CN114971424B - 基于人工智能的大功率灯具用环路热管散热效率检测方法 - Google Patents

基于人工智能的大功率灯具用环路热管散热效率检测方法 Download PDF

Info

Publication number
CN114971424B
CN114971424B CN202210888554.4A CN202210888554A CN114971424B CN 114971424 B CN114971424 B CN 114971424B CN 202210888554 A CN202210888554 A CN 202210888554A CN 114971424 B CN114971424 B CN 114971424B
Authority
CN
China
Prior art keywords
heat exchanger
qualification rate
sequence
heat pipe
water
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.)
Active
Application number
CN202210888554.4A
Other languages
English (en)
Other versions
CN114971424A (zh
Inventor
胡成志
崔成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangjiuliang Thermal Control Technology Jiangsu Co ltd
Original Assignee
Guangjiuliang Thermal Control Technology Jiangsu Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangjiuliang Thermal Control Technology Jiangsu Co ltd filed Critical Guangjiuliang Thermal Control Technology Jiangsu Co ltd
Priority to CN202210888554.4A priority Critical patent/CN114971424B/zh
Publication of CN114971424A publication Critical patent/CN114971424A/zh
Application granted granted Critical
Publication of CN114971424B publication Critical patent/CN114971424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F21—LIGHTING
    • F21V—FUNCTIONAL FEATURES OR DETAILS OF LIGHTING DEVICES OR SYSTEMS THEREOF; STRUCTURAL COMBINATIONS OF LIGHTING DEVICES WITH OTHER ARTICLES, NOT OTHERWISE PROVIDED FOR
    • F21V29/00—Protecting lighting devices from thermal damage; Cooling or heating arrangements specially adapted for lighting devices or systems
    • F21V29/50—Cooling arrangements
    • F21V29/56—Cooling arrangements using liquid coolants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • 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
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及照明设备检测技术领域，具体涉及一种基于人工智能的大功率灯具用环路热管散热效率检测方法，该方法通过对每个环路热管系统的换热器的合格率进行预测，以根据预测值分析每个环路热管系统的运行状态实现环路热管系统之间的性能差异分析，进而得到运行状态最好的环路热管系统，根据最好运行状态的环路热管系统对其他每个环路热管系统进行运行参数调节，实现了通过自动检测、学习、调试环路热管散热效率，能够及时发现散热性劣化问题，从而有效且高效地改善全部环路热管散热系统参数，提高散热效率。

Description

基于人工智能的大功率灯具用环路热管散热效率检测方法
技术领域
本发明涉及照明设备检测技术领域，具体涉及一种基于人工智能的大功率灯具用环路热管散热效率检测方法。
背景技术
一般来说，LED灯的工作稳定性和品质好坏，与灯体本身散热至关重要，而市场上的高亮度LED灯的散热，常常采用自然散热，效果并不理想。LED光源打造的LED灯具，由LED、散热结构、驱动器、透镜组成，因此散热也是一个重要的部分，如果LED不能很好散热、它的寿命也会受影响。
