基于不确定性和半监督学习的热源布局温度场预测方法技术

本发明专利技术公开了一种基于不确定性和半监督学习的热源布局温度场预测方法，包括：获取第一训练数据和第二训练数据；对训练数据进行预处理；构建深度学习神经网络模型；对深度学习神经网络模型进行随机初始化，利用第一训练数据对模型进行训练，重复进行多次随机初始化和训练过程，得到多个训练好的模型；确定待更新模型和辅助模型；将第二训练数据的组件布局输入辅助模型，计算组件布局对应的预测温度场和预测不确定性；利用第一训练数据、第二训练数据及其对应的预测温度场和预测不确定性对待更新模型进行训练；利用待更新模型进行温度场的预测。本发明专利技术能够利用少量有标签训练数据得到具有较高预测精度的深度学习代理模型，降低计算成本。计算成本。计算成本。

Temperature field prediction method of heat source layout based on uncertainty and semi supervised learning

【技术实现步骤摘要】
基于不确定性和半监督学习的热源布局温度场预测方法


[0001]本专利技术涉及组件布局优化设计
，具体涉及一种基于不确定性和半监督学习的热源布局温度场预测方法。

技术介绍

[0002]为实现不同的功能、以及执行各种不同的任务，卫星内部通常集成有大量的组件，组件在正常工作过程中会产生大量热量，可视为热源。为了满足卫星的总体功能，在确定卫星内部各组件的布局时通常要考虑在当前组件布局下的温度场是否满足设计要求，例如最大温度是否过高，特定位置温度是否过高等，以避免因温度过高而导致组件可靠性降低或组件失效。因此，如何确定组件布局对应的温度场是一个在进行组件布局设计优化时需要解决的重要问题。
[0003]对于如何确定组件布局对应的温度场，目前主要使用两种方法。其中，第一种方法是对组件布局进行建模，然后采用有限元法、有限差分法、有限体积法等数值计算方法对组件布局进行仿真分析，以确定组件布局对应的温度场。第二种方法是构建深度学习代理模型，采用大量的带有温度场标签的样本数据对代理模型进行训练，然后利用训练后的深度学习代理模型进行组件布局的温度场预测。
[0004]然而，由于组件布局优化设计是一个反复迭代的过程，现有的基于有限元的仿真计算方法决定了其单次仿真计算效率不会太高，而在进行迭代优化过程中，需要多次分析计算组件布局温度场，会耗费大量的计算资源和计算时间，计算成本较高，优化效率较低，并且所需的计算资源和计算时间还会随着组件布局的复杂程度和组件布局温度场的计算精度逐级增加。现有的利用深度学习代理模型进行卫星组件布局的温度场预测的方法需要利用大量的带有温度场标签的样本数据来训练代理模型，由于卫星组件布局对应的温度场的真实数据难以获取，每个带有温度场标签的样本数据需要通过仿真实验和数值计算的方式来获取，同样需要耗费较多的计算资源和计算时间，依然存在计算成本高，组件布局优化设计效率低的问题。

