基于AI Agent的惯性平台温度场协作预测方法技术

本发明专利技术属于精密测量与智能计算技术领域，具体涉及一种基于AI Agent的惯性平台温度场协作预测方法，包括如下步骤：A1：GPT‑4+CLIP‑ViT‑H调用检索增强生成知识库RAG，进行多模态数据检索与结构化需求解析，得到惯性平台温度场参数体系与边界条件预验证结果；A2：PINNs+符号回归引擎调用物理规律知识库，进行动态方程匹配与约束强度调优，得到多物理场耦合约束规则集；A3：NAS+Transformer‑XL调用多模态特征库，进行跨模态特征对齐与自适应架构生成，得到物理嵌入型网络拓扑结构；A4：PPO+AutoML调用参数组合库，对A3得到的拓扑结构进行强化训练，得到高鲁棒性预测模型。

【技术实现步骤摘要】

本专利技术属于精密测量与智能计算，具体涉及一种基于ai agent的惯性平台温度场协作预测方法。

技术介绍

1、随着人工智能技术的迅猛发展，惯性平台的状态感知与智能管理逐步向高度自动化、智能化方向演进，尤其在航空航天、无人驾驶、深海探测等复杂应用环境中，对惯性平台的热稳定性提出了更高要求。惯性平台在运行过程中，其内部器件对温度变化高度敏感，温度漂移会引起惯性器件零偏波动、灵敏度非线性变化以及结构应力变形，直接影响系统导航精度和运行稳定性。因此，针对惯性平台的温度场进行高精度预测与重构，并在运行前主动识别潜在的热异常，成为保障系统安全和性能优化的关键环节。

2、目前主流的温度场重构技术在惯性平台热管理应用中已取得一定成果，但在实际应用中仍面临不少挑战和限制。基于物理传感器的重构方法依赖在平台关键位置布设温度传感器，通过插值或拟合方式估算整体温度分布，虽然方法直观、实现简便，但其精度严重受限于传感器的数量、精度和布局，难以全面覆盖平台内部结构复杂、分布不均的热场特征，尤其在存在非线性温度梯度或局部热源的情况下更难以准确反映实际温度变化。基于物理模型本文档来自技高网...

【技术保护点】

1.一种基于AI Agent的惯性平台温度场协作预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于AI Agent的惯性平台温度场协作预测方法，其特征在于，还包括步骤A5测试：以验证部署可靠性为目的，ART+BERTScore通过调用动态评估指标库，对步骤A4得到的预测模型进行多维度性能测试与反馈数据闭环迭代，得到可信度评估与模型迭代策略。

3.如权利要求1或2所述的基于AI Agent的惯性平台温度场协作预测方法，其特征在于，步骤A1分析需求具体为：基于检索增强生成知识库框架RAG，GPT-4+CLIP-ViT-H自动检索惯性平台相关设计规范、材料...

【技术特征摘要】

1.一种基于ai agent的惯性平台温度场协作预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于ai agent的惯性平台温度场协作预测方法，其特征在于，还包括步骤a5测试：以验证部署可靠性为目的，art+bertscore通过调用动态评估指标库，对步骤a4得到的预测模型进行多维度性能测试与反馈数据闭环迭代，得到可信度评估与模型迭代策略。

3.如权利要求1或2所述的基于ai agent的惯性平台温度场协作预测方法，其特征在于，步骤a1分析需求具体为：基于检索增强生成知识库框架rag，gpt-4+clip-vit-h自动检索惯性平台相关设计规范、材料手册及历史工况数据库，通过多模态特征对齐引擎解析结构图纸中的几何参数与文本文档中的物性描述；ai agent系统动态构建输入参数体系与输出目标，同时通过物理规律知识库预验证边界条件合理性，自主生成满足热-力耦合约束的初始控制方程集合，为后续添加约束阶段提供可扩展的数学描述基底；所述边界条件包括热传导方程、热-力耦合方程、能量守恒定律；

4.如权利要求3所述的基于ai agent的惯性平台温度场协作预测方法，其特征在于，步骤a3网络生成过程中，nas+transformer-xl同步实施三层验证机制：1）特征融合阶段监测跨模态信息丢失率，自动触发特征重标定；2）网络构建阶段评估模块间梯度传递效率，动态插入残差连接或注意力门控；3）参数配置阶段对比历史优化记录，规避局部最优陷阱；最终...

【专利技术属性】
技术研发人员：李秀源，邵星灵，韩信，周娇，张沛晗，郝磊磊，韩传锟，王津申，
申请(专利权)人：中北大学，
类型：发明
国别省市：