回流焊设备的温度控制方法、系统和存储介质与流程

本发明涉及回流焊的，尤其是涉及一种回流焊设备的温度控制方法、系统和存储介质。

背景技术：

1、目前，随着科学技术的发展，需要到越来越多的精密器械来实现不同的功能效果，大多电器元件的焊接使用到了回流焊接的技术。

2、现有的，在传统的回流焊设备温度控制方法通常基于经验或简单的pid控制，将焊膏涂覆在电路板上，并根据提前设定好的加热温度将电子元器件通过焊接固定在电路板上，但由于设备精度或环境等问题的存在，在焊接过程中难以实现精确、稳定的温度控制，导致焊接效果较差。

3、上述中的现有技术方案存在以下缺陷：焊接过程中对温度控制的精确度较低，因此存在改善空间。

技术实现思路

1、为了提高焊接过程中对温度的控制精度从而提高器件的焊接效果，本技术提供一种回流焊设备的温度控制方法、系统和存储介质。

2、本技术的上述发明目的一是通过以下技术方案得以实现的：

3、获取实时设备温度数据和环境数据，根据所述设备温度数据和环境数据生成设备温度调节数据；

4、根据所述设备温度调节数据，生成对应的设备功率数据，并根据所述设备功率数据生成设备功率调节指令；

5、在所述功率调节指令执行结束时，生成功率调节结束消息，根据所述功率调节结束消息检测所述实时设备温度数据，并在所述实时设备温度数据存在异常时生成温度异常消息；

6、根据所述温度异常消息将异常数据发送到用户显示终端。

7、通过采用上述技术方案，由于回流焊设备不可避免的存在硬件精度和设备老化等问题，并会受环境因素的影响，导致在焊接过程中会存在较大的温度波动情况，难以实现对回流焊设备的温度进行精准的控制，使得对物料的焊接效果较差，因此，本技术在获取到实时设备温度数据和环境数据时，能够根据设备温度数据和环境数据生成设备温度调节数据，从而得到设备需要的精确温度，以将设备调整至该温度下，提高对物料的焊接效果；通过根据设备温度调节数据，生成对应的设备功率数据，并根据设备功率数据生成设备功率调节指令，能够计算出不同温度所需要的设备功率，在该功率下能将设备的温度精准的控制在设备所需温度下，从而提高设备温度的稳定性，进一步提高设备对物料的焊接效果；通过在功率调节指令执行结束时，生成功率调节结束消息，根据功率调节结束消息检测实时设备温度数据，并在实时设备温度数据存在异常时生成温度异常消息，能够检测功率调节后设备的实时温度，在设备的温度达不到预期效果时，生成异常消息，提醒用户及时查看设备的异常情况，从而提高了对异常的处理效率；通过根据温度异常消息将异常数据发送到用户显示终端，能够将异常信息对应的异常数据发送给用户，从而不需要用户再对设备的信息等进行查看，进一步提高了对异常处理的效率。

8、本技术在一较佳示例中可以进一步配置为：所述获取实时设备温度数据和环境温度数据，根据所述设备温度数据和环境温度数据生成设备温度调节数据，具体包括：

9、获取历史设备温度数据及其对应的环境数据并采用系统设定的模糊神经网络生成温度计算模型；

10、将所述实时设备温度数据和环境数据输入到所述温度计算模型中，得到温度调节数据。

11、通过采用上述技术方案，通过获取历史设备温度数据及其对应的环境数据并采用系统设定的模糊神经网络生成温度计算模型，能够在将实时设备温度数据和环境数据输入到温度计算模型中时，得到温度调节数据，从而不断预测未来一段时间内设备在工作时的温度变化情况，以提前对设备的温度进行相应的调节，提高了对设备温度的控制，同时提高了设备对物料进行回流焊接的效果。

12、本技术在一较佳示例中可以进一步配置为：所述获取历史设备温度数据及其对应的环境数据并采用系统设定的模糊神经网络生成温度计算模型，具体包括：

13、将所述历史设备温度数据及其对应的环境数据封装为模型训练数据集，根据预设的设备温度范围数据对所述模型训练数据集进行筛选，得到标准训练集；

14、根据所述标准训练集对所述系统设定的模糊神经网络进行迭代训练，生成温度计算模型。

15、通过采用上述技术方案，通过将历史设备温度数据及其对应的环境数据封装为模型训练数据集，能够得到模型训练时使用的数据，并根据预设的设备温度范围数据对模型训练数据集进行筛选，得到标准训练集，从而对数据集进行筛选，将一些较高和较低的极端温度数据进行筛除，从而减少数据的维度，提高模型的解释性和泛化能力；通过根据标准训练集对系统设定的模糊神经网络进行迭代训练，能够通过模糊推理来确定设备的温度变化，同时根据神经网络可以通过学习历史温度数据和相应的环境数据，得到对未来温度的预测情况，从而生成温度计算模型，提高了对设备温度的掌控情况。

16、本技术在一较佳示例中可以进一步配置为：所述根据所述设备温度调节数据，生成对应的设备功率数据，并根据所述设备功率数据生成设备功率调节指令，具体包括：

17、构建功率温度曲线，将所述温度调节数据输入到所述功率温度曲线中，得到对应的所述设备功率数据；

18、将所述设备功率数据作为调整数据生成设备功率调节指令。

19、通过采用上述技术方案，通过构建功率温度曲线，将温度调节数据输入到功率温度曲线中，能够得到对应的设备功率数据，并将设备功率数据作为调整数据生成设备功率调节指令，从而根据设备所需的温度计算出该温度所需的设备功率值，以在该功率下达到对设备温度的精准控制，从而进一步提高了对设备温度的控制精确度。

