CN112685927A - 一种真空烧结炉炉内工件温度软测量方法 - Google Patents
一种真空烧结炉炉内工件温度软测量方法 Download PDFInfo
- Publication number
- CN112685927A CN112685927A CN202011487654.3A CN202011487654A CN112685927A CN 112685927 A CN112685927 A CN 112685927A CN 202011487654 A CN202011487654 A CN 202011487654A CN 112685927 A CN112685927 A CN 112685927A
- Authority
- CN
- China
- Prior art keywords
- temperature
- workpiece
- sintering furnace
- vacuum sintering
- soft measurement
- 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
- 238000005245 sintering Methods 0.000 title claims abstract description 68
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000010438 heat treatment Methods 0.000 claims description 62
- 238000012546 transfer Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 229910002804 graphite Inorganic materials 0.000 description 3
- 239000010439 graphite Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
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。
Description
技术领域
本发明涉及真空烧结炉温度测量技术领域，更具体地，涉及一种真空烧结炉炉内工件温度软测量方法。
背景技术
伴随着社会科学技术水平的进步，在真空烧结炉烧成材料的现代工业生产过程中，对温度、压力、氛围参数等进行监控与控制对烧结产品的质量至关重要。中国专利公开号CN208171051U，公开日期：2018年2月28日，该专利公开了一种真空烧结炉的测温系统，包括红外线测温仪和石墨套管，所述石墨套管设置于真空烧结炉的外壁上，所述的真空烧结炉中设有烧结室，所述炉体外壳的内壁上设有碳毡保温层；所述石墨套管包括内通管和外套筒，所述内通管穿过炉体外壳、碳毡保温层与烧结室内腔接通，所述外套筒固定于炉体外壳上，外套筒供所述红外线测温仪插入以检测烧结室内温度，该专利并不能测得炉内烧结工件的温温度。真空烧结炉内部温度非常高，传统硬件传感器一般只能获取炉内的温度，难以对炉内烧结的工件直接测量获得温度数据，因此只能通过一些实验数据分析和生产过程的经验分析得到一个比较经验性的结果，无法直接为生产过程提供理论性指导。而由于真空烧结炉的温度等参数变化具有很大的非线性和强滞后性，此时仅仅通过数据分析与经验分析并不能得到十分准确的结果，不能为企业生产过程提供指导与技术支持。
发明内容
本发明的目的在于克服现有对真空烧结炉内烧结工件温度进行测量的模型和方法并不准确的缺点，提供一种真空烧结炉炉内工件温度软测量方法。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。
为解决上述技术问题，本发明采用的技术方案是：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。
进一步的，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，得出真空烧结炉的温度T1，再计算辐射传热计得出工件机理温度Tf。
进一步的，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。
进一步的，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。
进一步的，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。
进一步的，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。
进一步的，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，并设置计算精度值和学习次数；
S32.在输入层进行输入计算，得出隐含层输出；
S33.在输出层根据隐含层输出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；
S36.迭代计算步骤S32-S35直到误差满足精度值要求或是用完学习次数。
进一步的，所述步骤S5中，所述温度软测量模型如下式所示：
Th＝Tf+Es
Th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。
进一步的，所述BP神经网络的结构为非线性函数。
与现有技术相比，本发明的有益效果是：
