基于神经网络的动态PVTt容器内平均温度预测方法和装置

本技术涉及pvtt气体流量计量，特别涉及一种基于神经网络的动态pvtt标准容器内平均温度预测方法和装置。

背景技术：

1、近年来，随着生物医学、环境监测、航空航天等领域对微小气体流量计量需求的增加，关于传统气体流量标准装置在微小流量范围的应用成为热门话题。pvtt法气体流量检测装置具有高精度、高稳定性和高重复性等优点，广泛应用于多种气体介质和流量大小的测量和校准工作，其主要用途是用于检定临界流文丘里喷嘴以及其他高精度的流量计。

2、pvtt法气体流量检测装置中的标准容器是核心部件之一，根据公式可知动态pvtt通过测量充气过程标准容器内的气体压力和温度的变化速率来确定质量流量。然而标准容器内温度存在测量难度大和测量不准确等问题，因此长期以来标准容器内平均温度都是影响动态pvtt流量计量的一个重要因素，如何准确测量动态pvtt标准容器内平均温度成为一项重要课题。

技术实现思路

1、本技术提出了一种基于神经网络的动态pvtt标准容器内平均温度预测方法和装置，通过预埋可控可视的加热源为标准容器提供稳定的腔内平均温度，以及通过在外壁面均匀分布温度传感器以能全面测量标准容器各个部分的壁外温度，从而通过训练一种多层神经网络模型，使壁外温度通过某种函数关系输出腔内平均温度的预测结果，最终将算法模型应用到实际pvtt标准装置中，通过壁外温度精确预测腔内平均温度，从而解决pvtt标准容器内平均温度测量问题。

2、根据本技术的第一方面，提供一种基于神经网络的动态pvtt标准容器内平均温度预测方法，包括：

3、获取pvtt标准容器内平均温度的理论值，pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据；

4、构建用于预测pvtt标准容器内平均温度的神经网络模型；

5、利用所述pvtt标准容器内平均温度的理论值，pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据训练所述神经网络模型，以得到pvtt标准容器内平均温度预测模型；

6、利用所述pvtt标准容器内平均温度预测模型基于pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据预测pvtt标准容器内的平均温度。

7、在本技术一些实施例中，获取pvtt标准容器内平均温度的理论值，包括：

8、控制pvtt标准容器内预设的加热源进行加热；

9、根据下述公式确定所述pvtt标准容器内平均温度的理论值，

10、

11、其中，ρ是pvtt标准容器材料的密度，c是pvtt标准容器材料的比热容，k是pvtt标准容器材料的导热系数，t是温度，t是时间，q是单位体积内的热源强度，∈是表面的发射率，σ是斯蒂芬-玻尔兹曼常数，tenv是环境的绝对温度，h是对流换热系数。

12、在本技术一些实施例中，利用所述pvtt标准容器内平均温度的理论值，pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据训练所述神经网络模型，以得到pvtt标准容器内平均温度预测模型，包括：

13、将pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据输入所述神经网络模型进行处理以得到pvtt标准容器内平均温度的预测值；

