CN109598371B - 一种飞行器载电子设备的温度预测方法及系统 - Google Patents
一种飞行器载电子设备的温度预测方法及系统 Download PDFInfo
- Publication number
- CN109598371B CN109598371B CN201811389253.7A CN201811389253A CN109598371B CN 109598371 B CN109598371 B CN 109598371B CN 201811389253 A CN201811389253 A CN 201811389253A CN 109598371 B CN109598371 B CN 109598371B
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- electronic equipment
- prediction
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了一种飞行器载电子设备的温度预测方法及系统。所述方法包括:获取飞行器当前的飞行状态;获取所述飞行状态对应的随机配置网络温度预测模型;获取所述飞行状态对应的当前时刻的温度关联数据;将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差;依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度。本发明采用随机配置网络温度预测模型实现飞行器载电子设备的温度预测,提高了预测的准确性,降低了计算复杂度、提高了泛化能力。
Description
技术领域
本发明涉及电子设备温度预测技术领域,特别是涉及一种飞行器载电子设备的温度预测方法及系统。
背景技术
随着电子技术的迅速发展,电子元器件日趋小型化,而功耗却越来越高,功耗的增加和体积的减小导致电子设备的热流密度急剧增大。这些因素会导致芯片温度增加,因此温度导致的失效已经成为电子设备失效的重要原因,电子器件在工作时产生的大量热量,必须及时被疏散,其在工作期间的热响应问题也必须被重视。而且由于飞机所经历的飞行包线通常会使其周围的空气参数发生剧烈变化,对于机载电子设备来说,其所处的环境压力也会是时刻发生变化的,因此进行飞行器载电子设备的全飞行包线的热响应分析就显得十分重要。
目前,通常采用传统的基于热网络模型的温度预测建模方法实现飞行器载电子设备的温度预测。传统的热模拟方法具有以下缺陷:在复杂的飞行条件下很难获得精确的温度响应,严重限制了网络模型的预测能力;需要深入具体的分析各个设备节点之间的详细换热关系,建模过程复杂;需要限制对待测试电子设备的质量、比热容、热功率等热物性参数,建模条件严格;计算速度和准确性都有待提高,且存在在求解热平衡方程系数时会出现多解性等问题;泛化能力差。
发明内容
基于此,有必要提供一种飞行器载电子设备的温度预测方法及系统,以提高预测的准确性、降低计算复杂度、提高泛化能力。
为实现上述目的,本发明提供了如下方案:
一种飞行器载电子设备的温度预测方法,包括:
获取飞行器当前的飞行状态;所述飞行状态为上升态、巡航态或下降态;
获取所述飞行状态对应的随机配置网络温度预测模型;所述随机配置网络温度预测模型为上升态随机配置网络温度预测模型、巡航态随机配置网络温度预测模型或下降态随机配置网络温度预测模型;
获取所述飞行状态对应的当前时刻的温度关联数据;所述温度关联数据包括温度数据和压力数据;所述温度数据包括所述飞行器载有的待测试电子设备的温度、与所述待测试电子设备关联的电子设备的温度、所述待测试电子设备所处飞行舱内壁的温度、所述飞行舱的空气温度;所述压力数据为所述飞行舱的空气压力;
将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差;
依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度。
可选的,在所述获取所述飞行状态对应的当前时刻的温度关联数据之后,还包括:
对所述温度数据进行低通滤波处理,得到滤波后的温度数据;
对所述滤波后的温度数据进行归一化处理,得到归一化后的温度数据。
可选的,所述上升态随机配置网络温度预测模型的构建方法为:
步骤301:获取飞行器载有的电子设备在上升态对应的历史温度数据;所述历史温度数据包括历史温度关联数据和测试电子设备的历史温差数据;所述历史温度关联数据包括多个时刻的温度数据和多个时刻的压力数据;所述历史温差数据包括测试电子设备多个时刻的温差值,当前时刻对应的温差值为下一时刻的温度与当前时刻的温度的差值;
步骤302:将所述历史温度数据按照预设比例划分,得到训练集和验证集;
步骤303:构建随机配置网络模型;所述随机配置网络模型包括输入层、隐含层和输出层;所述随机配置网络模型为
其中,xd,n表示模型的输入,wd,l T表示第l个隐含节点的输入权重,T表示温度,d表示影响温度的因素的个数,bl表示第l个隐含节点的输入偏差;
步骤304:采用所述训练集对所述随机配置网络模型进行训练,确定所述随机配置网络模型的模型参数值;所述模型参数值包括隐含节点数、残差、输入权重、输入偏差和输出权重;
步骤305:判断模型参数值确定后的随机配置网络模型的隐含节点数是否小于预设最大隐含节点数且所述残差是否大于预设容差值;
步骤306:若是,则增加一个隐含节点,更新随机配置网络模型,确定更新后的随机配置网络模型的模型参数值,并返回所述步骤305;若否,则将模型参数值确定后的随机配置网络模型确定为上升态随机配置网络温度初步预测模型;
步骤307:采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述上升态随机配置网络温度初步预测模型的预测精度;
步骤308:判断所述预测精度是否小于或等于预设预测精度;
