CN117077526A - 基于数字孪生的雷达tr模块温度预测方法 - Google Patents
基于数字孪生的雷达tr模块温度预测方法 Download PDFInfo
- Publication number
- CN117077526A CN117077526A CN202311053505.XA CN202311053505A CN117077526A CN 117077526 A CN117077526 A CN 117077526A CN 202311053505 A CN202311053505 A CN 202311053505A CN 117077526 A CN117077526 A CN 117077526A
- Authority
- CN
- China
- Prior art keywords
- radar
- module
- model
- data
- temperature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 239000012530 fluid Substances 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract description 6
- 239000000306 component Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F30/27—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
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及雷达系统及温度预测分析领域,具体涉及基于数字孪生的雷达TR模块温度预测方法,包括:通过有限元分析方法建立雷达TR模块的数字孪生模型;通过数字孪生模型的仿真运行产生仿真数据,进而结合雷达TR模块的真实数据构建联合数据库;基于深度学习模型构建温度预测模型;从联合数据库中提取数据来构建训练数据集,用以训练温度预测模型;其中训练数据集中的每组训练数据包括TR相关数据及其对应的实际温度值;将待预测雷达TR模块的TR相关数据输入训练后的温度预测模型中,输出温度预测值。本发明能够通过数字孪生和深度学习的融合来提高雷达TR模块温度预测的有效性和实用性。
Description
技术领域
本发明涉及雷达系统及温度预测分析领域,具体涉及基于数字孪生的雷达TR模块温度预测方法。
背景技术
随着电子元器件向集成化、小型化的方向发展,微电子技术逐渐成为研究主流。而高度集成化的电子元器件,由于受到尺寸的限制,芯片在组件内部的分布也就极其紧密,热功耗与热流密度也大幅度提高,过高的温度会缩减电子元器件的寿命,严重时会直接导致元器件失效,因此电子元器件往往面临着与热效应相关的可靠性上的挑战。
雷达收发(TR)模块在雷达系统中是一个非常重要的组件。它是将天线的发射机/接收机和有缘部分连接起来的前端的核心组件,同时,雷达TR模块对射频信号执行关键的频率转换、滤波和放大等操作。它的可靠性性能将会直接影响雷达天线是否能够正常的工作。一般而言,为了确保雷达工作效率和威力等性能,雷达发射状态下多为饱和功率输出。由于雷达TR模块具有较高的收发功率,功率的损耗将会转化成热能,而热效应是导致半导体器件的可靠性、稳定性降低的重要原因。因此,温度异常是雷达TR模块面临的一个严重的威胁。
目前,国内外研究者进行温度预测的工作已经取得了丰硕的研究成果。随着人工智能的发展,研究者注意到可以利用深度学习进行温度预测。但是利用深度学习进行温度预测需要对大量数据样本进行分析,才能得到较优的模型。然而,现有的数据获取方法是对物理实体进行采集得到的,这种方法成本高、实施周期长,导致温度预测的有效性和实用性不佳。因此,如何提高雷达TR模块温度预测的有效性和实用性是亟需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种基于数字孪生的雷达TR模块温度预测方法,能够通过深度学习模型来准确、全面的预测雷达TR模块温度的温度,并且通过雷达TR模块的数字孪生模型产生大量的仿真数据来辅助深度学习模型的训练,从而能够通过数字孪生和深度学习的融合来提高雷达TR模块温度预测的有效性和实用性。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于数字孪生的雷达TR模块温度预测方法,包括:
S1:通过有限元分析方法建立雷达TR模块的数字孪生模型;
S2:通过数字孪生模型的仿真运行产生仿真数据,进而结合雷达TR模块的真实数据构建联合数据库;
S3:基于深度学习模型构建温度预测模型;
