基于有限测点的热源系统温度场实时重建方法技术方案

本发明专利技术公开了一种基于有限测点的热源系统温度场实时重建方法，包括：获取多个训练数据，训练数据包括监测数据和预测数据，监测数据包括一个组件布局中的多个监测点的位置及温度，预测数据包括相同组件布局中的至少一个预测点的位置及温度；构建基于向量映射的机器学习模型；利用训练数据训练基于向量映射的机器学习模型以拟合监测点的温度与预测点的温度之间的映射关系；利用训练后的机器学习模型进行预测点的温度预测。本发明专利技术的方法能够利用有限的监测点测量的温度得到组件布局下的其他位置的温度，实现不同组件布局下的预测点温度的快速预测和实时预测，减少组件布局区域中需要安装的温度传感器数量，降低传感器安装空间需求。间需求。间需求。

【技术实现步骤摘要】
基于有限测点的热源系统温度场实时重建方法


[0001]本专利技术涉及设备热控
，具体涉及一种基于有限测点的热源系统温度场实时重建方法。

技术介绍

[0002]现有的如微电子设备等热源系统中，由于内部的发热组件数量较多，发热组件分布密集，导致热源系统的温度较高、温度变化较大。同时，由于热源系统在正常运行阶段还会根据所处环境和所执行任务的变化实时调整组件功率，也会导致整个热源系统的温度分布变化频繁。由于电子组件对温度变化十分敏感，一旦热源系统内某些区域的温度超过组件的工作温度范围，将导致该热源系统难以继续工作，甚至可能导致热源系统损坏。因此，对热源系统的内部区域进行温度实时监测是非常必要的。
[0003]目前，热源系统的内部区域的温度监测主要采用接触式温度监测方式，即通过在热源系统内部的某些位置安装温度传感器，利用温度传感器进行温度的实时测量。但是，由于热源系统内部空间的限制，传感器的安装数量通常是有限制的，若安装过多的传感器则会严重影响系统设计，造成不必要的系统冗余。因此，现有的接触式温度监测方式只能实现对少量的装有传感器的位置进行热监测，而无法对热源系统的其他位置进行温度实时监测，当热源系统内部需要进行温度监测的位置较多时，难以满足实际应用需求。

