CN111783331A - 基于迁移学习的卫星组件温度场确定方法 - Google Patents
基于迁移学习的卫星组件温度场确定方法 Download PDFInfo
- Publication number
- CN111783331A CN111783331A CN202010501006.2A CN202010501006A CN111783331A CN 111783331 A CN111783331 A CN 111783331A CN 202010501006 A CN202010501006 A CN 202010501006A CN 111783331 A CN111783331 A CN 111783331A
- Authority
- CN
- China
- Prior art keywords
- temperature field
- electronic component
- circuit board
- component layout
- field distribution
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于迁移学习的卫星组件温度场确定方法,该方法包括:建立电子组件布局的简化结构模型;获取在第一网格尺度和第一边界条件下的多个电子组件布局方案并计算对应的温度场分布,将方案及温度场分布处理为标准化数据;构建深度学习模型,利用标准化数据确定深度学习模型的模型参数;获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算对应的温度场分布,将方案及温度场分布处理为标准化数据;利用标准化数据更新深度学习模型的模型参数;将待计算温度场分布的电子组件布局方案输入深度学习模型,获取温度场分布。本发明的方法能够实现不同网格尺度和不同边界条件下的电子组件布局对应的温度场分布的快速获取。
Description
技术领域
本发明涉及卫星布局设计技术领域,具体涉及一种基于迁移学习的卫星组件温度场确定方法。
背景技术
从日常生活中的手机、电视、汽车,到国防工业中的卫星、坦克、无人机等,电子设备非常常见,电子设备在工作过程中,电子设备的电路板的温度场分布对电子设备中的各个电子组件和整个电子设备的性能和寿命都有着极大影响。由于卫星在太空中进行作业,当卫星上的电子设备出现问题时无法及时进行维修更换,为了保证卫星能够长时间高效运行以执行任务,要求卫星上安装的电子设备具有更好的使用性能和更长的使用寿命;为此,需要对卫星上安装的电子设备的电路板上的各个电子组件进行合理布局以控制电路板的温度场分布,从而降低整个电路板及各个电子组件的热负荷,提高电子设备的使用性能和使用寿命。
为了使电路板的温度场分布符合设计要求,降低整个电路板及各个电子组件的热负荷,需要对电子组件的布局进行多次试验以确定符合设计要求的电路板的温度场分布所对应的电子组件的布局方式。由于电路板上的电子组件的分布不同,对应的电路板的温度场分布也不同;因此,在进行电子组件布局试验时,当调整一次电子组件的布局时,需要计算当前布局下的电路板的温度场分布,以确定当前布局方式对应的电路板的温度场分布是否符合设计要求。现有技术通过运用数学模拟方法计算确定不同电子组件的布局所对应的温度场分布,数学模拟方法主要包括解析法和数值法,数值法主要为有限差分法、有限体积法和有限元法。然而,利用现有的数学模拟方法计算确定电子组件的布局所对应的电路板的温度场分布时,需要进行大量矩阵计算,并且电子组件布局改变一次,均需要重新进行一次温度场分布的计算,导致试验效率低和试验周期长。
发明内容
为解决上述现有技术中存在的技术问题,本发明提供一种基于迁移学习的卫星组件温度场确定方法。
为此,本发明公开了一种基于迁移学习的卫星组件温度场确定方法,所述方法包括:
1)对卫星电子设备的电路板及其上的电子组件进行近似描述,建立电子组件布局的简化结构模型;
2)基于简化结构模型设定第一网格尺度和第一边界条件,获取在第一网格尺度和第一边界条件下的卫星电子设备的电路板上的多个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
3)构建深度学习模型,将标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行模型训练,确定深度学习模型的模型参数;
4)根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
5)将步骤4)获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对步骤3)确定的深度学习模型进行模型训练,更新深度学习模型的模型参数;
6)将待计算电路板温度场分布的电子组件布局方案输入已更新的深度学习模型,获取电子组件布局方案对应的电路板温度场分布。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,对卫星电子设备的电路板及其上的电子组件进行近似描述,建立电子组件布局的简化结构模型,包括:设定电路板为方形,设定可发热的电子组件均分布在电路板的方形区域内,且可发热的电子组件在工作状态下会持续发热。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,步骤1)和步骤3)中,利用有限差分法或有限元法计算确定每个电子组件布局方案对应的电路板温度场分布。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,第一设定网格尺度为200x200方形网格,第一设定边界条件为单孔散热。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,深度学习模型采用主体结构为特征金字塔网络的神经网络模型。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据,包括:
根据电子组件布局的优化设计需求设定多个不同网格尺度,分别获取在一个网格尺度和第一边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
根据电子组件布局的优化设计需求设定多个不同边界条件,分别获取在第一网格尺度和一个边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,将步骤4)获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对步骤3)确定的深度学习模型进行模型训练,更新深度学习模型的模型参数,包括:
先将不同网格尺度和第一边界条件下的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行不同网格尺度迁移学习,以对深度学习模型的模型参数进行调整更新;再将第一网格尺度和不同边界条件下的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行不同边界条件迁移学习,以对深度学习模型的模型参数继续进行调整更新。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,标准化数据中,80%的数据划分为训练集,20%的数据划分为测试集。
进一步地,在上述基于迁移学习的卫星组件温度场确定方法中,采用L1范数损失函数对深度学习模型进行模型训练,L1范数损失函数表述为:
其中,y为电子组件布局方案对应的真实温度场分布值,为电子组件布局方案输入深度学习模型后输出的预测温度场分布值,为真实温度场分布值与预测温度场分布值的最小绝对值误差,N和M为方形网格的尺度参数,yi,j为NxM方形网格中处于第i行第j列网格位置上的真实温度值,为NxM方形网格中处于第i行第j列网格位置上的预测温度值。
本发明技术方案的主要优点如下:
本发明的基于迁移学习的卫星组件温度场确定方法通过采用特征金字塔网络结构的神经网络模型,学习在一个设定网格尺度和一个设定边界条件下的电子组件布局到温度场分布的映像,而后根据电子组件布局的优化设计需求对神经网络模型进行迁移学习,获得不同网格尺度和不同边界条件下的神经网格模型,实现不同网格尺度和不同边界条件下的电子组件布局对应的电路板温度场分布的快速获取,既能显著减少进行电子组件布局优化设计时的计算工作量,又能避免当待计算确定电路板温度场分布的电子组件布局方案对应的网格尺度或边界条件改变时需要重新生成大量训练数据并重新进行模型训练的问题,优化设计效率高,能够以较少工作量获得高质量的电子组件布局方案。
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,下面将对实施例或现有技术描述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为本发明一实施例的基于迁移学习的卫星组件温度场确定方法的流程图;
图2为本发明一实施例的一个电子组件布局的简化结构模型;
图3为本发明一实施例的深度学习模型的结构示意图;
图4为本发明一实施例的深度学习模型进行不同网格尺度迁移学习时的流程图;
图5为本发明一实施例的深度学习模型进行不同边界条件迁移学习时的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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。
以下结合附图,详细说明本发明实施例提供的技术方案。
对于卫星的电子设备的电路板上的组件布局优化问题,传统方法主要利用数值法计算确定不同组件布局下的温度场分布,以进行组件布局寻优。其中,数值法求解的思想是将待求解的物理模型进行区域划分,生成大量的连续网格,再采用这些网格与网格之间的节点来代替网格区域进行物理问题计算,建立物理方程并求解计算,实现将连续的物理计算问题离散化计算,通常这些网格划分得到越细密,离散的数值计算也就越接近连续物理问题的计算,但是网格越细计算量就越大,严重影响优化效率。
为解决目前在进行卫星的电子设备的电路板上的组件布局优化设计时,存在的电路板温度场分布计算工作量大,优化效率低下的问题。如附图1所示,本发明一实施例提供了一种基于迁移学习的卫星组件温度场确定方法,该方法包括如下内容:
1)对卫星电子设备的电路板及其上的电子组件进行近似描述,建立电子组件布局的简化结构模型;
2)基于简化结构模型设定第一网格尺度和第一边界条件,获取在第一网格尺度和第一边界条件下的卫星电子设备的电路板上的多个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
3)构建深度学习模型,将标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行模型训练,确定深度学习模型的模型参数;
4)根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
5)将步骤4)获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对步骤3)确定的深度学习模型进行模型训练,更新深度学习模型的模型参数;
6)将待计算电路板温度场分布的电子组件布局方案输入已更新的深度学习模型,获取电子组件布局方案对应的电路板温度场分布。
以下对本发明一实施例提供的基于迁移学习的卫星组件温度场确定方法的各个步骤及原理进行具体说明。
本发明一实施例中,基于现有的卫星电子设备的电路板及其上的电子组件的结构特点,如附图2所示,步骤1)中对卫星电子设备的电路板及其上的电子组件进行近似描述,建立电子组件布局的简化结构模型,可以采用如下方式进行:
设定电路板为方形,设定可发热的电子组件均分布在电路板的方形区域内,且可发热的电子组件在工作状态下会持续发热。
本发明一实施例中,第一网格尺度和第一边界条件可以根据实际情况进行设定,只要保证第一网格尺度和第一边界条件下的卫星电子设备的电路板上的多个电子组件布局方案及对应的电路板温度场分布能够快速计算获取或者能够通过现有数据直接获取即可。并且,由于电子组件布局方案对应的网格尺度越细,计算电子组件布局方案对应的电路板温度场分布时的计算量越大,第一网格尺度的粒度最好小于待计算电路板温度场分布的电子组件布局方案对应的目标网格尺度,如此能够有效减少计算工作量,提高优化效率,节约人力物力。
例如:待计算电路板温度场分布的电子组件布局方案对应的目标网格尺度为800x800网格尺度,第一网格尺度则可以设定为200x200网格尺度,即将电路板对应的方形区域划分为200x200方形网格;待计算电路板温度场分布的电子组件布局方案对应的目标界条件为四周散热,第一边界条件则可以设定为单孔散热,即电路板的方形区域的四条边除一个长度为δ的小孔可散热外其他区域边界绝热,且小孔区域温度为T0。
在完成第一网格尺度和第一边界条件的设定后,获取在第一网格尺度和第一边界条件下的卫星电子设备的电路板上的多个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
具体地,本发明一实施例中,可以利用有限差分法或有限元法等数值法计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及其对应的电路板温度场分布数据处理为200x200网格的标准化数据,以分别作为深度学习模型的输入和标签。
进一步地,构建深度学习模型,将上述获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行模型训练,确定深度学习模型的模型参数。
具体地,如附图3所示,深度学习模型采用主体结构为特征金字塔网络(FPN)的神经网络模型,特征金字塔分成三个部分,自底向上的路径、自顶向下的路径和横向连接,输出部分将不同尺度特征图融合结果进行相加,神经网络模型的输入为200x200网格尺度下的电子组件布局方案,每个网格的值表示该网格位置是否存在可发热的电子组件,神经网络模型的输出为200x200网格尺度下的电子组件布局方案对应的温度场分布。
其中,本发明一实施例中,可以取标准化数据中80%的数据作为训练集,标准化数据中20%的数据作为测试集,以对深度学习模型进行模型训练。
进一步地,本发明一实施例中,可以采用L1范数损失函数对深度学习模型进行模型训练,L1范数损失函数表述为:
其中,y为电子组件布局方案对应的真实温度场分布值,为电子组件布局方案输入深度学习模型后输出的预测温度场分布值,为真实温度场分布值与预测温度场分布值的最小绝对值误差,N和M为方形网格的尺度参数,yi,j为NxM方形网格中处于第i行第j列网格位置上的真实温度值,为NxM方形网格中处于第i行第j列网格位置上的预测温度值。
由于,前述的深度学习模型仅利用第一网格尺度和第一边界条件下的卫星电子设备的电路板上的多个电子组件布局方案及其对应的电路板温度场分布的数据进行训练,此时的深度学习模型仅能用于计算第一网格尺度和第一边界条件下的卫星电子设备的电路板上的电子组件布局方案对应的电路板温度场分布;为了使深度学习模型能够用于计算确定不同网格尺度和不同边界条件下的卫星电子设备的电路板上的电子组件布局方案所对应的电路板温度场分布,以满足电子组件布局的优化设计需求;本发明一实施例中,根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
具体地,本发明一实施例中,根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据,包括:
根据电子组件布局的优化设计需求设定多个不同网格尺度,分别获取在一个网格尺度和第一边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
根据电子组件布局的优化设计需求设定多个不同边界条件,分别获取在第一网格尺度和一个边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
本发明一实施例中,多个不同网格尺度根据电子组件布局的优化设计需求进行确定,例如,当待计算电路板温度场分布的电子组件布局方案对应的目标网格尺度为800x800网格尺度,不同网格尺度可以包括:400x400方形网格和800x800方形网格。如此,依次获取在400x400网格尺度和第一边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案、以及在800x800网格尺度和第一边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案,计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
本发明一实施例中,多个不同边界条件根据电子组件布局的优化设计需求进行确定,例如,基于上述的电子组件布局的简化结构模型,当待计算电路板温度场分布的电子组件布局方案对应的目标边界条件为四周散热时,多个不同边界条件可以包括:单边散热和四周散热;单边散热指的是电路板的方形区域的四条边除一条边可散热外其他区域边界绝热,该可散热的单边区域温度可以为T0;四周散热指的是电路板的方形区域的四条边均可散热,该可散热的四边区域温度可以为T0。如此,依次获取在第一网格尺度和单边散热边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案、以及在第一网格尺度和四周散热边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案,计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