S4:从联合数据库中提取数据来构建训练数据集,用以训练温度预测模型;其中训练数据集中的每组训练数据包括TR相关数据及其对应的实际温度值;
S5:将待预测雷达TR模块的TR相关数据输入训练后的温度预测模型中,输出对应的温度预测值。
优选的,通过如下步骤构建雷达TR模块的数字孪生模型:
S101:获取雷达TR模块的几何信息;
S102:通过有限元分析软件基于雷达TR模块的几何信息创建有限元模型;然后对有限元模型进行网格划分;
S103:定义有限元模型的材料属性、加载条件和边界条件;
S104:运行有限元分析软件对有限元模型进行有限元分析;
S105:将有限元分析的结果与雷达TR模块的真实数据进行比较和校准,进而根据一致性分析的结果对数字孪生模型进行优化和改进。
优选的,通过如下步骤对数字孪生模型进行一致性分析:
S1051:获取雷达TR模块的真实数据,并对真实数据进行数据预处理;
S1052:通过数字孪生模型基于真实数据对应的输入信号和操作参数进行仿真运行,得到对应的仿真数据;
S1053:将雷达TR模块的真实数据与数字孪生模型的仿真数据进行数据比对;
S1054:根据数据比对结果评估数字孪生模型与雷达TR模块之间的一致性。
优选的,通过如下步骤实现数字孪生模型的仿真运行:
S201:根据雷达TR模块的实际应用场景,确定输入信号的类型和参数;
S202:确定数字孪生模型仿真运行的初始条件;
S203:数字孪生模型基于输入信号和初始条件进行仿真运行,得到响应结果;
S204:从响应结果中提取所需的仿真数据。
优选的,在数字孪生模型进行仿真运行时为其设置对应的流体域和固体域,用以模拟雷达TR模块的行为和性能。
优选的,通过如下公式计算流体域的雷诺数:
式中:Re表示雷诺数;v表示流体域内流体的流动速度;d表示特征长度;μf表示流体域内流体的运动粘度。
优选的,通过如下公式计算流体域的热导系数:
式中:h表示热导系数;Nu表示努谢尔数;λf表示热导率;d表示流体域内流体的水道直径。
优选的,温度预测模型由卷积神经网络、门控循环神经网络和注意力机制构成。
优选的,通过如下步骤训练温度预测模型:
S301:获取训练数据,并将训练数据中的TR相关数据作为温度预测模型的输入数据;
S302:提取输入数据的初始特征,进而对初始特征进行特征归一化和矩阵化处理;
S302:通过卷积神经网络层和门控循环神经网络层分别对处理后的初始特征进行特征提取,得到对应的空间特征和时间特征;
S303:通过全连接层连接空间特征和时间特征,得到时空连接特征;
S304:通过注意力机制层关注时空连接特征中与需要预测的温度信息相关的特征,得到时空注意力全局特征;然后将时空注意力全局特征输入全连接层,得到温度预测值;
S305:通过温度预测值和对应的实际温度值计算训练损失,用以优化模型参数;
S306:重复步骤S301至S305,直至温度预测模型收敛。
优选的,通过RMSE、MAE或MAPE作为评价指标来评价温度预测模型的性能;
相关公式如下:
式中:yi表示实际温度值;表示温度预测值;n表示训练数据的总量。
本发明中基于数字孪生的雷达TR模块温度预测方法与现有技术相比,具有如下有益效果:
本发明将深度学习和数字孪生技术融合预测雷达TR模块的温度预测值。结合物联网RFID技术,还可识别待预测温度的雷达TR模块目标物的身份。一方面,深度学习模型可以通过训练大量数据来学习温度数据的复杂模式和趋势,进而实现温度的高精度预测,并且相比传统的统计方法或经验模型,可以更准确地捕捉数据之间的非线性关系,从而保证雷达TR模块温度预测的准确性。另一方面,深度学习模型可以自动学习数据中的重要特征,无需人工手动提取,并且对于雷达TR模块的温度预测,深度学习模型可以从原始数据中提取空间和时间特征(包括温度的空间分布和时间序列的依赖关系),即能够更全面地捕捉数据的特征,从而进一步提高雷达TR模块温度预测的效率和准确性。同时,为了保证模型的训练效果,本发明通过有限元分析方法建立雷达TR模块的数字孪生模型,进而通过数字孪生模型的仿真运行来产生大量的仿真数据,进而能够辅助模型的训练,即能够更好的通过训练大量数据来学习温度数据的复杂模式和趋势,从而进一步提高雷达TR模块温度预测的精度。综上,本发明通过深度学习模型来准确、全面的预测雷达TR模块温度的温度,并且通过雷达TR模块的数字孪生模型产生大量的仿真数据来辅助深度学习模型的训练,从而能够通过数字孪生和深度学习的融合来提高雷达TR模块温度预测的有效性和实用性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为基于数字孪生的雷达TR模块温度预测方法的逻辑框图;
图2为基于数字孪生的雷达TR模块温度预测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。例如“水平”仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了一种基于数字孪生的雷达TR模块温度预测方法。
