[发明专利]一种微热管结构及工艺参数的预测方法

说明书

本发明公开了一种微热管结构及工艺参数的预测方法，方法包括根据当前微热管吸液芯结构，确定需要预测的因变量参数和需要作为输入的自变量参数，通过微热管实验获取微热管参数数据集，对数据集中数据进行数据预处理和特征筛选后，将所确定的自变量参数作为输入参数，采用多层感知机模型进行训练，形成参数预测模型。并采用贝叶斯优化算法对预测模型进行超参数优化，提高模型预测性能。根据该参数预测模型，改变输入参数，获得相应的微热管结构及工艺参数。解决了传统设计中依赖专家设计经验、多次重复实验、不易快速得到微热管结构及工艺参数的问题，实现了编织网和平面丝网复合吸液芯微热管结构及工艺参数的快速主动设计。

技术领域

本发明属于微热管设计与数据分析处理技术领域，具体涉及一种微热管结构及工艺参数的预测方法。

背景技术

编织网吸液芯厚度较薄，微热管制造难度较低，并且平面丝网的引入可以有效降低编织网吸液芯微热管蒸发段热阻，因此编织网和平面丝网复合吸液芯结构广泛应用于压扁厚度在1.0mm-2.0mm的压扁型微热管。但其微热管参数复杂，性能受结构及工艺参数影响。微热管结构参数有微热管壁厚、微热管直径、微热管折弯、编织网根数、编织网层数、平面丝网长度、平面丝网宽度等。微热管工艺可分为管坯制造、除气工艺、热处理工艺、成型工艺、测试五个部分。其中微热管工艺参数包含有芯棒尺寸、烧结温度、真空度、工质封存量等。当前编织网和平面丝网复合微热管结构及工艺参数由设计者根据微热管需求设计实验，通过多次实验验证进行选择，整个设计过程依赖于设计者经验知识。但由于参数众多，使得微热管设计过程难以综合多参数考量，造成微热管性能无法满足需求，且随着微热管使用场景多样化，微热管需求越来越复杂。在微热管传统生产制造过程中，工程人员也需要通过多次实验以确定编织网和平面丝网复合微热管结构及工艺参数，这样不仅成本高且效率低。

近年来，机器学习与工业生产过程结合日益密切，进一步提高了工业生产自动化、智能化水平。机器学习的广泛应用为编织网和平面丝网复合吸液芯微热管结构及工艺参数设计过程提供了新的思路。因此，本发明要解决的技术问题在于克服编织网和平面丝网复合吸液芯微热管传统设计过程中严重依赖专家经验，需要多次实验耗时耗费资源的缺陷，采用基于机器学习模型的预测代替编织网和平面丝网复合吸液芯微热管传统设计过程中依赖专家经验设计实验的环节，从而提出一种编织网和平面丝网复合吸液芯微热管结构及工艺参数预测方法实现快速主动设计。

发明内容

本发明所为了解决背景技术中存在的技术问题，目的在于提供了一种微热管结构及工艺参数的预测方法。

为了解决技术问题，本发明的技术方案是：

一种微热管结构及工艺参数的预测方法，所述微热管吸液芯基于编织网和平面丝网复合吸液芯结构，所述方法包括：

S1：获取编织网和平面丝网复合吸液芯结构微热管，确定需预测的因变量参数和作为输入的自变量参数；

S2：获取上述参数后，设计编织网和平面丝网复合吸液芯结构微热管实验，形成微热管参数数据集；

S3：对S2中所获得的微热管参数数据集进行数据预处理和特征筛选，得到预处理后的数据集，所述特征筛选为剔除微热管参数数据中对参数预测过程冗余的数据特征；

S4：将预处理后的数据集中经过特征筛选后的自变量参数作为模型输入，将S1中所述因变量参数作为模型输出，采用机器学习算法进行训练，得到训练好的参数预测模型。

进一步，所述机器学习算法为：多层感知机算法，形成参数预测模型的步骤包括：

将S3中预处理后的数据集，按照不同的比例划分训练集和测试集，采用k折交叉验证法分配每次模型训练过程中的训练集和测试集；

将经过特征筛选后的自变量参数作为模型输入，将S1中所划分的因变量作为模型输出，训练多层感知机模型，所述模型训练过程采用均方差函数作为优化目标，具体如下式所示：