其中,每个电子组件布局方案及其对应的电路板温度场分布数据均处理为200x200网格的标准化数据,以分别作为深度学习模型的输入和标签。
进一步地,在完成不同网格尺度和不同边界条件下的电子组件布局方案及对应的电路板温度场分布的数据获取后,将获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对前述已确定的深度学习模型再次进行模型训练,更新深度学习模型的模型参数。
具体地,如附图4-5所示,本发明一实施例中,将步骤4)获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对步骤3)确定的深度学习模型进行模型训练,更新深度学习模型的模型参数,包括:
先将不同网格尺度和第一边界条件下的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行不同网格尺度迁移学习,以对深度学习模型的模型参数进行调整更新,使调整更新后的深度学习模型能够用于求解不同网格尺度和第一边界条件下的电子组件布局方案对应的电路板温度场分布;再将第一网格尺度和不同边界条件下的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行不同边界条件迁移学习,以对深度学习模型的模型参数继续进行调整更新,使调整更新后的深度学习模型能够用于求解不同网格尺度和不同边界条件下的电子组件布局方案对应的电路板温度场分布。
其中,该步骤中可以采用L1范数损失函数对深度学习模型进行模型训练。同时,在利用不同网格尺度和第一边界条件下的标准化数据对深度学习模型进行不同网格尺度迁移学习时,先利用粗粒度网格尺度下的标准化数据对深度学习模型进行迁移学习,再利用细粒度网格尺度下的标准化数据对深度学习模型进行迁移学习。
如此设置,通过利用获取的不同网格尺度和不同边界条件下的电子组件布局方案及其对应的电路板温度场分布数据,对深度学习模型进行不同网格尺度和不同边界条件迁移学习,实现不同网格尺度下深度学习模型的模型参数的调整和不同边界条件下深度学习模型的模型参数的调整,使更新后的深度学习模型能够用于计算确定不同网格尺度和不同边界条件下的卫星电子设备的电路板上的电子组件布局方案所对应的电路板温度场分布。
本发明一实施例中,不同网格尺度和不同边界条件下的电子组件布局方案及其对应的电路板温度场分布数据的数量远小于第一网格尺度和第一边界条件下的电子组件布局方案及其对应的电路板温度场分布数据的数量。
进一步地,当完成深度学习模型的模型参数的更新调整后,将待计算确定电路板温度场分布的电子组件布局方案输入已更新的深度学习模型,获取电路板温度场分布。
可见,本发明一实施例提供的基于迁移学习的卫星组件温度场确定方法通过采用特征金字塔网络结构的神经网络模型,学习在一个设定网格尺度和一个设定边界条件下的电子组件布局到温度场分布的映像,而后根据电子组件布局的优化设计需求对神经网络模型进行迁移学习,获得不同网格尺度和不同边界条件下的神经网格模型,实现不同网格尺度和不同边界条件下的电子组件布局对应的电路板温度场分布的快速获取,既能显著减少进行电子组件布局优化设计时的计算工作量,又能避免当待计算确定电路板温度场分布的电子组件布局方案对应的网格尺度或边界条件改变时需要重新生成大量训练数据并重新进行模型训练的问题,优化设计效率高,能够以较少工作量获得高质量的电子组件布局方案。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于迁移学习的卫星组件温度场确定方法,其特征在于,所述方法包括:
1)对卫星电子设备的电路板及其上的电子组件进行近似描述,建立电子组件布局的简化结构模型;
2)基于简化结构模型设定第一网格尺度和第一边界条件,获取在第一网格尺度和第一边界条件下的卫星电子设备的电路板上的多个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
3)构建深度学习模型,将标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行模型训练,确定深度学习模型的模型参数;
4)根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
5)将步骤4)获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对步骤3)确定的深度学习模型进行模型训练,更新深度学习模型的模型参数;
6)将待计算电路板温度场分布的电子组件布局方案输入已更新的深度学习模型,获取电子组件布局方案对应的电路板温度场分布。
2.根据权利要求1所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,对卫星电子设备的电路板及其上的电子组件进行近似描述,建立电子组件布局的简化结构模型,包括:设定电路板为方形,设定可发热的电子组件均分布在电路板的方形区域内,且可发热的电子组件在工作状态下会持续发热。
3.根据权利要求1或2所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,步骤1)和步骤3)中,利用有限差分法或有限元法计算确定每个电子组件布局方案对应的电路板温度场分布。
4.根据权利要求2或3所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,第一设定网格尺度为200x200方形网格,第一设定边界条件为单孔散热。
5.根据权利要求1至4中任一项所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,深度学习模型采用主体结构为特征金字塔网络的神经网络模型。