如图1和图2所示,基于数字孪生的雷达TR模块温度预测方法,包括:
S1:通过有限元分析方法建立雷达TR模块的数字孪生模型;
S2:通过数字孪生模型的仿真运行产生仿真数据,进而结合雷达TR模块的真实数据构建联合数据库;
S3:基于深度学习模型构建温度预测模型;
S4:从联合数据库中提取数据来构建训练数据集,用以训练温度预测模型;
其中,训练数据集中的每组训练数据包括TR相关数据及其对应的实际温度值;
本实施例中,TR相关数据包括雷达TR模块的芯片功耗、体积和种类;
S5:将待预测雷达TR模块的TR相关数据输入训练后的温度预测模型中,输出对应的温度预测值。
本发明将深度学习和数字孪生技术融合预测雷达TR模块的温度预测值。结合物联网RFID技术,还可识别待预测温度的雷达TR模块目标物的身份。一方面,深度学习模型可以通过训练大量数据来学习温度数据的复杂模式和趋势,进而实现温度的高精度预测,并且相比传统的统计方法或经验模型,可以更准确地捕捉数据之间的非线性关系,从而保证雷达TR模块温度预测的准确性。另一方面,深度学习模型可以自动学习数据中的重要特征,无需人工手动提取,并且对于雷达TR模块的温度预测,深度学习模型可以从原始数据中提取空间和时间特征(包括温度的空间分布和时间序列的依赖关系),即能够更全面地捕捉数据的特征,从而进一步提高雷达TR模块温度预测的效率和准确性。同时,为了保证模型的训练效果,本发明通过有限元分析方法建立雷达TR模块的数字孪生模型,进而通过数字孪生模型的仿真运行来产生大量的仿真数据,进而能够辅助模型的训练,即能够更好的通过训练大量数据来学习温度数据的复杂模式和趋势,从而进一步提高雷达TR模块温度预测的精度。综上,本发明通过深度学习模型来准确、全面的预测雷达TR模块温度的温度,并且通过雷达TR模块的数字孪生模型产生大量的仿真数据来辅助深度学习模型的训练,从而能够通过数字孪生和深度学习的融合来提高雷达TR模块温度预测的有效性和实用性。
具体实施过程中,通过如下步骤构建雷达TR模块的数字孪生模型:
S101:获取雷达TR模块的几何信息;
本实施例中,雷达TR模块的几何信息包括几何形状、尺寸和材料等信息,可以通过测量物理模型的尺寸和形状,或者从设计文件中获取。
S102:通过有限元分析软件基于雷达TR模块的几何信息创建有限元模型;然后对有限元模型进行网格划分;
S103:定义有限元模型的材料属性、加载条件和边界条件;
本实施例中,材料属性包括弹性模量、泊松比、密度等。加载条件包括力、压力、温度等,这些加载条件应该与雷达TR模块的工作环境相匹配。边界条件包括约束条件和支撑条件,约束条件包括固定边界和约束位移以模拟雷达TR模块的固定部分,支撑条件可用于模拟模块的支撑结构,如模块与支撑结构之间的连接。
S104:运行有限元分析软件对有限元模型进行有限元分析;
本实施例中,有限元分析包括求解有限元模型的应力、应变和变形等力学响应。
S105:将有限元分析的结果与雷达TR模块的真实数据进行比较和校准,进而根据一致性分析的结果对数字孪生模型进行优化和改进。
本实施例中,对数字孪生模型进行优化和改进包括调整材料属性、边界条件以及几何形状等参数,用以优化数字孪生模型的准确性。
本发明通过上述的有限元分析方法建立雷达TR模块的数字孪生模型,有限元分析方法具有精细建模、多物理场耦合、非线性分析、参数化分析和可视化解释性等优势,能够为数字孪生模型提供准确、全面的模拟和预测能力,从而为雷达TR模块的设计、优化和故障诊断等提供有力支持。
具体实施过程中,通过如下步骤对数字孪生模型进行一致性检验:
S1051:获取雷达TR模块的真实数据,并对真实数据进行数据预处理;
本实施例中,真实数据包括输入信号、输出信号、环境条件等,需确保获取的真实数据具有代表性和完整性。其中,数据预处理包括去噪、滤波、插值等操作,以确保数据的质量和准确性。
S1052:通过数字孪生模型基于真实数据对应的输入信号和操作参数进行仿真运行,得到对应的仿真数据;
S1053:将雷达TR模块的真实数据与数字孪生模型的仿真数据进行数据比对;
本实施例中,可以使用各种统计指标(如均方根误差、相关系数等)来量化两者之间的差异。
S1054:根据数据比对结果评估数字孪生模型与雷达TR模块之间的一致性。
本实施例中,常用的评估指标包括均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)等,通过计算这些指标,可以评估模型的预测精度和一致性。同时,也可将真实数据和仿真绘制成图表并比较它们的趋势和变化,常用的图表包括折线图、散点图、误差图等。通过观察图表,可以直观地评估实际数据和模型预测结果之间的一致性。