步骤309:若是,则将所述上升态随机配置网络温度初步预测模型确定为上升态随机配置网络温度预测模型;若否,则返回所述步骤304。
可选的,所述采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述上升态随机配置网络温度初步预测模型的预测精度,具体包括:
采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证得到第一预测精度;
采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度;所述预测精度包括第一预测精度和第一预测精度。
可选的,所述采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证,得到第一预测精度,具体包括:
选取所述验证集中任意时刻的历史温度关联数据作为当前时刻的历史温度关联数据,将所述当前时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第一预测温差;
依据所述测试电子设备当前时刻的第一预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第一预测温度;
所述利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第一预测温度,计算第一预测精度;
所述采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度,具体包括:
将上一时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备上一时刻的预测温差;
依据所述测试电子设备上一时刻的预测温差计算以及测试电子设备上一时刻的温度计算测试电子设备当前时刻的预测温度;
将所述测试电子设备当前时刻的预测温度作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第二预测温差;
依据所述测试电子设备当前时刻的第二预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第二预测温度;
利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第二预测温度,计算第二预测精度。
本发明还提供了一种飞行器载电子设备的温度预测系统,所述系统包括:
第一获取模块,用于获取飞行器当前的飞行状态;所述飞行状态为上升态、巡航态或下降态;
第二获取模块,用于获取所述飞行状态对应的随机配置网络温度预测模型;所述随机配置网络温度预测模型为上升态随机配置网络温度预测模型、巡航态随机配置网络温度预测模型或下降态随机配置网络温度预测模型;
第三获取模块,用于获取所述飞行状态对应的当前时刻的温度关联数据;所述温度关联数据包括温度数据和压力数据;所述温度数据包括所述飞行器载有的待测试电子设备的温度、与所述待测试电子设备关联的电子设备的温度、所述待测试电子设备所处飞行舱内壁的温度、所述飞行舱的空气温度;所述压力数据为所述飞行舱的空气压力;
预测模块,用于将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差;
计算模块,用于依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度。
可选的,所述系统还包括:
滤波模块,用于对所述温度数据进行低通滤波处理,得到滤波后的温度数据;
归一化模块,用于对所述滤波后的温度数据进行归一化处理,得到归一化后的温度数据。
可选的,所述系统还包括模型构建模块,所述模型构建模块用于构建所述上升态随机配置网络温度预测模型;所述模型构建模块,具体包括:
历史数据获取单元,用于获取飞行器载有的电子设备在上升态对应的历史温度数据;所述历史温度数据包括历史温度关联数据和测试电子设备的历史温差数据;所述历史温度关联数据包括多个时刻的温度数据和多个时刻的压力数据;所述历史温差数据包括测试电子设备多个时刻的温差值,当前时刻对应的温差值为下一时刻的温度与当前时刻的温度的差值;
划分单元,用于将所述历史温度数据按照预设比例划分,得到训练集和验证集;
模型构建单元,用于构建随机配置网络模型;所述随机配置网络模型包括输入层、隐含层和输出层;所述随机配置网络模型为
其中,xd,n表示模型的输入,wd,l T表示第l个隐含节点的输入权重,T表示温度,d表示影响温度的因素的个数,bl表示第l个隐含节点的输入偏差;
训练单元,用于采用所述训练集对所述随机配置网络模型进行训练,确定所述随机配置网络模型的模型参数值;所述模型参数值包括隐含节点数、残差、输入权重、输入偏差和输出权重;
第一判断单元,用于判断模型参数值确定后的随机配置网络模型的隐含节点数是否小于预设最大隐含节点数且所述残差是否大于预设容差值;
更新单元,若模型参数值确定后的随机配置网络模型的隐含节点数小于预设最大隐含节点数且所述残差大于预设容差值,则增加一个隐含节点,更新随机配置网络模型,确定更新后的随机配置网络模型的模型参数值,并返回所述第一判断单元;
模型确定单元,用于若模型参数值确定后的随机配置网络模型的隐含节点数大于或等于预设最大隐含节点数;或者所述残差小于或等于预设容差值,或者模型参数值确定后的随机配置网络模型的隐含节点数大于或等于预设最大隐含节点数且所述残差小于或等于预设容差值,则将模型参数值确定后的随机配置网络模型确定为上升态随机配置网络温度初步预测模型;
验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述的上升态随机配置网络温度初步预测模型的预测精度;
第二判断单元,用于判断所述预测精度是否小于或等于预设预测精度;