环路热管（LHP/KHPs）是被动的两相传热装置，将热量由LED芯片导到换热器的散热鳍片。在大型灯具，如路灯等常见的设计，由于灯具本身需要小型化，但发热量巨大，所以照明设备的环路热管散热系统的换热器需要放置于冷却条件较佳的区域，通常采用水冷装置进一步提高散热效率和可控性。
环路热管无需电能即可传输热量到远端的纯机械散热系统，本无需控制和检测效率，但环路热管所搭配的换热系统的调节能力直接决定了环路热管的散热效率，因此环路热管的效率优化除了高质量的环路热管元件，还需要针对换热器设计适应性强的散热效率检测方法。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的大功率灯具用环路热管散热效率检测方法，所采用的技术方案具体如下：
在当前环路热管系统的工作过程中，基于设定采样频率采集水冷稳态电机的水冷换热器温差和灯具环路热管效率的换热器水路流动速度，对应得到设定时段内的水冷换热器温差序列和换热器水路流动速度序列；计算所述水冷换热器温差序列的温差稳态稳定性指标，结合所述温差稳态稳定性指标和所述换热器水路流动速度序列得到换热器配合环路热管的效率匹配程度；
获取设定时长下多个时段的所述效率匹配程度，得到效率匹配程度序列；根据所述效率匹配程度之间的差异计算所述效率匹配程度序列中每个所述效率匹配程度的局部异常因子，由所述局部异常因子计算所述设定时长下换热器的合格率；获取多个所述设定时长下的历史合格率，得到历史合格率序列，利用所述历史合格率序列训练合格率预测网络，得到当前环路热管系统的目标合格率预测网络；
获取每个环路热管系统的所述目标合格率预测网络，将每个环路热管系统的实时合格率序列通过对应的所述目标合格率预测网络，得到每个环路热管系统的合格率预测序列；根据所述合格率预测序列中的每个合格率预测值得到对应环路热管系统的运行状态指标，由所述运行状态指标确认目标环路热管系统，将每个环路热管系统的运行参数调整为所述目标环路热管系统的运行参数。
进一步地，所述温差稳态稳定性指标的计算公式为：
Figure 888011DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为所述温差稳态稳定性指标；
Figure 13224DEST_PATH_IMAGE004
为所述水冷换热器温差序列中第
Figure DEST_PATH_IMAGE005
个水冷换热器温差；
Figure 233990DEST_PATH_IMAGE006
为所述水冷换热器温差序列中前
Figure DEST_PATH_IMAGE007
个水冷换热器温差之间的平均水冷换热器温差；
Figure 568763DEST_PATH_IMAGE008
为所述水冷换热器温差序列中前
Figure DEST_PATH_IMAGE010AA
个水冷换热器温差之间的平均水冷换热器温差；
Figure DEST_PATH_IMAGE011
为所述水冷换热器温差序列中第
Figure 119437DEST_PATH_IMAGE007
个水冷换热器温差和第
Figure 195977DEST_PATH_IMAGE012
个水冷换热器温差之间的差值；
Figure DEST_PATH_IMAGE013
为所述水冷换热器温差序列中水冷换热器温差的数量；
Figure 671083DEST_PATH_IMAGE014
为绝对值函数。
进一步地，所述由所述局部异常因子计算所述设定时长下换热器的合格率的方法，包括：
根据所述局部异常因子确认所述效率匹配程度序列中的正常效率匹配程度，统计所述正常效率匹配程度的第一数量，计算所述效率匹配程度序列中效率匹配程度的总数量与所述第一数量之间的比值，将比值作为换热器的合格率。
进一步地，所述目标合格率预测网络的获取方法，包括：
基于改进后的CMAC神经网络算法，利用所述历史合格率序列对合格率预测网络进行训练得到训练好的合格率预测网络，将所述训练好的合格率预测网络作为目标合格率预测网络；
其中，改进后的CMAC神经网络算法为：
Figure 107749DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为第
Figure 857137DEST_PATH_IMAGE018
个激活的存储单元第
Figure DEST_PATH_IMAGE019
次学习时的权值，
Figure 557109DEST_PATH_IMAGE020
为第
Figure 316249DEST_PATH_IMAGE018
个激活的存储单元第
Figure 572918DEST_PATH_IMAGE007
次学习时的权值，
Figure 599648DEST_PATH_IMAGE007
和
Figure DEST_PATH_IMAGE021
为学习次数，
Figure 969056DEST_PATH_IMAGE022
和
Figure 199181DEST_PATH_IMAGE018
为某个激活的存储单元，
Figure DEST_PATH_IMAGE023
为学习速率，
Figure 72590DEST_PATH_IMAGE024
为期望值，
Figure DEST_PATH_IMAGE025
为输出值，
Figure 157089DEST_PATH_IMAGE026
为泛化参数，
Figure DEST_PATH_IMAGE027
为第
Figure 962978DEST_PATH_IMAGE018
个激活的存储单元第
Figure 945978DEST_PATH_IMAGE007
次学习时的已学习次数，
Figure 934662DEST_PATH_IMAGE028
为第
Figure DEST_PATH_IMAGE030AA