如果数字孪生模型的仿真数据与真实数据具有较高的一致性,说明数字孪生模型可以准确地模拟雷达TR模块的行为。如果数字孪生模型与雷达TR模块之间存在较大的差异,可以考虑对模型进行改进,如调整模型的参数、改进模型的结构,或者增加更多的训练数据来提高模型的一致性。
本发明通过上述步骤验证雷达TR模块的数字孪生模型的一致性,通过一致性验证,可以提供对数字孪生模型的准确性、可信度和预测性能的评估,并帮助发现数字孪生模型中的问题和改进方向,有助于提高数字孪生模型的可靠性和应用价值。
具体实施过程中,通过如下步骤实现数字孪生模型的仿真运行:
S201:根据雷达TR模块的实际应用场景,确定输入信号的类型和参数;
本实施例中,输入信号可以是雷达系统的发射信号,包括频率、幅度、调制方式等,也可以是外部环境因素,如目标位置、速度等。
S202:确定数字孪生模型仿真运行的初始条件;
本实施例中,初始条件包括数字孪生模型的初始位置、速度、加速度等,这些初始条件可以根据实际情况设定,或者从实际传感器数据中获取。
S203:数字孪生模型基于输入信号和初始条件进行仿真运行,得到响应结果;
本实施例中,响应结果包括输出信号、变形、应力等。具体的,可以使用有限元分析方法、电磁场仿真方法等进行模型的计算。
S204:从响应结果中提取所需的仿真数据。
本发明通过对数字孪生模型进行仿真运行来产生大量的仿真数据,进而能够有效的辅助深度学习模型的训练,即更好的通过训练大量数据来学习温度数据的复杂模式和趋势,从而进一步提高雷达TR模块温度预测的精度。
具体实施过程中,在数字孪生模型进行仿真运行时为其设置对应的流体域和固体域,用以模拟雷达TR模块的行为和性能。本实施例中,流体域和固定域用于描述雷达TR模块的属性和行为。
流体域(fluid domain)是指包含流体(液体或气体)的区域。在此区域内,流体可以自由地流动和变形,其性质是由流体力学方程描述的。流体域的特征包括流体的速度、压力和密度等。固定域(solid domain)是指包含固体材料的区域。在此区域内,固体是不可压缩和不可变形的,其性质是由固体力学方程描述的。固体域的特征包括固体的应力、应变和变形等。
其中,雷诺数(Reynoldsnumber)是描述流体流动中惯性力和粘性力之间相对重要性的一个无量纲参数,可以用来判断流体流动的稳定性和流动模式。在雷达TR模块的数字孪生模型中,如果涉及到流体流动现象,雷诺数可以用来评估流动状态的稳定性,判断是否会发生湍流等。通过如下公式计算流体域的雷诺数:
式中:Re表示雷诺数;v表示流体域内流体的流动速度;d表示特征长度;μf表示流体域内流体的运动粘度。
根据计算流体学,在流体域的分析中,所有流体满足质量守恒方程,其方程为:
在此基础上还应该满足动量守恒方程:
此外,对于采用流体散热的收发模块组件而言,要考虑流体与通道内壁的耦合面,其基本方程为:
Ts=Tf;
式中:Ts、Tf分别为组件的水道温度以及水道内的流体温度;ρ为水道密度,c为水道比热容,ks为其水道的热传导系数,kf为其水道内流体的热传导系数。
其中,热导系数(Thermalconductivity)是物质传导热量的能力,描述了物质对热的传递能力的大小,它表示单位时间内单位面积上的热量传递量与温度梯度之间的比值。在雷达TR模块的数字孪生模型中,如果涉及到热传导过程,热导系数可以用来描述材料对热量的传导能力,影响模型中温度分布和传热效果。通过如下公式计算流体域的热导系数:
式中:h表示热导系数;Nu表示努谢尔数;λf表示热导率;d表示流体域内流体的水道直径。
雷达TR模块的实际运行环境复杂,主要受到温度、湿度、电、磁等多种物理场的共同作用,这些物理场之间的耦合作用非常明显。因此,本发明通过设置流体域和固体域来模拟实际运行环境中物理场之间的耦合,使得能够更好的模拟雷达TR模块的行为和性能并实现数字孪生模型的仿真运行,进而产生与真实数据跟更接近的仿真数据,从而进一步提高深度学习模型的训练效果。
具体实施过程中,温度预测模型由卷积神经网络(CNN)和门控循环神经网络(GRU)构成,并引入注意力机制来学习输入数据与需要预测的温度信息之间的关联性。
其中,卷积神经网络可以帮助模型识别温度数据中的模式和趋势。门控循环神经网络用于捕捉时间序列数据的时序依赖关系,其是递归神经网络(RNN)的变体,可以通过更新和遗忘门控制信息的流动,以有效地处理长期依赖关系。这些门控机制可以帮助模型记住重要的历史信息并忽略无关的信息。
本实施例中,卷积神经网络采用的是Conv2D(二维卷积神经网络)结构,卷积核数量设为3,卷积窗宽设为1,使用selu作为激活函数,表达式为:
具体的,通过如下步骤训练温度预测模型:
S301:获取训练数据,并将训练数据中的TR相关数据作为温度预测模型的输入数据;
S302:提取输入数据的初始特征,进而对初始特征进行特征归一化和矩阵化处理,以实现将特征统一量纲,提高模型的收敛速度和模型的精确度;
