用于发射率变化材料热数据校正的建模：数值方法和机器学习方法

《Journal of Manufacturing and Materials Processing》：Modeling for Thermal Data Correction in Emissivity-Variant Materials: Numerical and Machine Learning Approaches

　　

摘要

红外热成像是一种成熟的非接触式技术，用于各种制造和材料加工应用中的表面温度监测，例如热过程监控、质量检测和高温材料评估；然而，其测量精度会受到多材料环境中发射率变化的影响，这些变化会扭曲表观辐射温度与真实表面温度之间的关系。本研究提出了一个顺序热校正框架，以在正常观察条件（90°入射角）下改进异质材料系统的表面温度估计。该方法分为两个阶段：首先，利用基于回归的模型从红外温度和材料特定的特征预测表观发射率；其次，将估计的发射率纳入温度校正模型中以估计参考表面温度，并通过与K型热电偶测量的结果进行验证。在A36结构钢和氧化铝陶瓷样品上进行了受控实验，这些样品代表了制造环境中常见的多材料组合，实验温度范围约为20°C至700°C。在整个加热过程中同时采集了热成像数据和热电偶数据。使用留一法（leave-one-session-out validation）对多项式回归和机器学习方法进行了评估。该框架的离线平均绝对误差为9.45°C，证明了其在制造应用中具有可靠的热监测能力。