14、比较所述pvtt标准容器内平均温度的预测值与理论值的差值是与设定阈值的大小；

15、在所述pvtt标准容器内平均温度的预测值与理论值的差值大于设定阈值时，计算损失函数相对于每个权重和偏置的梯度，并使用梯度下降算法更新权重和偏置；

16、在所述pvtt标准容器内平均温度的预测值与理论值的差值小于等于设定阈值时，输出pvtt标准容器内平均温度预测模型。

17、在本技术一些实施例中，所述神经网络模型为前馈神经网络模型，所述前馈神经网络模型包括输入层、多层隐藏层和输出层，

18、所述输入层对所述训练数据进行预处理，

19、所述隐藏层的激活函数为relu(x)＝max(0,x)；

20、所述输出层的输出结果可以表示为以下公式：

21、

22、其中，z是输出层的加权求和结果，n是输入特征的数量，本技术中n代表温度传感器个数，xi是输入特征，即第i个壁外温度，wi是对应输入特征的权重，b是偏置项，

23、其中，wi为第i个温度传感器的权重，ai为第i个温度传感器采样点面积，n为温度传感器的总数。

24、在本技术一些实施例中，所述损失函数为均方误差损失函数。

25、根据本技术的第二方面，提供一种基于神经网络的动态pvtt标准容器内平均温度预测装置，包括：

26、pvtt标准容器，所述pvtt标准容器的内部形成腔体，并且预设有加热源，所述pvtt标准容器的外壁阵列布设有多个温度传感器；

27、数据采集卡，所述数据采集卡与所述pvtt标准容器外壁的多个所述温度传感器连接，用于获取所述温度传感器的温度值；

28、上位机，所述上位机用于控制所述加热源对所述pvtt标准容器的内部进行加热，并确定所述pvtt标准容器内平均温度的理论值；

29、获取所述数据采集卡采集的所述pvtt标准容器外壁的多个所述温度传感器的温度值；

30、构建用于预测pvtt标准容器内平均温度的神经网络模型；

31、利用所述pvtt标准容器内平均温度的理论值，pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据训练所述神经网络模型，以得到pvtt标准容器内平均温度预测模型；以及

32、利用所述pvtt标准容器内平均温度预测模型基于pvtt标准容器外壁布设的多个温度传感器的温度值以及相关环境数据预测pvtt标准容器内的平均温度。

33、在本技术一些实施例中，所述加热源包括电阻加热、电池驱动加热、微波加热或弯管换热。

34、在本技术一些实施例中，在所述pvtt标准容器外壁的每个表面以二维矩阵的方式均匀分布方式、以长方体边界均匀点分布方式，以每个面中心点分布或以规则网格分布方式布设所述温度传感器。

35、在本技术一些实施例中，所述上位机根据下述公式确定所述pvtt标准容器内平均温度的理论值，

36、

37、其中，ρ是pvtt标准容器材料的密度，c是pvtt标准容器材料的比热容，k是pvtt标准容器材料的导热系数，t是温度，t是时间，q是单位体积内的热源强度，∈是表面的发射率，σ是斯蒂芬-玻尔兹曼常数，tenv是环境的绝对温度，h是对流换热系数。

38、在本技术一些实施例中，所述神经网络模型为前馈神经网络模型，所述前馈神经网络模型包括输入层、多层隐藏层和输出层，

39、所述输入层对所述训练数据进行预处理，

40、所述隐藏层的激活函数为relu(x)＝max(0,x)；

41、所述输出层的输出结果可以表示为以下公式：

42、

43、其中，z是输出层的加权求和结果，n是输入特征的数量，本技术中n代表温度传感器个数，xi是输入特征，即第i个壁外温度，wi是对应输入特征的权重，b是偏置项，

44、其中，wi为第i个温度传感器的权重，ai为第i个温度传感器采样点面积，n为温度传感器的总数。

45、根据本技术的第三方面，提供一种计算设备，所述计算设备包括：一个或多个处理器、存储器；

46、所述存储器用于存储程序代码；

47、所述一个或多个处理器用于运行所述程序代码，使得计算设备执行如第二方面所述的基于神经网络的动态pvtt标准容器内平均温度预测方法。

48、根据本技术的第四方面，提供一种计算机可读存储介质，其上存储有指令，当所述指令在电子设备上运行时，使得电子设备执行如第一方面所述的基于神经网络的动态pvtt标准容器内平均温度预测方法。

49、与现有技术相比，本技术实施例的有益效果是：

50、由于pvtt标准装置对标准容器的密闭性有较高要求，通常加工会采用一体成型技术以确保低泄漏率，因此不易安装腔内温度传感器而采用壁外温度传感器，采用本发明多层神经网络算法能根据壁外温度准确预测腔内平均温度。

51、本技术实施例通过内部预埋可控加热源以及阵列式分布壁外温度传感器的标准容器作为多层神经网络训练装置，由已知热源温度以及传热学模型计算的腔内平均温度理论值作为算法修正标准，使算法最终得到的预测值能准确反演上述理论值，实现在实际应用中能准确预测腔内平均温度。

52、本技术实施例基于多层神经网络强大的拟合能力，由此明确壁外温度和腔内平均温度的具体函数关系，布设在实验中提供可靠准确的腔内平均温度从而提高了pvtt标准装置计算质量流量的精确度。