S302:通过卷积神经网络层和门控循环神经网络层分别对处理后的初始特征进行特征提取,得到对应的空间特征和时间特征;
S303:通过全连接层连接空间特征和时间特征,得到时空连接特征;
S304:通过注意力机制层关注时空连接特征中与需要预测的温度信息相关的特征,得到时空注意力全局特征;然后将时空注意力全局特征输入全连接层,得到温度预测值;
S305:通过温度预测值和对应的实际温度值计算训练损失,用以优化模型参数;
S306:重复步骤S301至S305,直至温度预测模型收敛。
本发明通过卷积神经网络(CNN)、门控循环神经网络(GRU)和注意力机制来建立温度预测模型。其中:
1)CNN能够自动学习并提取数据中的空间特征,有助于捕捉雷达TR模块温度数据中的复杂特征,并且CNN通过参数共享的方式减少了模型的参数量,提高了模型的训练效率和推理速度,对于处理大规模温度数据集和实时预测任务非常有优势。
2)GRU能够有效建模和捕捉时间序列数据中的长期依赖关系,对于雷达TR模块温度预测任务,GRU可以考虑历史温度数据的影响,从而提雷达TR模块温度预测的准确性。并且相比于长短时记忆网络(LSTM),GRU具有更少的参数量,能够减少训练和推理的计算开销,使得温度预测模型在温度预测任务中更具可行性。
3)注意力机制能够动态地对温度数据的不同部分进行加权,将更多关注放在对预测有重要贡献的数据上,从而提高温度预测的准确性。并且注意力机制可以指示模型注意的区域以使得温度预测结果更具解释性,对于雷达TR模块温度预测,有助于理解模型对于不同空间位置的温度变化的关注程度。
具体实施过程中,本发明通过RMSE、MAE以及MAPE作为评价指标来评价温度预测模型的性能。相关公式如下:
式中:yi表示实际温度值;表示温度预测值;n表示训练数据的总量。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于数字孪生的雷达TR模块温度预测方法,其特征在于,包括:
S1:通过有限元分析方法建立雷达TR模块的数字孪生模型;
S2:通过数字孪生模型的仿真运行产生仿真数据,进而结合雷达TR模块的真实数据构建联合数据库;
S3:基于深度学习模型构建温度预测模型;
S4:从联合数据库中提取数据来构建训练数据集,用以训练温度预测模型;其中训练数据集中的每组训练数据包括TR相关数据及其对应的实际温度值;
S5:将待预测雷达TR模块的TR相关数据输入训练后的温度预测模型中,输出对应的温度预测值。
2.如权利要求1所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,步骤S1中,通过如下步骤构建雷达TR模块的数字孪生模型:
S101:获取雷达TR模块的几何信息;
S102:通过有限元分析软件基于雷达TR模块的几何信息创建有限元模型;然后对有限元模型进行网格划分;
S103:定义有限元模型的材料属性、加载条件和边界条件;
S104:运行有限元分析软件对有限元模型进行有限元分析;
S105:将有限元分析的结果与雷达TR模块的真实数据进行比较和校准,进而根据一致性分析的结果对数字孪生模型进行优化和改进。
3.如权利要求2所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,步骤S105中,通过如下步骤对数字孪生模型进行一致性分析:
S1051:获取雷达TR模块的真实数据,并对真实数据进行数据预处理;
S1052:通过数字孪生模型基于真实数据对应的输入信号和操作参数进行仿真运行,得到对应的仿真数据;
S1053:将雷达TR模块的真实数据与数字孪生模型的仿真数据进行数据比对;
S1054:根据数据比对结果评估数字孪生模型与雷达TR模块之间的一致性。
4.如权利要求1所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,步骤S2中,通过如下步骤实现数字孪生模型的仿真运行:
S201:根据雷达TR模块的实际应用场景,确定输入信号的类型和参数;
S202:确定数字孪生模型仿真运行的初始条件;
S203:数字孪生模型基于输入信号和初始条件进行仿真运行,得到响应结果;
S204:从响应结果中提取所需的仿真数据。
5.如权利要求4所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,步骤S203中,在数字孪生模型进行仿真运行时为其设置对应的流体域和固体域,用以模拟雷达TR模块的行为和性能。
6.如权利要求5所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,通过如下公式计算流体域的雷诺数:
式中:Re表示雷诺数;v表示流体域内流体的流动速度;d表示特征长度;μf表示流体域内流体的运动粘度。
