | 一种基于测量温度的电力设备红外图像处理方法 | |
CN115470857B (zh) | 变电站全景数字孪生系统及其方法 | |
Zhang et al. | Antenna optimization design based on deep Gaussian process model | |
CN115730509A (zh) | 基于机器学习的航天器舱内温度场重建任务研究基准方法 | |
WO2020237689A1 (zh) | 网络结构搜索的方法及装置、计算机存储介质和计算机程序产品 | |
CN111709162A (zh) | 功率半导体模块中热阻分布计算方法、装置及存储介质 | |
CN114444379A (zh) | 基于数据驱动深度学习的温度场重建方法 | |
CN113468762A (zh) | 热点温度计算方法、装置、计算机设备和存储介质 | |
MIAO et al. | A survey of power system prediction based on deep learning | |
CN115421046B (zh) | 动力电池梯度利用筛选方法、装置、设备及存储介质 | |
CN116165547A (zh) | 锂电池的电压计算与修正方法及系统、装置、存储介质 | |
CN114880921A (zh) | 基于有限测点的热源系统温度场实时重建方法 | |
CN113033489B (zh) | 基于轻量级深度学习算法的输电线路绝缘子识别定位方法 | |
Zhang et al. | Temperature stability of the Taiji-1 satellite in operational orbit | |
CN114690117A (zh) | 一种基于改进麻雀算法优化grnn的室内三维定位方法 | |
Jiang et al. | Research on Lightweight Method of Image Deep Learning Model for Power Equipment | |
CN111859802A (zh) | 一种架空导线稳态温度计算方法、系统以及设备 | |
Zhang et al. | Binocular camera calibration based on BP neural network optimized by improved particle swarm optimization | |
CN111832695A (zh) | 运算数据的量化精度调整方法及相关产品 | |
CN117670882B (zh) | 一种瓷绝缘子串无人机红外自动对焦方法及系统 |
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 |