本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
一种基于管外温度图像与CNN的行波管内部温度预测方法
本专利技术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。
技术介绍
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。
技术实现思路
为了克服现有技术的不足，本专利技术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。本专利技术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。本专利技术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：式中：MSE表示均方误差，N为用于验证的数据组数；yi为第i个神经元输出的目标温度值；为第i个神经元输出的预测温度值。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。本专利技术的有益效果如下：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是本专利技术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专利技术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：...
【技术保护点】
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：/n(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；/n(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；/n(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；/n(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。/n
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：赵兴群，应潇挺，孙小菡，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。