7.如权利要求5所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,通过如下公式计算流体域的热导系数:
式中:h表示热导系数;Nu表示努谢尔数;λf表示热导率;d表示流体域内流体的水道直径。
8.如权利要求1所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于:步骤S3中,温度预测模型由卷积神经网络、门控循环神经网络和注意力机制构成。
9.如权利要求8所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,通过如下步骤训练温度预测模型:
S301:获取训练数据,并将训练数据中的TR相关数据作为温度预测模型的输入数据;
S302:提取输入数据的初始特征,进而对初始特征进行特征归一化和矩阵化处理;
S302:通过卷积神经网络层和门控循环神经网络层分别对处理后的初始特征进行特征提取,得到对应的空间特征和时间特征;
S303:通过全连接层连接空间特征和时间特征,得到时空连接特征;
S304:通过注意力机制层关注时空连接特征中与需要预测的温度信息相关的特征,得到时空注意力全局特征;然后将时空注意力全局特征输入全连接层,得到温度预测值;
S305:通过温度预测值和对应的实际温度值计算训练损失,用以优化模型参数;
S306:重复步骤S301至S305,直至温度预测模型收敛。
10.如权利要求1所述的基于数字孪生的雷达TR模块温度预测方法,其特征在于,通过RMSE、MAE或MAPE作为评价指标来评价温度预测模型的性能;
相关公式如下:
式中:yi表示实际温度值;表示温度预测值;n表示训练数据的总量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053505.XA CN117077526A (zh) | 2023-08-21 | 2023-08-21 | 基于数字孪生的雷达tr模块温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053505.XA CN117077526A (zh) | 2023-08-21 | 2023-08-21 | 基于数字孪生的雷达tr模块温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117077526A true CN117077526A (zh) | 2023-11-17 |
Family
ID=88707552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311053505.XA Pending CN117077526A (zh) | 2023-08-21 | 2023-08-21 | 基于数字孪生的雷达tr模块温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077526A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973160A (zh) * | 2024-04-02 | 2024-05-03 | 厦门理工学院 | 基于数字孪生的电动矿卡电机故障监测与预警方法及装置 |
CN118060856A (zh) * | 2024-04-16 | 2024-05-24 | 成都智芯雷通微系统技术有限公司 | 一种相控阵雷达模块制造方法 |
-
2023
- 2023-08-21 CN CN202311053505.XA patent/CN117077526A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973160A (zh) * | 2024-04-02 | 2024-05-03 | 厦门理工学院 | 基于数字孪生的电动矿卡电机故障监测与预警方法及装置 |
CN118060856A (zh) * | 2024-04-16 | 2024-05-24 | 成都智芯雷通微系统技术有限公司 | 一种相控阵雷达模块制造方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oh et al. | Convolutional neural network‐based wind‐induced response estimation model for tall buildings | |
Mark et al. | Comparison between different immersed boundary conditions for simulation of complex fluid flows | |