6.根据权利要求1至5中任一项所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,根据电子组件布局的优化设计需求设定多个不同网格尺度和多个不同边界条件,获取在不同网格尺度和不同边界条件下的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据,包括:
根据电子组件布局的优化设计需求设定多个不同网格尺度,分别获取在一个网格尺度和第一边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据;
根据电子组件布局的优化设计需求设定多个不同边界条件,分别获取在第一网格尺度和一个边界条件下的卫星电子设备的电路板上的若干个电子组件布局方案并计算确定每个电子组件布局方案对应的电路板温度场分布,将每个电子组件布局方案及对应的电路板温度场分布处理为标准化数据。
7.根据权利要求6所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,将步骤4)获取的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对步骤3)确定的深度学习模型进行模型训练,更新深度学习模型的模型参数,包括:
先将不同网格尺度和第一边界条件下的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行不同网格尺度迁移学习,以对深度学习模型的模型参数进行调整更新;再将第一网格尺度和不同边界条件下的标准化数据划分为训练集和测试集,基于训练集和测试集,运用反向传播对深度学习模型进行不同边界条件迁移学习,以对深度学习模型的模型参数继续进行调整更新。
8.根据权利要求1至7中任一项所述的基于迁移学习的卫星组件温度场确定方法,其特征在于,标准化数据中,80%的数据划分为训练集,20%的数据划分为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501006.2A CN111783331B (zh) | 2020-06-04 | 2020-06-04 | 基于迁移学习的卫星组件温度场确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501006.2A CN111783331B (zh) | 2020-06-04 | 2020-06-04 | 基于迁移学习的卫星组件温度场确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783331A true CN111783331A (zh) | 2020-10-16 |
CN111783331B CN111783331B (zh) | 2022-11-11 |
Family
ID=72754571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010501006.2A Active CN111783331B (zh) | 2020-06-04 | 2020-06-04 | 基于迁移学习的卫星组件温度场确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783331B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257321A (zh) * | 2020-10-27 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
CN112733275A (zh) * | 2021-01-19 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN113177290A (zh) * | 2021-03-25 | 2021-07-27 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
CN113221326A (zh) * | 2021-04-14 | 2021-08-06 | 中国人民解放军军事科学院国防科技创新研究院 | 基于teacher-student代理模型的卫星组件温度场预测方法 |
CN114993710A (zh) * | 2022-06-02 | 2022-09-02 | 浙江加力仓储设备股份有限公司 | 遥控式电驱折叠叉车轮毂快速维修装置及其方法 |
CN115630565A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军军事科学院国防科技创新研究院 | 基于内嵌物理知识神经网络的温度场重构方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习系统及方法 |
-
2020
- 2020-06-04 CN CN202010501006.2A patent/CN111783331B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580496A (zh) * | 2019-07-11 | 2019-12-17 | 南京邮电大学 | 一种基于熵最小化的深度迁移学习系统及方法 |
Non-Patent Citations (2)
Title |
---|
佟文明等: "基于有限公式法的水冷永磁同步电机三维温度场分析", 《电工电能新技术》 * |
周晨阳等: "基于CFD的通信机房流场模型建立与分析", 《测控技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257321A (zh) * | 2020-10-27 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