个激活的存储单元第
Figure 287319DEST_PATH_IMAGE021
次学习时的已学习次数，
Figure DEST_PATH_IMAGE031
为第
Figure 388742DEST_PATH_IMAGE032
个激活的存储单元第
Figure 859038DEST_PATH_IMAGE007
次学习时的已学习次数，
Figure DEST_PATH_IMAGE033
为平衡学习常数。
进一步地，所述根据所述合格率预测序列中的每个合格率预测值得到对应环路热管系统的运行状态指标的方法，包括：
根据所述合格率预测序列中的每个合格率预测值计算换热器适配指标；由所述合格率预测序列中相邻两个合格率预测值之间的差值计算换热器老化劣化指标；
计算所述换热器适配指标和所述换热器老化劣化指标之间的比值，将该比值作为对应环路热管系统的所述运行状态指标，所述运行状态指标与所述换热器老化劣化指标呈负相关关系、所述运行状态指标与所换热器适配指标呈正相关关系。
进一步地，所述换热器适配指标的获取方法，包括：
根据所述合格率预测序列中每个合格率预测值和一个所述设定时段下所述效率匹配程度序列中的元素数量得到对应环路热管系统下正常效率匹配程度的总数量，统计与标准效率匹配程度相等的正常效率匹配程度的个数，将所述个数与所总数量之间的比值作为所述换热器适配指标。
进一步地，所述换热器老化劣化指标的获取方法，包括：
分别计算所述合格率预测序列中相邻两个合格率预测值之间的预测值差值绝对值，对预测值差值绝对值进行累加得到差值累加值，计算所述合格率预测序列中相邻两个元素的组合数量和所述差值累加值之间的比值，将该比值作为所述换热器老化劣化指标。
进一步地，所述由所述运行状态指标确认目标环路热管系统的方法，包括：
将最大的所述运行状态指标所对应的环路热管系统作为目标环路热管系统。
本发明实施例至少具有如下有益效果：通过对每个环路热管系统的换热器的合格率进行预测，以根据预测值分析每个环路热管系统的运行状态实现环路热管系统之间的性能差异分析，进而得到运行状态最好的环路热管系统，根据最好运行状态的环路热管系统对其他每个环路热管系统进行运行参数调节，实现了通过自动检测、学习、调试环路热管散热效率，能够及时发现散热性劣化问题，从而有效且高效地改善全部环路热管散热系统参数，提高散热效率。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的一种基于人工智能的大功率灯具用环路热管散热效率检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的大功率灯具用环路热管散热效率检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的大功率灯具用环路热管散热效率检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，在当前环路热管系统的工作过程中，基于设定采样频率采集水冷稳态电机的水冷换热器温差和灯具环路热管效率的换热器水路流动速度，对应得到设定时段内的水冷换热器温差序列和换热器水路流动速度序列；计算水冷换热器温差序列的温差稳态稳定性指标，结合温差稳态稳定性指标和换热器水路流动速度序列得到换热器配合环路热管的效率匹配程度。
具体的，以1分钟为采样频率、30分钟为设定时段，在环路热管系统的工作过程中，采集水冷稳态电机的水冷换热器温差，得到一个水冷换热器温差序列
Figure 215195DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
为第1次采样的水冷换热器温差，
Figure 631877DEST_PATH_IMAGE036
为第
Figure 94082DEST_PATH_IMAGE013
次采样的水冷换热器温差，
Figure 300941DEST_PATH_IMAGE013
为采样次数。
需要说明的是，水冷换热器温差的测量方式为环路热管的灯具端和换热器端的温度差。
假设LED每天有固定的开启时间，当灯具启动时便启动换热器，当换热器进入工作状态时，此时水冷换热器的两端温差会增大较多，而当水冷换热器的两端温差增大到一定的数值时，系统判定已处于水冷稳态，并发送水冷稳态完成的指令，因此利用温差数据，通过记录水冷换热器温差在一定时间内的变化情况能够判断此时换热器是否已经水冷稳态，但由于换热器在降温时受到外界的影响，可能会有轻微的效率损失，导致换热器套效率不是最佳的，故根据水冷换热器温差序列中相邻采样时刻的水冷换热器温差之间的差异计算对应时段内水冷换热器的温差稳态稳定性指标，则温差稳态稳定性指标的计算公式为：
Figure DEST_PATH_IMAGE037
其中，
Figure 929631DEST_PATH_IMAGE003
为温差稳态稳定性指标；
Figure 390699DEST_PATH_IMAGE004
为水冷换热器温差序列中第
Figure 148440DEST_PATH_IMAGE005
个水冷换热器温差；
Figure 75551DEST_PATH_IMAGE006
为水冷换热器温差序列中前
Figure 553937DEST_PATH_IMAGE007
个水冷换热器温差之间的平均水冷换热器温差；
Figure 384359DEST_PATH_IMAGE008
为水冷换热器温差序列中前
Figure 922787DEST_PATH_IMAGE012
个水冷换热器温差之间的平均水冷换热器温差；
Figure 340124DEST_PATH_IMAGE011