技术实现思路

[0005]为解决上述现有技术中存在的部分或全部技术问题，本专利技术提供一种基于不确定性和半监督学习的热源布局温度场预测方法。
[0006]本专利技术的技术方案如下：
[0007]提供了一种基于不确定性和半监督学习的热源布局温度场预测方法，所述方法包括：
[0008]获取第一训练数据和第二训练数据，其中，所述第一训练数据包括组件布局及其对应的温度场，所述第二训练数据包括组件布局；
[0009]对所述第一训练数据和所述第二训练数据进行预处理；
[0010]构建深度学习神经网络模型；
[0011]对深度学习神经网络模型进行随机初始化，利用所述第一训练数据对深度学习神经网络模型进行训练，得到一个训练好的深度学习神经网络模型，重复进行多次随机初始化和训练过程，得到多个训练好的深度学习神经网络模型；
[0012]确定待更新模型和辅助模型，其中，所述待更新模型为所述多个训练好的深度学习神经网络模型中预测性能最佳的一个深度学习神经网络模型，所述辅助模型为所述多个训练好的深度学习神经网络模型中除所述待更新模型外的其他模型；
[0013]将所述第二训练数据的组件布局输入所述辅助模型，计算输入的组件布局对应的预测温度场和预测不确定性；
[0014]利用所述第一训练数据、所述第二训练数据及其对应的预测温度场和预测不确定性对所述待更新模型进行训练以更新模型参数；
[0015]利用训练后的所述待更新模型进行组件布局温度场的预测。
[0016]在一些可能的实现方式中，所述获取第一训练数据和第二训练数据，包括：
[0017]对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，得到一个包括组件布局及组件布局对应的温度场的第一训练数据，重复多次随机获取过程直至获得第一预设数量的第一训练数据；
[0018]对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，得到一个包括组件布局的第二训练数据，重复多次随机获取过程直至获得第二预设数量的第二训练数据。
[0019]在一些可能的实现方式中，设定：将组件布局区域划分为M1×
M2网格进行组件布局；
[0020]所述对所述第一训练数据和所述第二训练数据进行预处理，包括：
[0021]将所述第一训练数据的组件布局和所述第二训练数据的组件布局用维度为M1×
M2的矩阵表示，有组件的网格位置对应的矩阵元素为组件功率，无组件的网格位置对应的矩阵元素为0。
[0022]在一些可能的实现方式中，所述深度学习神经网络模型为U
‑
net卷积神经网络。
[0023]在一些可能的实现方式中，所述利用所述第一训练数据对深度学习神经网络模型进行训练，包括：
[0024]将所述第一训练数据的组件布局作为输入，将与输入的组件布局对应的温度场作为输出，通过梯度下降法对深度学习神经网络模型进行训练。
[0025]在一些可能的实现方式中，利用以下公式计算组件布局对应的预测温度场；
[0026][0027]其中，表示组件布局对应的预测温度场，Q表示辅助模型的数量，T
q
表示组件布局对应的第q个辅助模型输出的预测温度场。
[0028]在一些可能的实现方式中，利用以下公式计算组件布局对应的预测不确定性；
[0029][0030]其中，T
std
表示组件布局对应的预测不确定性。
[0031]在一些可能的实现方式中，所述利用所述第一训练数据、所述第二训练数据及其对应的预测温度场和预测不确定性对所述待更新模型进行训练以更新模型参数，包括：
[0032]将所述第一训练数据的组件布局和所述第二训练数据的组件布局作为输入，根据输入的所述第一训练数据的组件布局对应的温度场、输入的所述第二训练数据的组件布局对应的预测温度场和预测不确定性、以及待更新模型输出的预测温度场构建损失函数，基于构建的损失函数，通过梯度下降法对所述待更新模型进行训练。
[0033]在一些可能的实现方式中，在对所述待更新模型进行训练时，损失函数设置为：
[0034][0035]其中，α和β表示预设权重系数，Ω表示温度场元素数量，N表示输入待更新模型的第一训练数据的数量，sum(*)表示对*中所有元素求和，和表示预处理后的第i个第一训练数据的组件布局和温度场，表示待更新模型输出的第i个第一训练数据的组件布局对应的预测温度场，N
′
表示输入待更新模型的第二训练数据的数量，表示预处理后的第j个第二训练数据的组件布局，表示待更新模型输出的第j个第二训练数据的组件布局对应的温度场预测值，W
j
表示第j个第二训练数据的组件布局对应的不确定性权重矩阵，表示第j个第二训练数据的组件布局对应的预测温度场。
[0036]在一些可能的实现方式中，不确定性权重矩阵W
j
利用以下公式确定：...

【技术保护点】

【技术特征摘要】
1.一种基于不确定性和半监督学习的热源布局温度场预测方法，其特征在于，包括：获取第一训练数据和第二训练数据，其中，所述第一训练数据包括组件布局及其对应的温度场，所述第二训练数据包括组件布局；对所述第一训练数据和所述第二训练数据进行预处理；构建深度学习神经网络模型；对深度学习神经网络模型进行随机初始化，利用所述第一训练数据对深度学习神经网络模型进行训练，得到一个训练好的深度学习神经网络模型，重复进行多次随机初始化和训练过程，得到多个训练好的深度学习神经网络模型；确定待更新模型和辅助模型，其中，所述待更新模型为所述多个训练好的深度学习神经网络模型中预测性能最佳的一个深度学习神经网络模型，所述辅助模型为所述多个训练好的深度学习神经网络模型中除所述待更新模型外的其他模型；将所述第二训练数据的组件布局输入所述辅助模型，计算输入的组件布局对应的预测温度场和预测不确定性；利用所述第一训练数据、所述第二训练数据及其对应的预测温度场和预测不确定性对所述待更新模型进行训练以更新模型参数；利用训练后的所述待更新模型进行组件布局温度场的预测。2.根据权利要求1所述的基于不确定性和半监督学习的热源布局温度场预测方法，其特征在于，所述获取第一训练数据和第二训练数据，包括：对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，得到一个包括组件布局及组件布局对应的温度场的第一训练数据，重复多次随机获取过程直至获得第一预设数量的第一训练数据；对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，得到一个包括组件布局的第二训练数据，重复多次随机获取过程直至获得第二预设数量的第二训练数据。3.根据权利要求2所述的基于不确定性和半监督学习的热源布局温度场预测方法，其特征在于，设定：将组件布局区域划分为M1×
M2网格进行组件布局；所述对所述第一训练数据和所述第二训练数据进行预处理，包括：将所述第一训练数据的组件布局和所述第二训练数据的组件布局用维度为M1×
M2的矩阵表示，有组件的网格位置对应的矩阵元素为组件功率，无组件的网格位置对应的矩阵元素为0。4.根据权利要求1
‑
3中任一项所述的基于不确定性和半监督学习的热源布局温度场预测方法，其特征在于，所述深度学习神经网络模型为U
‑
net卷积神经网络。5.根据权利要求1所述的基于不确定性和半监督学习的热源布局温度场预测方法，其特征在于，所述利用所述第一训练数据对深度学习...

【专利技术属性】
技术研发人员：彭伟，夏宇峰，龚智强，李昱，姚雯，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：