Duru et al. | A deep learning approach for the transonic flow field predictions around airfoils | |
CN110222828B (zh) | 一种基于混合深度神经网络的非定常流场预测方法 | |
Vlachas et al. | A local basis approximation approach for nonlinear parametric model order reduction | |
CN117077526A (zh) | 基于数字孪生的雷达tr模块温度预测方法 | |
KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
Lai et al. | Digital twin-based structural health monitoring by combining measurement and computational data: An aircraft wing example | |
Hermans | Prediction-focused approaches: An opportunity for hydrology | |
CN111664823A (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
CN111339642A (zh) | 仿真模型率定方法、系统、可读介质、设备 | |
Wang et al. | Surrogate-assisted Bayesian inference inverse material identification method and application to advanced high strength steel | |
Lin et al. | Long-term viscoelastic deformation monitoring of a concrete dam: A multi-output surrogate model approach for parameter identification | |
Boullé et al. | A mathematical guide to operator learning | |
Zhu et al. | A coupled model for dam foundation seepage behavior monitoring and forecasting based on variational mode decomposition and improved temporal convolutional network | |
Parno et al. | High dimensional inference for the structural health monitoring of lock gates | |
Xu et al. | Physics-informed neural networks for studying heat transfer in porous media | |
Miele et al. | Multi-fidelity physics-informed machine learning for probabilistic damage diagnosis | |
Liu et al. | Deep learning in frequency domain for inverse identification of nonhomogeneous material properties | |
Bolandi et al. | Physics informed neural network for dynamic stress prediction | |
Cao et al. | Reducio: Model reduction for data center predictive digital twins via physics-guided machine learning | |
CN114692529B (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
CN115081677B (zh) | 一种风速预测方法、装置、电子设备及可读存储介质 | |
CN116009118A (zh) | 基于人工智能预测短期大气光学湍流廓线的方法和系统 | |
CN113570111B (zh) | 基于轻量化网络的桥梁健康状态片上监测方法 |
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 |