为水冷换热器温差序列中第
Figure 12414DEST_PATH_IMAGE007
个水冷换热器温差和第
Figure 448075DEST_PATH_IMAGE012
个水冷换热器温差之间的差值；
Figure 905208DEST_PATH_IMAGE013
为水冷换热器温差序列中水冷换热器温差的数量；
Figure 59108DEST_PATH_IMAGE014
为绝对值函数。
需要说明的是，水冷换热器在工作过程中没有出现诸如空气流通不佳、水路介质异常等情况，则水冷换热器的温差稳态稳定性指标的大小几乎保持不变，即当前时刻和前一时刻的水冷换热器温差之间的差值几乎为零，从而使得温差稳态稳定性指标保持近似为1；如果水冷换热器在工作过程中水冷泵稳态温差发生变化，则温差稳态稳定性指标最终会小于1，变化程度越大，温差稳态稳定性指标的大小越接近于0。
在环路热管系统的工作过程中，灯具环路热管所连接的换热器水路流动速度稳定性能够体现换热器水路循环的性能是否一致，则泵体为了节能、降低噪音和降低不必要的能耗及机械损耗，水路流速会尽可能低，本发明假设一次水路循环是代表水路中所有介质在1分钟内完全能够循环一周，因此利用流速计以1分钟为采样频率、30分钟为设定时段，采集灯具环路热管效率的换热器水路流动速度，得到一个换热器水路流动速度序列
Figure 128564DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
为第1次采样的换热器水路流动速度，
Figure 372726DEST_PATH_IMAGE040
为第
Figure 518537DEST_PATH_IMAGE013
次采样的换热器水路流动速度，
Figure 284367DEST_PATH_IMAGE013
为采样次数。
需要说明的是，由于流速计采集频率一般为1Hz~0.5Hz，因此将1分钟内所采集到的最低值为换热器水路流动速度。
在环路热管系统的工作过程中，由于换热器的老化劣化，水路中会出现金属氧化、微生物滋生等情况，换热器会遇到水路气泡、水路受热后随机堵塞等问题，导致灯具环路热管效率的换热器水路流动速度受到影响，因此跟踪好每一时刻与前一时刻的之间的换热器水路流动速度能够让换热器水路散热性能在大致的每次水路循环中，管路状况均匀并且也能保持散热性能一致，故结合温差稳态稳定性指标和换热器水路流动速度序列得到换热器配合环路热管的效率匹配程度，具体方法为：获取换热器水路流动速度序列中的最大换热器水路流动速度和最小换热器水路流动速度，以及平均换热器水路流动速度，计算最大换热器水路流动速度和最小换热器水路流动速度之间的第一差值，计算最大换热器水路流动速度和平均换热器水路流动速度之间的第二差值，结合第一差值和第二差值计算换热器水路流动速度的波动指标，则波动指标的计算公式为：
Figure DEST_PATH_IMAGE041
，其中，
Figure 593733DEST_PATH_IMAGE042
为波动指标，
Figure DEST_PATH_IMAGE043
为第二差值，
Figure 722094DEST_PATH_IMAGE044
为第一差值，
Figure DEST_PATH_IMAGE045
为双曲线正切函数，为归一化手段，
Figure 117435DEST_PATH_IMAGE046
为平均换热器水路流动速度；获取水冷换热器温差序列中的最小水冷换热器温差，结合最小水冷换热器温差、温差稳态稳定性指标和波动指标计算换热器配合环路热管的效率匹配程度，则效率匹配程度的计算公式为：
Figure 980349DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
为效率匹配程度；
Figure 93405DEST_PATH_IMAGE050
为最小水冷换热器温差；
Figure DEST_PATH_IMAGE051
为反正弦函数，为归一化手段。
需要说明的是，当热管有失控、漏热的隐患，会使得水冷换热器温差越不稳定，说明散热性能越不理想，因此换热器配合环路热管的效率匹配程度与水冷换热器的温差稳态稳定性指标
Figure 702372DEST_PATH_IMAGE003
是正相关关系；最大换热器水路流动速度与平均换热器水路流动速度之间的第二差值，能够体现换热器水路循环过程中是否出现某一时刻的突然堵塞等情况，差值越大说明散热出现短暂的热量堆积情况，换热器配合环路热管的效率匹配程度差；
Figure 924406DEST_PATH_IMAGE052
为具环路热管效率的换热器水路流动速度的相对变化情况，一定程度上能够体现环路热管系统本身是否保持同一工作状态，此数值越大，说明效率匹配程度越小，反之数值越小，说明效率匹配程度越大。
步骤S002，获取设定时长下多个时段的效率匹配程度，得到效率匹配程度序列；根据效率匹配程度之间的差异计算效率匹配程度序列中每个效率匹配程度的局部异常因子，由局部异常因子计算设定时长下换热器的合格率；获取多个设定时长下的历史合格率，得到历史合格率序列，利用历史合格率序列训练合格率预测网络，得到当前环路热管系统的目标合格率预测网络。
具体的，以一天为设定时长，利用步骤S001的方法，得到一天内每30分钟对应的换热器配合环路热管的效率匹配程度，构成一天内的效率匹配程度序列。