本发明采用混合建模的方法，以传热过程的机理模型为基础，采用BP神经网络对机理模型的误差进行补偿，相比于单一的机理或数据驱动建模在精度上有明显优势，能让建立的软测量模型与实际工况更加接近；以传热过程为基础建立的机理模型，有效避免由于单纯数据驱动建模因缺少机理过程分析，在数据多样性不足时无法充分激励产生较大误差的问题；本发明对误差进行拟合时，只需要普通工况的数据作为BP神经网络的训练样本，不需要为了数据多样性而调整设备采集多种工况下的数据。
附图说明
图1为本发明的流程图。
图2为本发明中BP神经网络的结构示意图。
图3为发明中发热体的结构示意图。
图4为本发明中发热体的简化结构示意图。
图5为本发明中发热体与工件的位置关系示意图。
图6为本发明中发热体与工件的几何关系示意图。
图7为实施例2中的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例1
如图1至图6所示为本发明一种真空烧结炉炉内工件温度软测量方法的实施例。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。
步骤S2中的机理模型是对真空烧结炉瞬时功率计算热电转换，得出真空烧结炉的发热体温度T1，再计算辐射传热计得出工件机理温度Tf。
热点转换的计算如下文所示：
功率到发热体T1的温度表达式为：
其中，η为发热体的电热转换效率；C为发热体比热容为710j/kg-k；M为炉内发热体质量；ts为时间；P为真空烧结炉的瞬时功率。
真空烧结炉的辐射传热计算如下文所示：
由传热学可知，工件与发热体之间的辐射传热主要是由温度变化决定的，炉内总的辐射传热量可由式2进行计算：
其中σ为黑体辐射常数，其值为5.67×10-8W/m2×k4；Q1,2为工件和发热体总的热量；ε是发射率；A1,2指工件1的表面暴露在2的表面积；
指相对表面之间的角系数；T1、T2分别指发热体与工件的温度。
步骤S2中机理模型的建立需要求出式2中的发射率ε和角系数
系统发射率的计算过程：
对真空烧结炉的内部传热过程分析，根据传热学公式计算真空烧结炉内部的辐射力计算公式如式(3)所示：
其中C0为黑体辐射系数；△T为传热物体两表面之间温度差。
根据封闭腔内的辐射传热过程公式，可得辐射换热总量的表达式为：
在上式中定义真空烧结炉内部辐射传热过程的系统发射率为：
则式2可以写为：
式中，A1、A2对应工件与发热体之间的有效换热表面积；
表示两物体之间的相对角系数；ε1、ε2分别对应工件与发热体的发射率；εs定义为系统发射率；Q1,2代表的是烧结炉系统中发热体与工件之间的辐射换热总量。
角系数的计算过程：
本实施例中真空烧结炉的烧结材料为固体块状，在进行烧结之前将块状材料盛放在坩埚底部，周围用粉末填充起到固定烧结材料的作用,因此在计算时真空烧结炉内的工件近似为圆盘结构。发热体的宽度与高度固定，且环绕在工件周围，因此在做角系数计算时采用长方体表面微元法的思想，将其近似为24根竖直长方体进行计算，由图3和图4可知，烧结炉的发热体成对称分布，因此可将24跟长方体分为4个相同的区域，每个区域内有6根长方体的发热体，每个区域产生相同的辐射传热量，工件位于中心位置周围环绕发热体。因为发热体横向有效面积的大小只与不同位置处发热体与工件之间的相对距离有关，所以结合发热体在真空烧结炉内部的分布规律，将每个区域分解为六个部分去进行辐射传热计算。
根据真空烧结炉内部发热体分布的对称性，以及工件与发热体之间的分布，可分为六个相对位置计算，定义无量纲量：
其中，h为发热体至顶端至工件中心所处水平面的长度，如图5所示；r0为工件圆盘的半径；r为微元面dA2所在圆环的半径；si为工件中心至发热体的距离，即图5中的L。各参数之间的关系如图5所示。
根据角系数的计算公式，结合烧结炉内工件与发热体的位置关系，可推导出角系数的计算公式：
其中
表示发热体A1上的微元面对工件微元A2的角系数，为计算中间变量，由式10积分消除。
根据发热体在真空烧结炉内部分布位置不同，i对应图4中6根不同位置的发热体，6个位置每一个对应一个不同的s，式8可化为式9，计算不同位置的角系数：
对式(9)进行积分，得到角系数的计算公式：
由图5可知不同发热体与工件之间辐射过程中有效角度变化不一样，在进行角度计算时则分解为如图6所示，其中A、B为发热体的上下端，O代表位于炉子中心的工件的位置，OF为水平工件到发热体的距离。因为发热体分布位置不一样，所以L的长度也随之变化，OA为发热体最高点到工件的连线距离，随着发热体分布位置的变化，OA之间的距离也是随之变化的。
经过求解计算和化简，式(10)的积分结果如下所示:
根据辐射传热过程的角系数之间的互换性可知：
把式(12)代入式(11)可得工件相对于发热体之间的角系数表达式如下所示：
至此，完成了系统发射率和角系数的求解式的推导计算，根据式3和式4，发热体与工件之间的辐射换热量计算公式如下所示：
在式(14)中定义温度四次方差值为式(15)：
将式(11)和式(13)带入式(14)，经过计算可得出不同位置之间的辐射传热量表达式如下所示：
根据真空烧结炉内部发热体与工件之间的相对位置关系，设图4中每个区域的六根发热体到工件之间的辐射换热量为Qi，则发热体到工件之间的辐射换热总量如式17所示：
Q1,2＝4(Q1+Q2+Q3+Q4+Q5+Q6) (17)
为了计算简便，根据式16和式17定义：
根据公式(17)可知真空烧结炉升温过程中的辐射换热总量，根据热力学，温度、质量和热量之间存在如下关系式：
Q＝CmΔt (19)
其中Q为温度变化过程中的总热量；C为工件的比热容；m为工件质量；△t为温度变化，根据此热量与温度的转化规律可以得出工件温度表达式：
其中：
Δt＝T1-Tf (21)
根据式20和式21可得：
Q1,2＝C2m(T1-Tf) (22)
将式22代入式17化简得式23：
在电热转换模型中已求得功率与发热体之间的关系，发热体的温度随功率变化的表达式如式1所示，将式23带入式1可得到工件的机理温度计算公式：
其中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。