若所述预测精度小于或等于预设预测精度,则将所述上升态随机配置网络温度初步预测模型确定为上升态随机配置网络温度预测模型;
若所述预测精度大于预设预测精度,则返回所述训练单元。
可选的,所述验证单元,具体包括:
第一验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证得到第一预测精度;
第二验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度;所述预测精度包括第一预测精度和第一预测精度。
可选的,所述第一验证单元,具体包括:
第一预测子单元,用于选取所述验证集中任意时刻的历史温度关联数据作为当前时刻的历史温度关联数据,将所述当前时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第一预测温差;
第一计算子单元,用于依据所述测试电子设备当前时刻的第一预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第一预测温度;
第二计算子单元,用于利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第一预测温度,计算第一预测精度;
所述第二验证单元,具体包括:
第二预测子单元,用于将上一时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备上一时刻的预测温差;
第三计算子单元,用于依据所述测试电子设备上一时刻的预测温差计算以及测试电子设备上一时刻的温度计算测试电子设备当前时刻的预测温度;
第三预测子单元,用于将所述测试电子设备当前时刻的预测温度作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第二预测温差;
第四计算子单元,用于依据所述测试电子设备当前时刻的第二预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第二预测温度;
第五计算子单元,用于利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第二预测温度,计算第二预测精度。
与现有技术相比,本发明的有益效果是:
本发明提出了一种飞行器载电子设备的温度预测方法及系统,采用随机配置网络(Stochastic Configuration Network,SCN)温度预测模型实现飞行器载电子设备的温度预测。本发明采用的SCN模型结构简单、计算复杂度低、学习性能强、人工干预少,且SCN模型通过逐渐增加隐含层节点数方式,可以在较少的人工干预下解决网络规模的设置问题,因此,采用本发明的方法或系统,能够提高预测的准确性,降低计算的复杂度。本发明在SCN模型验证过程中,通过静态验证和动态验证结合的方式实现验证,不仅提高了模型的泛化能力,且进一步提高了预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种飞行器载电子设备的温度预测方法的流程图;
图2为本发明实施例一种飞行器载电子设备的温度预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
图1为本发明实施例一种飞行器载电子设备的温度预测方法的流程图。
参见图1,实施例的行器载电子设备的温度预测方法,包括:
步骤S1:获取飞行器当前的飞行状态;所述飞行状态为上升态、巡航态或下降态。所述飞行状态是依据环境压力的变化进行划分的。
步骤S2:获取所述飞行状态对应的随机配置网络温度预测模型。
所述随机配置网络温度预测模型为上升态随机配置网络温度预测模型、巡航态随机配置网络温度预测模型或下降态随机配置网络温度预测模型。
所述上升态随机配置网络温度预测模型的构建方法为:
步骤301:获取飞行器载有的电子设备在上升态对应的历史温度数据;所述历史温度数据包括历史温度关联数据和测试电子设备的历史温差数据;所述历史温度关联数据包括多个时刻的温度数据和多个时刻的压力数据;所述历史温差数据包括测试电子设备多个时刻的温差值,当前时刻对应的温差值为下一时刻的温度与当前时刻的温度的差值。
步骤302:将所述历史温度数据按照预设比例划分,得到训练集和验证集。
步骤303:构建随机配置网络模型;所述随机配置网络模型包括输入层、隐含层和输出层;所述随机配置网络模型为
其中,xd,n表示模型的输入,wd,l T表示第l个隐含节点的输入权重,T表示温度,d表示影响温度的因素的个数,bl表示第l个隐含节点的输入偏差。
步骤304:采用所述训练集对所述随机配置网络模型进行训练,确定所述随机配置网络模型的模型参数值。
步骤305:判断模型参数值确定后的随机配置网络模型的隐含节点数是否小于预设最大隐含节点数且所述残差是否大于预设容差值。
步骤306:若是,则增加一个隐含节点,更新随机配置网络模型,确定更新后的随机配置网络模型的模型参数值,并返回所述步骤305;若否,则将模型参数值确定后的随机配置网络模型确定为上升态随机配置网络温度初步预测模型。隐含节点的增加过程如下:
定义Lmax来描述隐藏节点的最大数目,定义Tmax来描述候选节点的池大小,定义选择参量ξL,用来选择池中的候选节点,并且选择参量满足以下不等式
选择满足约束条件的候选节点,如果没有满足上述中约束条件的候选节点,则增加r值,同时更新候选节点池,否则,将候选节点池中ξL的最大值作为隐藏节点的候选节点,同时更新SCN模型。此时,隐含层矩阵再利用SC-Ⅲ算法获得SCN模型的第L个隐含节点的输出权值βL=[β1,...,βl,...,βL]T,它可以用标准的最小二乘法来表示,见下式
步骤307:采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述上升态随机配置网络温度初步预测模型的预测精度。所述步骤307具体包括:
1)静态验证过程:采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证得到第一预测精度。静态验证过程具体为:
选取所述验证集中任意时刻的历史温度关联数据作为当前时刻的历史温度关联数据,将所述当前时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第一预测温差;
依据所述测试电子设备当前时刻的第一预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第一预测温度;
所述利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第一预测温度,计算第一预测精度。
2)动态验证过程:采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度。动态验证过程具体为:
将上一时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备上一时刻的预测温差;
依据所述测试电子设备上一时刻的预测温差计算以及测试电子设备上一时刻的温度计算测试电子设备当前时刻的预测温度;
将所述测试电子设备当前时刻的预测温度作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第二预测温差;
依据所述测试电子设备当前时刻的第二预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第二预测温度;
利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第二预测温度,计算第二预测精度。所述预测精度包括第一预测精度和第二预测精度。
本实施例采用以下方式计算预测精度
其中,Texp,i和Tpre,i分别是测试电子设备的实际温度和模型预测温度,N为预测值的总数量。
本实施例中,所述巡航态随机配置网络温度预测模型的构建方法、所述下降态随机配置网络温度预测模型的构建方法与所述上升态随机配置网络温度预测模型的构建方法原理相同,只是获取的飞行器载有的电子设备历史温度数据类型不同。在构建所述巡航态随机配置网络温度预测模型时,获取飞行器载有的电子设备在巡航态对应的历史温度数据,在构建所述下降态态随机配置网络温度预测模型时,获取飞行器载有的电子设备在下降态态对应的历史温度数据。
步骤308:判断所述预测精度是否小于或等于预设预测精度。即判断所述第一预测精度和所述第二预测精度是否均小于或等于预设预测精度。
步骤309:若是,则将所述上升态随机配置网络温度初步预测模型确定为上升态随机配置网络温度预测模型;若否,则返回所述步骤304。
步骤S3:获取所述飞行状态对应的当前时刻的温度关联数据。
所述温度关联数据包括温度数据和压力数据;所述温度数据包括所述飞行器载有的待测试电子设备的温度、与所述待测试电子设备关联的电子设备的温度、所述待测试电子设备所处飞行舱内壁的温度、所述飞行舱的空气温度;所述压力数据为所述飞行舱的空气压力。
步骤S4:将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差。
步骤S5:依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度。
作为一种可选的实施方式,在所述获取所述飞行状态对应的当前时刻的温度数据之后,还包括:对所述温度数据进行低通滤波处理,得到滤波后的温度数据
其中,x′(n)表示滤波后的温度数据;x(n)表示滤波器输入序列;M为滤波器阶数;k表示滤波器的采样数;h(k)为冲激响应;n表示第n个数据。
对所述滤波后的温度数据进行归一化处理,得到归一化后的温度数据
其中,x′为归一化后的值,xmin和xmax分别为滤波后的温度数据x的最小值与最大值。
下面对本实施例中的输入输出变量进行分析:
其中,Te代表飞行器载有的测试电子设备的温度,Te*代表与所述测试电子设备关联的电子设备的温度(飞行器载有的影响待测电子设备的其他电子设备温度),Tw代表测试电子设备所处飞行舱内壁的温度,Ta代表飞行舱的空气温度,p代表飞行舱的空气压力。
本实施例的飞行器载电子设备的温度预测方法,具有以下优点:
1、将飞行环境压力考虑为影响电子设备温度变化的因素之一,更能够反映实际飞行过程中电子设备的运行状态。另外,由于飞行器在上升、巡航、下降的三个飞行阶段中所处的环境压力变化不同,所以将电子设备温度变量数据流分为三部分,分别对应三种不同的飞行过程,最终建立三种网络模型。本实施例的方法,能够在复杂的飞行条件下获得精确的温度响应,提高了网络模型的预测能力。
2.将随机配置网络SCN应用于飞行器电子设备热响应预测领域,通过逐渐增加隐含层节点数,可以在较少的人工干预下解决网络规模的设置问题,网络结构简单,计算复杂度低。
3.利用SCN网络对电子设备进行热响应模型预测过程中,将静态验证和动态验证方法相结合,利用两种不同的验证原理,在保证网络模型一致性的前提下,进一步提高了模型的泛化能力。
本发明还提供了一种飞行器载电子设备的温度预测系统。图2为本发明实施例一种飞行器载电子设备的温度预测系统的结构示意图,实施例的飞行器载电子设备的温度预测系统包括:
第一获取模块201,用于获取飞行器当前的飞行状态;所述飞行状态为上升态、巡航态或下降态。
第二获取模块202,用于获取所述飞行状态对应的随机配置网络温度预测模型;所述随机配置网络温度预测模型为上升态随机配置网络温度预测模型、巡航态随机配置网络温度预测模型或下降态随机配置网络温度预测模型。
第三获取模块203,用于获取所述飞行状态对应的当前时刻的温度关联数据;所述温度关联数据包括温度数据和压力数据;所述温度数据包括所述飞行器载有的待测试电子设备的温度、与所述待测试电子设备关联的电子设备的温度、所述待测试电子设备所处飞行舱内壁的温度、所述飞行舱的空气温度;所述压力数据为所述飞行舱的空气压力。