根据效率匹配程度序列中任意两个效率匹配程度的差异计算一天内换热器的合格率，则具体方法为：以效率匹配程度序列中任意一个效率匹配程度为目标效率匹配程度，分别计算目标效率匹配程度与其他效率匹配程度之间的效率匹配程度差值，对效率匹配程度差值进行累加，得到差值累加值，计算差值累加值与效率匹配程度序列中的元素数量之间的比值，将比值的倒数作为目标效率匹配程度的局部可达密度；获取效率匹配程度序列中每个效率匹配程度的局部可达密度，构成局部可达密度集合，以局部可达密度集合中的任意一个局部可达密度为目标局部可达密度，分别计算目标局部可达密度与其他目标局部可达密度之间的局部可达密度差值，对局部可达密度差值进行累加，得到局部可达密度差值累加值，计算局部可达密度差值累加值与局部可达密度集合中的元素数量之间的比值，将该比值与目标局部可达密度之间的第一比值作为目标局部可达密度的局部异常因子，也即是对应效率匹配程度的局部异常因子，进而得到每个效率匹配程度的局部异常因子；设置局部异常因子阈值，当局部异常因子小于局部异常因子阈值时，确认对应的效率匹配程度作为正常效率匹配程度，说明对应时段下的换热器处于合格状态，也即是正常工作状态，统计正常效率匹配程度的第一数量，计算效率匹配程度序列中效率匹配程度的总数量与第一数量之间的比值，将比值作为换热器的合格率。
优选的，本发明实施例中局部异常因子阈值取经验值，则局部异常因子阈值为0.8。
利用上述换热器的合格率的获取方法，获取一个环路热管系统下连续多天的历史合格率，构成一个历史合格率序列。利用历史合格率序列对换热器的合格率预测网络进行训练，得到环路热管系统下对应的目标合格率预测网络，优选的，本发明实施例中的合格率预测网络为CMAC神经网络，其训练过程为：
（1）基于信度分配思想，对常规CMAC神经网络的训练算法进行改进，则改进后的CMAC神经网络算法为：
Figure DEST_PATH_IMAGE053
其中，
Figure 727145DEST_PATH_IMAGE017
为第
Figure 440630DEST_PATH_IMAGE018
个激活的存储单元第
Figure 559896DEST_PATH_IMAGE019
次学习时的权值，
Figure 343044DEST_PATH_IMAGE020
为第
Figure 931283DEST_PATH_IMAGE018
个激活的存储单元第
Figure 966235DEST_PATH_IMAGE007
次学习时的权值，
Figure 454854DEST_PATH_IMAGE007
和
Figure 930876DEST_PATH_IMAGE021
为学习次数，
Figure 521257DEST_PATH_IMAGE022
和
Figure 78009DEST_PATH_IMAGE018
为某个激活的存储单元，
Figure 329124DEST_PATH_IMAGE023
为学习速率，
Figure 63862DEST_PATH_IMAGE024
为期望值，
Figure 125228DEST_PATH_IMAGE025
为输出值，
Figure 501983DEST_PATH_IMAGE026
为泛化参数，
Figure 198150DEST_PATH_IMAGE027
为第
Figure 103789DEST_PATH_IMAGE018
个激活的存储单元第次学习时的已学习次数，
Figure 652451DEST_PATH_IMAGE028
为第
Figure 36159DEST_PATH_IMAGE022
个激活的存储单元第
Figure 996287DEST_PATH_IMAGE021
次学习时的已学习次数，
Figure DEST_PATH_IMAGE055A
为第
Figure 834012DEST_PATH_IMAGE032
个激活的存储单元第
Figure 620702DEST_PATH_IMAGE007
次学习时的已学习次数，
Figure 824413DEST_PATH_IMAGE033
为平衡学习常数。
需要说明的是，改进后的CNAC神经网络的训练算法对训练过程中每个激活的存储单元的学习次数进行统计，该统计不仅包含后续学习样本对相同存储单元激活次数的改变，也包含后续训练对存储单元激活次数的改变，然后更新权值时把误差按激活的存储单元的学习次数占所有激活的存储单元的学习次数总和的百分比来进行分配，从上式可见百分比越大，分配误差越小。
权值调整规则为：迭代学习次数多，则包含信息可信度高，调整量少；迭代学习次数少，则包含信息可信度低，调整量多。如此，既可减少后续学习样本对先前学习样本的学习干扰，也可减少后续训练对先前训练的学习干扰。该算法基于信度分配误差，对于学习次数多的存储单元少校正误差，对于学习次数少的存储单元多校正误差，从而减少了学习干扰。
（2）改进后的CNAC神经网络的输入数据为历史合格率序列、输出数据为合格率预测序列，将历史合格率序列通过改进后的CNAC神经网络通过不断迭代训练得到训练好的CMAC神经网络算法，将训练好的CMAC神经网络算法作为目标CNAC神经网络。
步骤S003，获取每个环路热管系统的目标合格率预测网络，将每个环路热管系统的实时合格率序列通过对应的目标合格率预测网络，得到每个环路热管系统的合格率预测序列；根据合格率预测序列中的每个合格率预测值得到对应环路热管系统的运行状态指标，由运行状态指标确认目标环路热管系统，将每个环路热管系统的运行参数调整为目标环路热管系统的运行参数。
具体的，利用步骤S002的方法，获取多个环路热管系统的目标合格率预测网络，即一个环路热管系统对应一个专属的目标合格率预测网络。
基于时序分别获取每个环路热管系统对应的实时合格率序列，将每个实时合格率序列输入对应环路热管系统所专属的目标良品率预测网络中，得到对应的合格率预测序列，同理，一个环路热管系统对应一个合格率预测序列。