在式24中只有工件的机理温度Tf为未知数，其余都可根据参数计算得出，求解一元三次方程即可求出工件机理温度Tf。
本实施例中，BP神经网络如图2所示，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。图2中X1,X2,...Xn是输入值，Y1,Y2,…Ym是预测输出值，ωij,ωjk,为权值。BP神经网络的结构相当于是非线性函数，输入层的初始值和输出层的预测值可以看作它的自变量和因变量。
本实施例中步骤S4中，运用BP神经网络对问题进行计算前，应先对其进行学习训练，使其具有学习记忆和预测的能力。过程由下述步骤组成：
第一步：网络初始化。在每个区间间隔内为每个连接权重分配一个随机数，设置误差函数，并给出计算精度值和最大学习次数。
第二步：输出层输入计算。在已知输入X，输入层与隐含层关联的权值ωij，还有隐含层阀值a的情况下，就能得到隐含层的输出H。
其中，l为隐含层节点的数量；f为隐含层激励函数。
第三步：输出层计算。由上一步可知隐含层输出H，已知隐含层和输出层关联的权值ωjk，还有输出层的阀值b，就能计算得到预测输出值O。
第四步：误差计算。已知预测和期望输出值O与Y，就能得到预测误差e。
ek＝Yk-Ok k＝1,2Λ,m (27)
第五步：权值更新。已知网络预测误差e，就能够对权值ωij和ωjk进行更新。
ωik＝ωik+ηHjek k＝1,2Λ,m；j＝1,2Λ,l (29)
式中，η为学习速度。
第六步：阀值更新。已知预测误差e，对a,b重新计算。
bk＝bk+ek k＝1,2,Λ,m (31)
第七步：对网络误差进行判断看是否满足要求。当误差满足要求或者学习次数用完，则结束算法；否则返回第二步继续进行计算。
本实施例的步骤S6中，温度软测量模型能够将机理模型计算得出的温度数据和BP神经网络计算出的误差补偿值结合，得出工件最终准确的温度数据，且温度软测量模型能够实时输出工件的温度，得到工件在真空烧结炉中的温度变化，让工作人员能够对工件的加温过程进行掌控。
实施例2
如图7所示为本发明一种真空烧结炉炉内工件温度软测量方法的实施例。一种真空烧结炉炉内工件温度软测量方法的流程步骤如图7所示，设备的输入功率P和设备传感器输出的温度T(炉内某一点的温度，不是工件的温度)，通过有限元Fluent软件对真空烧结炉的内部温度场数值模拟仿真后获取工件实际温度数据，同时通过机理模芯得到工件机理温度，将工件机理温度和工件实际温度进行比较得出温度误差，将温度误差输入BP神经网络进行误差补偿的拟合计算，得到温度误差补偿值Es，再将工件机理温度与误差补偿值Es输入温度软测量模型中进行下式的计算得到工件最终准确的温度数据：
Th＝Tf+Es (32)
其中，Th为混合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为神经网络输出的温度误差补偿值。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
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；
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+Es
Th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，其特征在于：所述BP神经网络的结构为非线性函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487654.3A CN112685927A (zh) | 2020-12-16 | 2020-12-16 | 一种真空烧结炉炉内工件温度软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487654.3A CN112685927A (zh) | 2020-12-16 | 2020-12-16 | 一种真空烧结炉炉内工件温度软测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112685927A true CN112685927A (zh) | 2021-04-20 |
Family
ID=75448374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011487654.3A Pending CN112685927A (zh) | 2020-12-16 | 2020-12-16 | 一种真空烧结炉炉内工件温度软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112685927A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627064A (zh) * | 2021-09-03 | 2021-11-09 | 广东工业大学 | 基于机理和数据混合驱动的辊道窑烧成带温度预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096755A (zh) * | 2019-04-08 | 2019-08-06 | 沈阳工业大学 | 固体蓄热炉内高温加热元件在线温度软测量方法及系统 |
| CN110501009A (zh) * | 2019-08-07 | 2019-11-26 | 北京航空航天大学 | 一种用于微机电惯性测量单元温度误差补偿的方法 |
| CN110795894A (zh) * | 2019-11-25 | 2020-02-14 | 上海金脉电子科技有限公司 | 基于bp神经网络计算igbt模块温度的方法 |