CN112733275A (zh) * | 2021-01-19 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN112733275B (zh) * | 2021-01-19 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
CN113177290A (zh) * | 2021-03-25 | 2021-07-27 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
CN113177290B (zh) * | 2021-03-25 | 2023-09-26 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
CN113221326A (zh) * | 2021-04-14 | 2021-08-06 | 中国人民解放军军事科学院国防科技创新研究院 | 基于teacher-student代理模型的卫星组件温度场预测方法 |
CN113221326B (zh) * | 2021-04-14 | 2022-11-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于teacher-student代理模型的卫星组件温度场预测方法 |
CN114993710A (zh) * | 2022-06-02 | 2022-09-02 | 浙江加力仓储设备股份有限公司 | 遥控式电驱折叠叉车轮毂快速维修装置及其方法 |
CN114993710B (zh) * | 2022-06-02 | 2023-01-31 | 浙江加力仓储设备股份有限公司 | 遥控式电驱折叠叉车轮毂快速维修装置及其方法 |
CN115630565A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军军事科学院国防科技创新研究院 | 基于内嵌物理知识神经网络的温度场重构方法 |
CN115630565B (zh) * | 2022-09-28 | 2023-12-15 | 中国人民解放军军事科学院国防科技创新研究院 | 基于内嵌物理知识神经网络的温度场重构方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111783331B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783331B (zh) | 基于迁移学习的卫星组件温度场确定方法 | |
CN111507032B (zh) | 基于深度学习技术预测温度分布的组件布局优化设计方法 | |
US11675940B2 (en) | Generating integrated circuit floorplans using neural networks | |
CN112257321B (zh) | 基于无监督学习的卫星组件温度场确定方法 | |
CN111028893B (zh) | 一种晶体生长预测方法及装置 | |
CN112733275B (zh) | 基于半监督学习的卫星组件热布局温度场预测方法 | |
CN113792478B (zh) | 基于集成深度代理模型的热源布局温度场可靠性分析方法 | |
CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
Ho Yoon et al. | The element connectivity parameterization formulation for the topology design optimization of multiphysics systems | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN114036787A (zh) | 基于物理先验自监督学习的卫星组件热布局温度场预测 | |
CN113221326B (zh) | 基于teacher-student代理模型的卫星组件温度场预测方法 | |
CN114692347A (zh) | 基于神经网络架构搜索技术的温度场代理模型构建方法 | |
CN108829987B (zh) | 一种数据驱动型概率评估方法 | |
CN114444379A (zh) | 基于数据驱动深度学习的温度场重建方法 | |
CN114781207B (zh) | 基于不确定性和半监督学习的热源布局温度场预测方法 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN114548526A (zh) | 基于物理先验的神经网络的卫星组件布局温度场预测方法 | |
CN116187157A (zh) | 基于深度学习技术的布局板热应力及热变形预测方法 | |
CN114462258B (zh) | 光电异质异构集成工艺参数化基础单元模型构建方法 | |
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 | |
Shi et al. | Aerodynamic force and heating optimization of HTV-2 typed vehicle | |
CN114692348B (zh) | 基于多保真深度学习代理模型的组件布局温度场预测方法 | |
CN115906519A (zh) | 一种自适应仿真显示面板的温度的方法、装置及存储介质 | |
CN115544810A (zh) | 电气系统应力解析方法、装置、设备和存储介质 |
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 |