根据合格率预测序列中每个合格率预测值和一个时段下效率匹配程度序列中的元素数量得到对应环路热管系统下正常效率匹配程度的总数量，统计与标准效率匹配程度相等的正常效率匹配程度的个数，将个数与总数量之间的比值作为换热器适配指标；由合格率预测序列中相邻两个元素的差值计算换热器老化劣化指标，则换热器老化劣化指标的获取方法为：分别计算合格率预测序列中相邻两个合格率预测值之间的预测值差值绝对值，对预测值差值绝对值进行累加得到差值累加值，计算合格率预测序列中相邻两个元素的组合数量和差值累加值之间的比值，将该比值作为换热器老化劣化指标。
需要说明的是，换热器适配指标表征当前环路热管系统下换热器的散热状态与标准散热状态是否一样；换热器老化劣化指标表征当前环路热管系统下换热器是否过载工作加重其老化。
计算换热器适配指标和换热器老化劣化指标之间的比值，将该比值作为对应环路热管系统的运行状态指标，运行状态指标与换热器老化劣化指标呈负相关关系、运行状态指标与换热器适配指标呈正相关关系；由于一个环路热管系统下对应一个换热器适配指标和一个换热器老化劣化指标，因此能够得到每个环路热管系统的运行状态指标，将最大的运行状态指标所对应的环路热管系统作为目标环路热管系统，目标环路热管系统即为工作状态最好的，因此为了保证全局环路热管系统都能达到最优运行状态，则将每个环路热管系统的运行参数都调整为目标环路热管系统的运行参数。
需要说明的是，当存在多个目标环路热管系统的时候，获取目标环路热管系统的平均运行参数，将每个环路热管系统的运行参数调整为平均运行参数。
综上所述，本发明实施例提供了一种基于人工智能的大功率灯具用环路热管散热效率检测方法，通过对每个环路热管系统的换热器的合格率进行预测，以根据预测值分析每个环路热管系统的运行状态实现环路热管系统之间的性能差异分析，进而得到运行状态最好的环路热管系统，根据最好运行状态的环路热管系统对其他每个环路热管系统进行运行参数调节，实现了通过自动检测、学习、调试环路热管散热效率，能够及时发现散热性劣化问题，从而有效且高效地改善全部环路热管散热系统参数，提高散热效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，该方法包括以下步骤：
在当前环路热管系统的工作过程中，基于设定采样频率采集水冷稳态电机的水冷换热器温差和灯具环路热管效率的换热器水路流动速度，对应得到设定时段内的水冷换热器温差序列和换热器水路流动速度序列；计算所述水冷换热器温差序列的温差稳态稳定性指标，结合所述温差稳态稳定性指标和所述换热器水路流动速度序列得到换热器配合环路热管的效率匹配程度；
获取设定时长下多个时段的所述效率匹配程度，得到效率匹配程度序列；根据所述效率匹配程度之间的差异计算所述效率匹配程度序列中每个所述效率匹配程度的局部异常因子，由所述局部异常因子计算所述设定时长下换热器的合格率；获取多个所述设定时长下的历史合格率，得到历史合格率序列，利用所述历史合格率序列训练合格率预测网络，得到当前环路热管系统的目标合格率预测网络；
获取每个环路热管系统的所述目标合格率预测网络，将每个环路热管系统的实时合格率序列通过对应的所述目标合格率预测网络，得到每个环路热管系统的合格率预测序列；根据所述合格率预测序列中的每个合格率预测值得到对应环路热管系统的运行状态指标，由所述运行状态指标确认目标环路热管系统，将每个环路热管系统的运行参数调整为所述目标环路热管系统的运行参数。
2.如权利要求1所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述温差稳态稳定性指标的计算公式为：
Figure 823144DEST_PATH_IMAGE001
其中，
Figure 269913DEST_PATH_IMAGE002
为所述温差稳态稳定性指标；
Figure 799114DEST_PATH_IMAGE003
为所述水冷换热器温差序列中第
Figure 742668DEST_PATH_IMAGE004
个水冷换热器温差；
Figure 331913DEST_PATH_IMAGE005
为所述水冷换热器温差序列中前
Figure 800065DEST_PATH_IMAGE006
个水冷换热器温差之间的平均水冷换热器温差；
Figure 132958DEST_PATH_IMAGE007
为所述水冷换热器温差序列中前
Figure 134281DEST_PATH_IMAGE008
个水冷换热器温差之间的平均水冷换热器温差；
Figure 628847DEST_PATH_IMAGE009
为所述水冷换热器温差序列中第
Figure 846945DEST_PATH_IMAGE006
个水冷换热器温差和第
Figure 983529DEST_PATH_IMAGE011
个水冷换热器温差之间的差值；
Figure 573779DEST_PATH_IMAGE012
为所述水冷换热器温差序列中水冷换热器温差的数量；
Figure 504826DEST_PATH_IMAGE013
为绝对值函数。
3.如权利要求1所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述由所述局部异常因子计算所述设定时长下换热器的合格率的方法，包括：
根据所述局部异常因子确认所述效率匹配程度序列中的正常效率匹配程度，统计所述正常效率匹配程度的第一数量，计算所述效率匹配程度序列中效率匹配程度的总数量与所述第一数量之间的比值，将比值作为换热器的合格率。
