【高频磁场环境下热电偶测温模型的构建案例分析2600字】

高频磁场环境下热电偶测温模型的构建案例分析目录TOC\o"1-3"\h\u6332高频磁场环境下热电偶测温模型的构建案例分析 1116061.1热传导与数学建模 1191781.2实验过程及测量结果 2246301.2.1测取绕组自然散热数据 355431.2.2测取受涡流损耗影响的绕组自然散热数据 358951.2.3曲线对比 4268151.3使用神经网络拟合曲线 53131.4高频磁场环境下热电偶测温模型的建立 81.1热传导与数学建模若热电偶没有涡流损耗，测得的绕组温度应等于实际绕组温度。但是热电偶会产生涡流损耗，因此便可得出测得的绕组温度即热电偶温度，应高于实际绕组温度这一结论。由于热电偶的导热系数相比于以聚氨基甲酯材料包裹的漆包线的导热系数大得多，且热电偶本身的比热容也小，说明热电偶的散热速度比用漆包线做成的绕组的散热速度快得多[13]。由此可推断：在经过足够时间进行散热后，绕组和热电偶的温度随时间下降的曲线趋势总会趋于一致，最终等于环境温度。那么，是否可以通过热电偶的散热曲线函数去求得绕组散热曲线函数，再把经过足够时间降温的绕组温度代入绕组散热函数去求得一开始的绕组温度呢？已知涡流损耗需要交变磁场，因此我们将电感的磁芯拆开，并通以直流电，此时获得的曲线为绕组实际的散热曲线，再对电感通以交流电获得一条受涡流损耗影响的热电偶的散热曲线。将两者进行对比，可以得知：到达某一时间点时，绕组因涡流损耗产生的热量将散热完毕，并且在这之后，热电偶的散热曲线不再被涡流损耗所影响，绕组和热电偶的自然散热曲线也将保持一致，热电偶所测得温度也将会是准确的。将此时间点之后的温度代入到绕组的自然散热曲线上，即可求得一开始的绕组温度，也就是准确的、运行中的绕组温度。1.2实验过程及测量结果本实验装置由两个E型的磁芯所组成，绕上线圈从而组成一个如下图的电感：图4-1实验用电感实物（磁芯已拆）根据第三章可知，在中心处的热电偶涡流损耗最大，因此将粗细热电偶各一个的测量端（热端）都放置于绕组外层中心处，用绝缘胶带进行包裹和固定，保证两个热电偶所测得位置几乎一致。热电偶参考端（冷端）则连至Agilent34970A数据记录仪进行数据观察及记录。为了保证热电偶散热曲线和绕组散热曲线的差别只是因为热电偶自身的原因，必须保证两者降温起始点的与环境温差相等，从而排除温差这一因素所导致的散热速度的变化。实验配置如下：图4-2实验配置1.2.1测取绕组自然散热数据将电感的磁芯拆去，保留剩余装置，使用QJ-3003SⅢ直流稳压电源对其通上直流电，通过与Agilent34970A数据记录仪配套的软件AgilentBenchLinkDataLogger3观察数据，当观察到所示温度与环境温度相差10℃左右时，停止通电，并记录其温度减少至室温的过程。图4-31.2.2测取受涡流损耗影响的绕组自然散热数据将33522A函数信号发生器连至功率放大器再连接到电感上对其通上频率500Khz，大小为5.2A的交流电，通过与Agilent34970A数据记录仪配套的软件AgilentBenchLinkDataLogger3观察数据，当观察到所示温度与环境温度相差10℃左右时，停止通电，并记录其温度减少至室温的过程。图4-41.2.3曲线对比分别观察两幅曲线图，不难得出粗热电偶因为其涡流损耗更大，其温升比细热电偶的温升更大这一结论，这与高频磁场下热电偶测温误差分析的结论保持一致。将两个曲线图进行对比，可以明显看出当存在涡流损耗影响时，热电偶散热速度比绕组实际散热速度要快得多。即使两组中热电偶和绕组与环境温差相差几乎一致，但由于热电偶本身的缘故，其温度变化速度是快于绕组温度变化速度的。随着时间的推移，热电偶温度变化曲线逐渐平缓，向着绕组温度变化曲线的趋势逐渐靠拢，可以初步推断经过足够时间进行散热后，绕组和热电偶的温度随时间下降的曲线趋势趋于一致，但此时并不能进行定量分析。1.3使用神经网络拟合曲线为了得到何时热电偶的散热曲线会与绕组的散热曲线相一致，必须拟合出相应的曲线，获得温度随时间变化的函数，才能求得此时间点。本次拟合采用BP神经网络。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，BP即误差反向传播算法。热电偶和绕组的散热曲线很明显是非线性的，而作为多层前馈神经网络之一的bp模型神经网络同样拥有着任意复杂的多维模型映射分类分析能力和优秀的多维函数模型映射分析能力，非常适合用于拟合非线性函数，并且它不需要提前确定映射输入输出之间关系的数学方程，而是通过自己多次的训练，去学习适用于问题的规则，从而通过输入来给出最接近期望输出值的结果。使用jupyterbook对实验数据进行拟合。设置两层隐藏层，每层500个神经元：图4-5隐藏层的层数、神经元的个数与拟合出的成效、拟合的速度息息相关。理论上层数与神经元就像人脑一样，越复杂越好，越多越好。但实际上，隐藏层层数与神经元的数量应该与数据相匹配，过少可能会导致局部最优解，过多也是会引入更大的时间成本与开销[14]。第一层激活函数为sigmoid函数，sigmoid函数是一个S型函数，其形状与所测得的散热曲线相似，且sigmoid函数初始值为非0值，因此适合作为起始与环境温差不为0的散热曲线的激活函数。图4-6图4-6sigmoid函数图第二层激活函数为elu函数，elu函数具有鲁棒性，且对于拐点少的函数适用性强，本实验所测得的散热曲线较为平滑，因此选择elu函数作为激活函数[15]。图4-7elu函数图设置初始学习率为10e-4。一般来说，初始学习率的取值范围在10e-7到10e-3之间，并且使用指数来衰减学习率。经过数次训练与测试，此套配置可以在保证准确率的情况下较为快速地拟合出结果。拟合出的曲线如下：电感通入交流电情况下细热电偶受涡流损耗影响的散热曲线为：图4-8电感拆开磁芯通入直流电的情况下细热电偶的散热曲线为：图4-9电感通入交流电的情况下粗热电偶受涡流损耗影响的散热曲线为：图4-10电感拆开磁芯通入直流电情况下粗热电偶的散热曲线为：图4-111.4高频磁场环境下热电偶测温模型的建立将拟合出的细热电偶的两条散热曲线进行对比，能看出经过375秒左右的时间散热后受涡流损耗影响的细热电偶散热曲线与绕组自然散热曲线一致，图4-12曲线对比图且此处对应绕组自然散热曲线的横坐标即散热时间为625s左右。图4-13曲线对比图由于神经网络只能拟合出映射，无法拟合出具体函数，因此只能在jupyternotebook中通过如下语句获得某一时间点所对应的温升：图4-14经过多次测试与观察，652秒后的受涡流损耗影响的细热电偶的与环境温差，和358秒后自然散热的绕组的与环境温差基本一致；580秒后的受涡流损耗影响的粗热电偶的与环境温差，和358秒后自然散热的绕组的与环境温差基本一致。