预测模块204,用于将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差。
计算模块205,用于依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度。
作为一种可选的实施方式,所述系统还包括:
滤波模块,用于对所述温度数据进行低通滤波处理,得到滤波后的温度数据;归一化模块,用于对所述滤波后的温度数据进行归一化处理,得到归一化后的温度数据。
所述系统还包括模型构建模块,所述模型构建模块用于构建所述上升态随机配置网络温度预测模型;所述模型构建模块,具体包括:
历史数据获取单元,用于获取飞行器载有的电子设备在上升态对应的历史温度数据;所述历史温度数据包括历史温度关联数据和测试电子设备的历史温差数据;所述历史温度关联数据包括多个时刻的温度数据和多个时刻的压力数据;所述历史温差数据包括测试电子设备多个时刻的温差值,当前时刻对应的温差值为下一时刻的温度与当前时刻的温度的差值。
划分单元,用于将所述历史温度数据按照预设比例划分,得到训练集和验证集。
模型构建单元,用于构建随机配置网络模型;所述随机配置网络模型包括输入层、隐含层和输出层;所述随机配置网络模型为
其中,xd,n表示模型的输入,wd,l T表示第l个隐含节点的输入权重,T表示温度,d表示影响温度的因素的个数,bl表示第l个隐含节点的输入偏差。
训练单元,用于采用所述训练集对所述随机配置网络模型进行训练,确定所述随机配置网络模型的模型参数值;所述模型参数值包括隐含节点数、残差、输入权重、输入偏差和输出权重。
第一判断单元,用于判断模型参数值确定后的随机配置网络模型的隐含节点数是否小于预设最大隐含节点数且所述残差是否大于预设容差值。
更新单元,若模型参数值确定后的随机配置网络模型的隐含节点数小于预设最大隐含节点数且所述残差大于预设容差值,则增加一个隐含节点,更新随机配置网络模型,确定更新后的随机配置网络模型的模型参数值,并返回所述第一判断单元。
模型确定单元,用于若模型参数值确定后的随机配置网络模型的隐含节点数大于或等于预设最大隐含节点数;或者所述残差小于或等于预设容差值,或者模型参数值确定后的随机配置网络模型的隐含节点数大于或等于预设最大隐含节点数且所述残差小于或等于预设容差值,则将模型参数值确定后的随机配置网络模型确定为上升态随机配置网络温度初步预测模型。
验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述的上升态随机配置网络温度初步预测模型的预测精度。所述验证单元,具体包括:
第一验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证得到第一预测精度。所述第一验证单元,具体包括:第一预测子单元,用于选取所述验证集中任意时刻的历史温度关联数据作为当前时刻的历史温度关联数据,将所述当前时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第一预测温差;第一计算子单元,用于依据所述测试电子设备当前时刻的第一预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第一预测温度;第二计算子单元,用于利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第一预测温度,计算第一预测精度。
第二验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度;所述预测精度包括第一预测精度和第一预测精度。所述第二验证单元,具体包括:第二预测子单元,用于将上一时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备上一时刻的预测温差;第三计算子单元,用于依据所述测试电子设备上一时刻的预测温差计算以及测试电子设备上一时刻的温度计算测试电子设备当前时刻的预测温度;第三预测子单元,用于将所述测试电子设备当前时刻的预测温度作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第二预测温差;第四计算子单元,用于依据所述测试电子设备当前时刻的第二预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第二预测温度;第五计算子单元,用于利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第二预测温度,计算第二预测精度。
第二判断单元,用于判断所述预测精度是否小于或等于预设预测精度。
若所述预测精度小于或等于预设预测精度,则将所述上升态随机配置网络温度初步预测模型确定为上升态随机配置网络温度预测模型。
若所述预测精度大于预设预测精度,则返回所述训练单元。
本实施例的飞行器载电子设备的温度预测系统,能够在复杂的飞行条件下获得精确的温度响应,提高了网络模型的预测能力;网络结构简单,计算复杂度低;泛华能力强。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种飞行器载电子设备的温度预测方法,其特征在于,包括:
获取飞行器当前的飞行状态;所述飞行状态为上升态、巡航态或下降态;
获取所述飞行状态对应的随机配置网络温度预测模型;所述随机配置网络温度预测模型为上升态随机配置网络温度预测模型、巡航态随机配置网络温度预测模型或下降态随机配置网络温度预测模型;
获取所述飞行状态对应的当前时刻的温度关联数据;所述温度关联数据包括温度数据和压力数据;所述温度数据包括所述飞行器载有的待测试电子设备的温度、与所述待测试电子设备关联的电子设备的温度、所述待测试电子设备所处飞行舱内壁的温度、所述飞行舱的空气温度;所述压力数据为所述飞行舱的空气压力;