4.如权利要求1所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述目标合格率预测网络的获取方法，包括：
基于改进后的CMAC神经网络算法，利用所述历史合格率序列对合格率预测网络进行训练得到训练好的合格率预测网络，将所述训练好的合格率预测网络作为目标合格率预测网络；
其中，改进后的CMAC神经网络算法为：
Figure 947571DEST_PATH_IMAGE014
其中，
Figure 887845DEST_PATH_IMAGE015
为第
Figure 863760DEST_PATH_IMAGE016
个激活的存储单元第
Figure 965708DEST_PATH_IMAGE017
次学习时的权值，
Figure 892819DEST_PATH_IMAGE018
为第
Figure 371205DEST_PATH_IMAGE016
个激活的存储单元第
Figure 936048DEST_PATH_IMAGE006
次学习时的权值，
Figure 474476DEST_PATH_IMAGE006
和
Figure 626234DEST_PATH_IMAGE019
为学习次数，
Figure 908311DEST_PATH_IMAGE020
和
Figure 530922DEST_PATH_IMAGE016
为某个激活的存储单元，
Figure 240252DEST_PATH_IMAGE021
为学习速率，
Figure 876377DEST_PATH_IMAGE022
为期望值，
Figure 696565DEST_PATH_IMAGE023
为输出值，
Figure 501579DEST_PATH_IMAGE024
为泛化参数，
Figure 381810DEST_PATH_IMAGE025
为第
Figure 711423DEST_PATH_IMAGE016
个激活的存储单元第
Figure 584570DEST_PATH_IMAGE006
次学习时的已学习次数，
Figure 729243DEST_PATH_IMAGE026
为第
Figure 528179DEST_PATH_IMAGE020
个激活的存储单元第
Figure 187830DEST_PATH_IMAGE019
次学习时的已学习次数，
Figure 349821DEST_PATH_IMAGE027
为第
Figure 863848DEST_PATH_IMAGE028
个激活的存储单元第
Figure 774297DEST_PATH_IMAGE006
次学习时的已学习次数，
Figure 921245DEST_PATH_IMAGE029
为平衡学习常数。
5.如权利要求3所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述根据所述合格率预测序列中的每个合格率预测值得到对应环路热管系统的运行状态指标的方法，包括：
根据所述合格率预测序列中的每个合格率预测值计算换热器适配指标；由所述合格率预测序列中相邻两个合格率预测值之间的差值计算换热器老化劣化指标；
计算所述换热器适配指标和所述换热器老化劣化指标之间的比值，将该比值作为对应环路热管系统的所述运行状态指标，所述运行状态指标与所述换热器老化劣化指标呈负相关关系、所述运行状态指标与所换热器适配指标呈正相关关系。
6.如权利要求5所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述换热器适配指标的获取方法，包括：
根据所述合格率预测序列中每个合格率预测值和一个所述设定时段下所述效率匹配程度序列中的元素数量得到对应环路热管系统下正常效率匹配程度的总数量，统计与标准效率匹配程度相等的正常效率匹配程度的个数，将所述个数与所总数量之间的比值作为所述换热器适配指标。
7.如权利要求5所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述换热器老化劣化指标的获取方法，包括：
分别计算所述合格率预测序列中相邻两个合格率预测值之间的预测值差值绝对值，对预测值差值绝对值进行累加得到差值累加值，计算所述合格率预测序列中相邻两个元素的组合数量和所述差值累加值之间的比值，将该比值作为所述换热器老化劣化指标。
8.如权利要求1所述的一种基于人工智能的大功率灯具用环路热管散热效率检测方法，其特征在于，所述由所述运行状态指标确认目标环路热管系统的方法，包括：
将最大的所述运行状态指标所对应的环路热管系统作为目标环路热管系统。
CN202210888554.4A 2022-07-27 2022-07-27 基于人工智能的大功率灯具用环路热管散热效率检测方法 Active CN114971424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888554.4A CN114971424B (zh) 2022-07-27 2022-07-27 基于人工智能的大功率灯具用环路热管散热效率检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888554.4A CN114971424B (zh) 2022-07-27 2022-07-27 基于人工智能的大功率灯具用环路热管散热效率检测方法

Publications (2)

Publication Number Publication Date
CN114971424A CN114971424A (zh) 2022-08-30