-
2020
- 2020-12-16 CN CN202011487654.3A patent/CN112685927A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096755A (zh) * | 2019-04-08 | 2019-08-06 | 沈阳工业大学 | 固体蓄热炉内高温加热元件在线温度软测量方法及系统 |
| CN110501009A (zh) * | 2019-08-07 | 2019-11-26 | 北京航空航天大学 | 一种用于微机电惯性测量单元温度误差补偿的方法 |
| CN110795894A (zh) * | 2019-11-25 | 2020-02-14 | 上海金脉电子科技有限公司 | 基于bp神经网络计算igbt模块温度的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭刘涛: "基于机理和数据驱动混合建模的真空烧结炉温度软测量研究", 《万方数据》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627064A (zh) * | 2021-09-03 | 2021-11-09 | 广东工业大学 | 基于机理和数据混合驱动的辊道窑烧成带温度预测方法 |
| CN113627064B (zh) * | 2021-09-03 | 2023-11-21 | 广东工业大学 | 基于机理和数据混合驱动的辊道窑烧成带温度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103614498B (zh) | 一种高炉炉壁三维温度场重建方法及计算机监控系统 | |
| KR100244582B1 (ko) | 선체 외판의 곡면가공방법 및 장치 | |
| CN106709197A (zh) | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 | |
| CN113821984A (zh) | 一种基于时域卷积模型的加热炉钢坯温度计算方法 | |
| CN101319256A (zh) | 高炉冷却壁智能监测方法 | |
| CN112685927A (zh) | 一种真空烧结炉炉内工件温度软测量方法 | |
| CN111898299B (zh) | 一种基于有限元模型数值仿真的pcr基座制造参数优化方法 | |
| CN110096755B (zh) | 固体蓄热炉内高温加热元件在线温度软测量方法及系统 | |
| CN107391789A (zh) | 基于自由液面温度测量值和特征函数插值的硅熔体温度场重构方法 | |
| CN102521439A (zh) | 结合有限元法和反传热法计算淬火介质换热系数的方法 | |
| Shen et al. | Soft sensor modeling of blast furnace wall temperature based on temporal–spatial dimensional finite-element extrapolation | |
| Strommer et al. | Nonlinear observer for temperatures and emissivities in a strip annealing furnace | |
| CN113495486A (zh) | 一种结构热试验基于扩展状态观测器的模型预测控制方法 | |
| CN113111549B (zh) | 高炉炉缸浇注修复后的侵蚀模型建模方法及建模系统 | |
| CN113139314B (zh) | 一种用于激光增材制造工艺的热源数值模拟方法 | |
| CN105302952A (zh) | 一种预测弹簧钢铸坯脱碳的有限元方法 | |
| JP5580966B2 (ja) | Ｐｉｄ制御装置 | |
| Sarma et al. | Thermal performance of thin film heat gauges of gold, silver and nano-composite | |
| Cleal et al. | Modeling thermal transients of bulk particle lifting systems with CFD simulations | |
| KR100698740B1 (ko) | 벽체온도 모델링 방법 | |
| Skopec et al. | Reheating furnace modeling and temperature estimation based on model order reduction | |
| CN105463142A (zh) | 一种高炉炉缸内铁水温度测量的方法 | |
| Minkina | Theoretical and experimental identification of the temperature sensor unit step response non-linearity during air temperature measurement | |
| CN113627064B (zh) | 基于机理和数据混合驱动的辊道窑烧成带温度预测方法 | |
| CN103993114B (zh) | 一种大型高炉热风炉控制方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |
|
| RJ01 | Rejection of invention patent application after publication |