20、本技术在一较佳示例中可以进一步配置为：所述构建功率温度曲线，具体包括：

21、获取不同所述设备功率数据和在所述设备功率下对应的设备温度数据；

22、根据线性回归算法对不同的所述设备功率数据和设备温度数据进行拟合，生成功率温度曲线。

23、通过采用上述技术方案，通过获取不同设备功率数据和在设备功率下对应的设备温度数据，能够得到构建曲线的数据源，并根据线性回归算法对不同的设备功率数据和设备温度数据进行拟合，不断拟合并提高两者之间的线性关系，生成功率温度曲线，从而得到精确的温度和功率之间的关系，提高了对设备温度控制的精确度。

24、本技术在一较佳示例中可以进一步配置为：所述根据所述功率调节结束消息检测所述实时设备温度数据，并在所述实时设备温度数据存在异常时生成温度异常消息，具体包括：

25、根据所述功率调节结束消息获取预设时间周期内的实时设备温度数据，并将所述实时设备温度数据与所述温度调节数据进行比对；

26、当预设时间周期内所述实时设备温度数据未达到所述温度调节数据时，生成温度异常消息。

27、通过采用上述技术方案，通过根据功率调节结束消息获取预设时间周期内的实时设备温度数据，并将实时设备温度数据与温度调节数据进行比对，能够在预设时间周期内实时设备温度数据未达到温度调节数据时，生成温度异常消息，从而提高了对设备温度的监测力度，并在出现异常时对用户及时进行提醒，提高了对异常的处理效率。

28、本技术的上述发明目的二是通过以下技术方案得以实现的：

29、一种回流焊设备的温度控制系统，所述回流焊设备的温度控制系统包括：

30、设备温度计算模块，用于获取实时设备温度数据和环境数据，根据所述设备温度数据和环境数据生成设备温度调节数据；

31、设备功率计算模块，用于根据所述设备温度调节数据，生成对应的设备功率数据，并根据所述设备功率数据生成设备功率调节指令；

32、温度异常检测模块，用于在所述功率调节指令执行结束时，生成功率调节结束消息，根据所述功率调节结束消息检测所述实时设备温度数据，并在所述实时设备温度数据存在异常时生成温度异常消息；

33、温度异常发送模块，用于根据所述温度异常消息将异常数据发送到用户显示终端。

34、通过采用上述技术方案，由于回流焊设备不可避免的存在硬件精度和设备老化等问题，并会受环境因素的影响，导致在焊接过程中会存在较大的温度波动情况，难以实现对回流焊设备的温度进行精准的控制，使得对物料的焊接效果较差，因此，本技术在获取到实时设备温度数据和环境数据时，能够根据设备温度数据和环境数据生成设备温度调节数据，从而得到设备需要的精确温度，以将设备调整至该温度下，提高对物料的焊接效果；通过根据设备温度调节数据，生成对应的设备功率数据，并根据设备功率数据生成设备功率调节指令，能够计算出不同温度所需要的设备功率，在该功率下能将设备的温度精准的控制在设备所需温度下，从而提高设备温度的稳定性，进一步提高设备对物料的焊接效果；通过在功率调节指令执行结束时，生成功率调节结束消息，根据功率调节结束消息检测实时设备温度数据，并在实时设备温度数据存在异常时生成温度异常消息，能够检测功率调节后设备的实时温度，在设备的温度达不到预期效果时，生成异常消息，提醒用户及时查看设备的异常情况，从而提高了对异常的处理效率；通过根据温度异常消息将异常数据发送到用户显示终端，能够将异常信息对应的异常数据发送给用户，从而不需要用户再对设备的信息等进行查看，进一步提高了对异常处理的效率。

35、本技术的上述目的三是通过以下技术方案得以实现的：

36、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述回流焊设备的温度控制方法的步骤。

37、本技术的上述目的四是通过以下技术方案得以实现的：

38、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述回流焊设备的温度控制方法的步骤。

39、综上所述，本技术包括以下至少一种有益技术效果：

40、1、通过获取历史设备温度数据及其对应的环境数据并采用系统设定的模糊神经网络生成温度计算模型，能够在将实时设备温度数据和环境数据输入到温度计算模型中时，得到温度调节数据，从而不断预测未来一段时间内设备在工作时的温度变化情况，以提前对设备的温度进行相应的调节，提高了对设备温度的控制，同时提高了设备对物料进行回流焊接的效果；

41、2、通过将历史设备温度数据及其对应的环境数据封装为模型训练数据集，能够得到模型训练时使用的数据，并根据预设的设备温度范围数据对模型训练数据集进行筛选，得到标准训练集，从而对数据集进行筛选，将一些较高和较低的极端温度数据进行筛除，从而减少数据的维度，提高模型的解释性和泛化能力；通过根据标准训练集对系统设定的模糊神经网络进行迭代训练，能够通过模糊推理来确定设备的温度变化，同时根据神经网络可以通过学习历史温度数据和相应的环境数据，得到对未来温度的预测情况，从而生成温度计算模型，提高了对设备温度的掌控情况；

42、3、通过构建功率温度曲线，将温度调节数据输入到功率温度曲线中，能够得到对应的设备功率数据，并将设备功率数据作为调整数据生成设备功率调节指令，从而根据设备所需的温度计算出该温度所需的设备功率值，以在该功率下达到对设备温度的精准控制，从而进一步提高了对设备温度的控制精确度。