CN114971424B true CN114971424B (zh) 2022-09-30

Family

ID=82969565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888554.4A Active CN114971424B (zh) 2022-07-27 2022-07-27 基于人工智能的大功率灯具用环路热管散热效率检测方法

Country Status (1)

Country Link
CN (1) CN114971424B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200839537A (en) * 2007-03-22 2008-10-01 Tsint Intelligent evaluation method of thermoduct heat dissipation
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN109827987A (zh) * 2019-01-14 2019-05-31 北京交通大学 一种基于能效分析的散热器散热性能退化程度预测方法
CN112014422A (zh) * 2020-10-22 2020-12-01 北京空间飞行器总体设计部 环路热管性能的检测方法、装置、存储介质及电子设备
CN113759868A (zh) * 2021-08-16 2021-12-07 浙江运达风电股份有限公司 一种基于神经网络的工业以太网故障预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200839537A (en) * 2007-03-22 2008-10-01 Tsint Intelligent evaluation method of thermoduct heat dissipation
EP3239626A1 (en) * 2016-04-27 2017-11-01 PLUM spólka z ograniczona odpowiedzialnoscia Method for controlling heat pump operation
CN109827987A (zh) * 2019-01-14 2019-05-31 北京交通大学 一种基于能效分析的散热器散热性能退化程度预测方法
CN112014422A (zh) * 2020-10-22 2020-12-01 北京空间飞行器总体设计部 环路热管性能的检测方法、装置、存储介质及电子设备
CN113759868A (zh) * 2021-08-16 2021-12-07 浙江运达风电股份有限公司 一种基于神经网络的工业以太网故障预测方法

Also Published As

Publication number Publication date
CN114971424A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN111029616A (zh) 一种考虑电堆寿命的港口运输车燃料电池热管理系统
CN1255654C (zh) 中央空调冷却水系统自适应优化控制方法及装置
CN108808161B (zh) 一种电动大巴电池热管理系统的管理控制方法及其装置
KR20200100884A (ko) 차량의 열관리장치 제어시스템 및 제어방법
CN114971424B (zh) 基于人工智能的大功率灯具用环路热管散热效率检测方法
CN116387692B (zh) 一种锂电池pack智能散热控制系统及其控制方法
CN104038997B (zh) 无线传感器网络节点能效优化激活方法与系统
CN111864300A (zh) 一种基于回路状态监测的复合式冷却结构及其控制方法
CN114901057B (zh) 一种数据中心机房内部多点能耗检测与动态调节系统
CN117393924A (zh) 一种储能电池模组温度管理系统、方法及储能系统
CN111883874A (zh) 一种电池的可变热阻热管理系统及控制方法
CN114929000A (zh) 一种WBG和Si器件混合的电源水冷系统及其控制策略
CN117650628B (zh) 一种基于自适应预调节场景的能效管理系统
CN117075483B (zh) 液冷储能系统的状态监控方法、装置及存储介质
CN117790985A (zh) 一种全浸没式液冷储能系统及其控制方法
CN114942952B (zh) 一种用于海底数据中心的设备状态监管系统及方法
CN116578134A (zh) 基于强化学习的通用基站温控方法和系统
CN113913873B (zh) 一种可充当柔性负载的铝电解槽及其热平衡控制方法
CN114980666A (zh) 一种数据中心液冷散热系统的控制方法及其系统
CN113540616A (zh) 一种基于重力热管冷却的电池热管理系统及控制方法
KR20210005351A (ko) 차량의 열관리장치 제어시스템 및 제어방법
CN218566272U (zh) 一种冷却塔的智能节水控制装置
CN117348452B (zh) 一种石油炼制空冷器节能控制系统
CN116190856B (zh) 一种车载锂电池温控系统及其控制方法
CN111933969B (zh) 一种均衡散热的燃料电池热管理系统及控制方法

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