将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差;
依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度;
所述上升态随机配置网络温度预测模型的构建方法为:
步骤301:获取飞行器载有的电子设备在上升态对应的历史温度数据;所述历史温度数据包括历史温度关联数据和测试电子设备的历史温差数据;所述历史温度关联数据包括多个时刻的温度数据和多个时刻的压力数据;所述历史温差数据包括测试电子设备多个时刻的温差值,当前时刻对应的温差值为下一时刻的温度与当前时刻的温度的差值;
步骤302:将所述历史温度数据按照预设比例划分,得到训练集和验证集;
步骤303:构建随机配置网络模型;所述随机配置网络模型包括输入层、隐含层和输出层;所述随机配置网络模型为
其中,xd,n表示模型的输入,wd,l T表示第l个隐含节点的输入权重,T表示温度,d表示影响温度的因素的个数,bl表示第l个隐含节点的输入偏差;
步骤304:采用所述训练集对所述随机配置网络模型进行训练,确定所述随机配置网络模型的模型参数值;所述模型参数值包括隐含节点数、残差、输入权重、输入偏差和输出权重;
步骤305:判断模型参数值确定后的随机配置网络模型的隐含节点数是否小于预设最大隐含节点数且所述残差是否大于预设容差值;
步骤306:若是,则增加一个隐含节点,更新随机配置网络模型,确定更新后的随机配置网络模型的模型参数值,并返回所述步骤305;若否,则将模型参数值确定后的随机配置网络模型确定为上升态随机配置网络温度初步预测模型;
步骤307:采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述上升态随机配置网络温度初步预测模型的预测精度;
步骤308:判断所述预测精度是否小于或等于预设预测精度;
步骤309:若是,则将所述上升态随机配置网络温度初步预测模型确定为上升态随机配置网络温度预测模型;若否,则返回所述步骤304。
2.根据权利要求1所述的一种飞行器载电子设备的温度预测方法,其特征在于,在所述获取所述飞行状态对应的当前时刻的温度关联数据之后,还包括:
对所述温度数据进行低通滤波处理,得到滤波后的温度数据;
对所述滤波后的温度数据进行归一化处理,得到归一化后的温度数据。
3.根据权利要求1所述的一种飞行器载电子设备的温度预测方法,其特征在于,所述步骤307,具体包括:
采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证得到第一预测精度;
采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度;所述预测精度包括第一预测精度和第二预测精度。
4.根据权利要求3所述的一种飞行器载电子设备的温度预测方法,其特征在于,
所述采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证,得到第一预测精度,具体包括:
选取所述验证集中任意时刻的历史温度关联数据作为当前时刻的历史温度关联数据,将所述当前时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第一预测温差;
依据所述测试电子设备当前时刻的第一预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第一预测温度;
利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第一预测温度,计算第一预测精度;
所述采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度,具体包括:
将上一时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备上一时刻的预测温差;
依据所述测试电子设备上一时刻的预测温差计算以及测试电子设备上一时刻的温度计算测试电子设备当前时刻的预测温度;
将所述测试电子设备当前时刻的预测温度作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第二预测温差;
依据所述测试电子设备当前时刻的第二预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第二预测温度;
利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第二预测温度,计算第二预测精度。
5.一种飞行器载电子设备的温度预测系统,其特征在于,包括:
第一获取模块,用于获取飞行器当前的飞行状态;所述飞行状态为上升态、巡航态或下降态;
第二获取模块,用于获取所述飞行状态对应的随机配置网络温度预测模型;所述随机配置网络温度预测模型为上升态随机配置网络温度预测模型、巡航态随机配置网络温度预测模型或下降态随机配置网络温度预测模型;
第三获取模块,用于获取所述飞行状态对应的当前时刻的温度关联数据;所述温度关联数据包括温度数据和压力数据;所述温度数据包括所述飞行器载有的待测试电子设备的温度、与所述待测试电子设备关联的电子设备的温度、所述待测试电子设备所处飞行舱内壁的温度、所述飞行舱的空气温度;所述压力数据为所述飞行舱的空气压力;
预测模块,用于将所述当前时刻的温度数据作为所述随机配置网络温度预测模型的输入,预测得到所述待测试电子设备当前时刻与下一时刻的温差;
计算模块,用于依据所述温差和当前时刻待测试电子设备的温度,计算下一时刻待测试电子设备的温度;
所述系统还包括模型构建模块,所述模型构建模块用于构建所述上升态随机配置网络温度预测模型;所述模型构建模块,具体包括:
历史数据获取单元,用于获取飞行器载有的电子设备在上升态对应的历史温度数据;所述历史温度数据包括历史温度关联数据和测试电子设备的历史温差数据;所述历史温度关联数据包括多个时刻的温度数据和多个时刻的压力数据;所述历史温差数据包括测试电子设备多个时刻的温差值,当前时刻对应的温差值为下一时刻的温度与当前时刻的温度的差值;
划分单元,用于将所述历史温度数据按照预设比例划分,得到训练集和验证集;
模型构建单元,用于构建随机配置网络模型;所述随机配置网络模型包括输入层、隐含层和输出层;所述随机配置网络模型为
其中,xd,n表示模型的输入,wd,l T表示第l个隐含节点的输入权重,T表示温度,d表示影响温度的因素的个数,bl表示第l个隐含节点的输入偏差;
训练单元,用于采用所述训练集对所述随机配置网络模型进行训练,确定所述随机配置网络模型的模型参数值;所述模型参数值包括隐含节点数、残差、输入权重、输入偏差和输出权重;
第一判断单元,用于判断模型参数值确定后的随机配置网络模型的隐含节点数是否小于预设最大隐含节点数且所述残差是否大于预设容差值;
更新单元,若模型参数值确定后的随机配置网络模型的隐含节点数小于预设最大隐含节点数且所述残差大于预设容差值,则增加一个隐含节点,更新随机配置网络模型,确定更新后的随机配置网络模型的模型参数值,并返回所述第一判断单元;
模型确定单元,用于若模型参数值确定后的随机配置网络模型的隐含节点数大于或等于预设最大隐含节点数;或者所述残差小于或等于预设容差值,或者模型参数值确定后的随机配置网络模型的隐含节点数大于或等于预设最大隐含节点数且所述残差小于或等于预设容差值,则将模型参数值确定后的随机配置网络模型确定为上升态随机配置网络温度初步预测模型;
验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行验证,确定所述的上升态随机配置网络温度初步预测模型的预测精度;
第二判断单元,用于判断所述预测精度是否小于或等于预设预测精度;
若所述预测精度小于或等于预设预测精度,则将所述上升态随机配置网络温度初步预测模型确定为上升态随机配置网络温度预测模型;
若所述预测精度大于预设预测精度,则返回所述训练单元。
6.根据权利要求5所述的一种飞行器载电子设备的温度预测系统,其特征在于,所述系统还包括:
滤波模块,用于对所述温度数据进行低通滤波处理,得到滤波后的温度数据;
归一化模块,用于对所述滤波后的温度数据进行归一化处理,得到归一化后的温度数据。
7.根据权利要求5所述的一种飞行器载电子设备的温度预测系统,其特征在于,所述验证单元,具体包括:
第一验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行静态验证得到第一预测精度;
第二验证单元,用于采用所述验证集对所述上升态随机配置网络温度初步预测模型进行动态验证,得到第二预测精度;所述预测精度包括第一预测精度和第二预测精度。
8.根据权利要求7所述的一种飞行器载电子设备的温度预测系统,其特征在于,
所述第一验证单元,具体包括:
第一预测子单元,用于选取所述验证集中任意时刻的历史温度关联数据作为当前时刻的历史温度关联数据,将所述当前时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第一预测温差;
第一计算子单元,用于依据所述测试电子设备当前时刻的第一预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第一预测温度;
第二计算子单元,用于利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第一预测温度,计算第一预测精度;
所述第二验证单元,具体包括:
第二预测子单元,用于将上一时刻的历史温度关联数据作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备上一时刻的预测温差;
第三计算子单元,用于依据所述测试电子设备上一时刻的预测温差计算以及测试电子设备上一时刻的温度计算测试电子设备当前时刻的预测温度;
第三预测子单元,用于将所述测试电子设备当前时刻的预测温度作为所述上升态随机配置网络温度初步预测模型的输入,得到测试电子设备当前时刻的第二预测温差;
第四计算子单元,用于依据所述测试电子设备当前时刻的第二预测温差以及测试电子设备当前时刻的温度计算测试电子设备下一时刻的第二预测温度;
第五计算子单元,用于利用电子设备下一时刻的历史温度以及所述测试电子设备下一时刻的第二预测温度,计算第二预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811389253.7A CN109598371B (zh) | 2018-11-21 | 2018-11-21 | 一种飞行器载电子设备的温度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811389253.7A CN109598371B (zh) | 2018-11-21 | 2018-11-21 | 一种飞行器载电子设备的温度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598371A CN109598371A (zh) | 2019-04-09 |
CN109598371B true CN109598371B (zh) | 2021-02-02 |
Family