技术实现思路

[0004]为了解决上述现有技术中存在的部分或全部技术问题，本专利技术提供了一种基于有限测点的热源系统温度场实时重建方法。
[0005]本专利技术的技术方案如下：
[0006]提供了一种基于有限测点的热源系统温度场实时重建方法，所述方法包括：
[0007]获取多个训练数据，其中，所述训练数据包括监测数据和预测数据，所述监测数据包括一个组件布局中的多个监测点的位置及温度，所述预测数据包括相同组件布局中的至少一个预测点的位置及温度；
[0008]构建基于向量映射的机器学习模型；
[0009]利用所述训练数据训练所述基于向量映射的机器学习模型以拟合监测点的温度与预测点的温度之间的映射关系；
[0010]利用训练后的机器学习模型进行预测点的温度预测。
[0011]在一些可能的实现方式中，所述获取多个训练数据，包括：
[0012]确定监测点和预测点在热源系统的组件布局区域中的位置，确定各个组件在所述组件布局区域中的位置；
[0013]针对每个组件，保持组件位置不变，从每个组件对应的预设功率范围内随机采样一个功率数值以确定每个组件的功率，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，从温度场中提取监测点的温度和预测点的温度，确定一个包括监测点
的位置及温度的监测数据和一个包括预测点的位置及温度的预测数据，得到一个包括监测数据和预测数据的训练数据，重复进行多次随机采样和提取过程，直至得到预设数量的训练数据。
[0014]在一些可能的实现方式中，所述基于向量映射的机器学习模型为多层感知机。
[0015]在一些可能的实现方式中，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：
[0016]将所述监测数据中监测点的温度作为所述多层感知机的输入，将所述预测数据中预测点的温度作为所述多层感知机的输出，训练所述多层感知机。
[0017]在一些可能的实现方式中，所述基于向量映射的机器学习模型为条件神经过程模型，所述条件神经过程模型包括：第一全连接神经网络、第二全连接神经网络和特征处理模块；
[0018]所述第一全连接神经网络的输出连接所述特征处理模型，所述特征处理模块的输出连接所述第二全连接神经网络，所述第一全连接神经网络用于学习所述监测数据的特征，所述特征处理模块用于求取所述第一全连接神经网络输出的特征均值，所述第二全连接神经网络用于根据所述特征处理模块输出的特征均值预测预测点的温度。
[0019]在一些可能的实现方式中，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：
[0020]将所述监测数据中监测点的位置和温度作为所述第一全连接神经网路的输入，将所述特征处理模块的输出和所述预测数据中预测点的位置作为所述第二全连接神经网络的输入，将所述预测数据中预测点的温度作为所述第二全连接神经网络的输出，训练所述条件神经过程模型。
[0021]在一些可能的实现方式中，所述基于向量映射的机器学习模型为自注意力机制模型，所述自注意力机制模型包括：第一全连接神经网络、第二全连接神经网络、第三全连接神经网络、编码器和解码器；
[0022]所述第一全连接神经网络的输出与所述编码器的输入连接，所述第二全连接神经网络的输出和所述编码器的输出分别与所述解码器的输入连接，所述解码器的输出与所述第三全连接神经网络的输入连接，所述第一全连接神经网络用于学习所述监测数据的特征，所述编码器用于根据自注意力机制对所述第一全连接神经网络输出的特征进行更新，所述第二全连接神经网络用于学习所述监测数据中监测点的位置的特征和所述预测数据中预测点的位置的特征，所述解码器用于根据自注意力机制对所述编码器输出的特征和所述第二全连接神经网络输出的特征生成预测点的特征，所述第三全连接神经网络用于根据所述解码器输出的特征预测预测点的温度。
[0023]在一些可能的实现方式中，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：
[0024]将所述监测数据中监测点的位置和温度作为所述第一全连接神经网络的输入，将所述监测数据中监测点的位置和所述预测数据中预测点的位置作为所述第二全连接神经网络的输入，将所述预测数据中预测点的温度作为所述第三全连接神经网络的输出，训练所述自注意力机制模型。
[0025]在一些可能的实现方式中，所述基于向量映射的机器学习模型为图卷积神经网络
模型。
[0026]在一些可能的实现方式中，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：
[0027]根据所述监测数据中监测点的位置和所述预测数据中预测点的位置建立监测点与预测点的图模型；
[0028]基于所述图模型，将所述监测数据中监测点的温度作为所述图卷积神经网络模型的输入，将所述预测数据中预测点的温度作为所述图卷积神经网络模型的输出，训练所述图卷积神经网络模型。
[0029]本专利技术技术方案的主要优点如下：
[0030]本专利技术的基于有限测点的热源系统温度场实时重建方法通过利用不同组件布局下的监测数据和预测数据对构建的基于向量映射的机器学习模型进行训练，利用训练好的机器学习模型能够实现不同组件布局下的预测点温度的快速预测和实时预测，能够利用有限的监测点测量的温度得到组件布局下的其他位置的温度，减少组件布局区域中需要安装的温度传感器数量，降低传感器安装空间需求。
附图说明
[0031]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于有限测点的热源系统温度场实时重建方法，其特征在于，包括：获取多个训练数据，其中，所述训练数据包括监测数据和预测数据，所述监测数据包括一个组件布局中的多个监测点的位置及温度，所述预测数据包括相同组件布局中的至少一个预测点的位置及温度；构建基于向量映射的机器学习模型；利用所述训练数据训练所述基于向量映射的机器学习模型以拟合监测点的温度与预测点的温度之间的映射关系；利用训练后的机器学习模型进行预测点的温度预测。2.根据权利要求1所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述获取多个训练数据，包括：确定监测点和预测点在热源系统的组件布局区域中的位置，确定各个组件在所述组件布局区域中的位置；针对每个组件，保持组件位置不变，从每个组件对应的预设功率范围内随机采样一个功率数值以确定每个组件的功率，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，从温度场中提取监测点的温度和预测点的温度，确定一个包括监测点的位置及温度的监测数据和一个包括预测点的位置及温度的预测数据，得到一个包括监测数据和预测数据的训练数据，重复进行多次随机采样和提取过程，直至得到预设数量的训练数据。3.根据权利要求1或2所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述基于向量映射的机器学习模型为多层感知机。4.根据权利要求3所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：将所述监测数据中监测点的温度作为所述多层感知机的输入，将所述预测数据中预测点的温度作为所述多层感知机的输出，训练所述多层感知机。5.根据权利要求1或2所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述基于向量映射的机器学习模型为条件神经过程模型，所述条件神经过程模型包括：第一全连接神经网络、第二全连接神经网络和特征处理模块；所述第一全连接神经网络的输出连接所述特征处理模型，所述特征处理模块的输出连接所述第二全连接神经网络，所述第一全连接神经网络用于学习所述监测数据的特征，所述特征处理模块用于求取所述第一全连接神经网络输出的特征均值，所述第二全连接神经网络用于根据所述特征处理模块输出的特征均值预测预测点的温度。6.根据权利要求5所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述利用所述训练数据训练所述基于向量...

【专利技术属性】
技术研发人员：龚智强，赵啸宇，李桥，周炜恩，张小亚，
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：