ID=65958691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811389253.7A Expired - Fee Related CN109598371B (zh) | 2018-11-21 | 2018-11-21 | 一种飞行器载电子设备的温度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598371B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111044162B (zh) * | 2019-12-16 | 2021-11-12 | 新沂慧科智能科技有限公司 | 一种温度自适应输出装置及设备 |
CN112416034A (zh) * | 2020-11-17 | 2021-02-26 | 长春捷翼汽车零部件有限公司 | 一种装置的温度控制系统及温度控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN107203662A (zh) * | 2017-05-11 | 2017-09-26 | 北方工业大学 | 一种电子设备舱室的温度预测模型建立方法及装置 |
CN108133085A (zh) * | 2017-12-08 | 2018-06-08 | 北方工业大学 | 一种电子设备舱内设备温度预测方法及系统 |
CN108363844A (zh) * | 2018-01-26 | 2018-08-03 | 大连理工大学 | 一种航空发动机启动过程排气温度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI570587B (zh) * | 2015-12-07 | 2017-02-11 | 財團法人工業技術研究院 | 半導體機台零件剩餘壽命預測系統與方法 |
-
2018
- 2018-11-21 CN CN201811389253.7A patent/CN109598371B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN107203662A (zh) * | 2017-05-11 | 2017-09-26 | 北方工业大学 | 一种电子设备舱室的温度预测模型建立方法及装置 |
CN108133085A (zh) * | 2017-12-08 | 2018-06-08 | 北方工业大学 | 一种电子设备舱内设备温度预测方法及系统 |
CN108363844A (zh) * | 2018-01-26 | 2018-08-03 | 大连理工大学 | 一种航空发动机启动过程排气温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109598371A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20050143962A1 (en) | Computational design methods | |
CN111259551A (zh) | 一种基于置信规则库的惯组故障预测方法 | |
CN109598371B (zh) | 一种飞行器载电子设备的温度预测方法及系统 | |
CN115688288B (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN108133085B (zh) | 一种电子设备舱内设备温度预测方法及系统 | |
CN107085633B (zh) | 基于支持向量机的多点振动响应频域预测的装置及方法 | |
CN109284541A (zh) | 一种用于微波无源器件的神经网络多物理建模方法 | |
CN115495965A (zh) | 复杂航空结构在混合不确定性下时变可靠性的分析方法 | |
CN114818549B (zh) | 一种物体的流体力学参数计算方法、系统、设备以及介质 | |
CN111339642A (zh) | 仿真模型率定方法、系统、可读介质、设备 | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN117592198A (zh) | 超声速流场仿真方法、系统、电子设备及可读存储介质 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN112149323B (zh) | 一种卫星噪声预示的方法及装置 | |
CN115345064A (zh) | 一种融入物理约束的集成深度神经网络气动力建模方法 | |
CN106709167A (zh) | 一种基于相似度理论的装配有效性评估方法 | |
CN112214843A (zh) | 一种用于风洞试验机翼模型有限元刚度修正方法及装置 | |
CN111695230B (zh) | 一种用于微波无源器件的神经网络空间映射多物理建模方法 | |
CN115059533B (zh) | 发动机原始碳烟排放确定方法、装置、设备及介质 | |
CN116956738A (zh) | 一种基于自适应代理模型的机械结构可靠度计算方法 | |
CN115495854B (zh) | 计算机辅助工程模型的参数标定方法、装置、设备及介质 | |
US20030125914A1 (en) | System simulation using dynamic step size and iterative model | |
CN115408919B (zh) | 一种基于神经网络的重装空投跌落冲击预测方法及其系统 | |
CN113485273B (zh) | 一种动态系统时延计算方法及系统 | |
CN105871875A (zh) | 一种大规模网络服务系统行为异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210202 Termination date: 20211121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |