CN108133085B - 一种电子设备舱内设备温度预测方法及*** - Google Patents
一种电子设备舱内设备温度预测方法及*** Download PDFInfo
- Publication number
- CN108133085B CN108133085B CN201711296297.0A CN201711296297A CN108133085B CN 108133085 B CN108133085 B CN 108133085B CN 201711296297 A CN201711296297 A CN 201711296297A CN 108133085 B CN108133085 B CN 108133085B
- Authority
- CN
- China
- Prior art keywords
- temperature
- equipment
- window
- layer
- hidden layer
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 238000012546 transfer Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- 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
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)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种电子设备舱内设备温度预测方法,包括:基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。本发明提供的方法预测温度误差较小,准确性较高。
Description
技术领域
本发明属于电子设备技术领域,更具体地,涉及一种电子设备舱内设备温度预测方法及***。
背景技术
内置有各种电子、激光、雷达等设备的电子设备舱越来越多的被采用。这些电子设备的性能和可靠性对温度、湿度等环境条件有强烈的依赖关系。为保证这些电子设备在干燥、清洁、温度适宜的环境中可靠工作,会设置环境控制***将舱内温度控制在一定范围内。因此必须进行电子设备舱内热环境的分析,建立传热模型预测舱内温度为环控***提供支持。
环控***开启后电子设备舱室内的传热过程主要为对流传热过程和导热过程,此两种传热过程的控制方程都是非线性的微分方程,不可直接求解。目前采用过的建立热模型的方法有两种:分布参数法和集总参数法。分布参数模型通过有限元法通过数值近似和离散化实现舱内温度的分布和预测。可其特点在于:边界条件、物性参数、传热和阻力计算准则等参数都实现了局部化,能够得到电子设备舱室内更加准确的传热和热学特性,但是计算成本太高,应用面窄。所以在实际应用中,多采用集总参数法通过适当的假设和简化,将电子设备等效为内部物性均匀的热节点。降低非线性方程的应用难度,建立集总参数模型。但其不能很好表征舱内非线性的温变过程,预测精度差。
现有的技术存在的主要问题是计算成本高难以实现以及计算误差太大,不能自适应的准确描述复杂的动态变化的传热过程。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种电子设备舱内设备温度预测方法,包括:
步骤S1、基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;
步骤S2、基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;
步骤S3、将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;
步骤S4、将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
其中,所述方法还包括:
对每个类型的温度变量数据流对应的窗口数据进行低通滤波和归一化处理;
将低通滤波和归一化后的数据输入RVFL中进行训练。
其中,步骤S3之前所述方法还包括:
计算每个窗口内包含的设备温度数据的预测值和设备温度数据流的实际获取值之间的平均相对误差;
若所述平均相对误差大于预设阈值,更新所述训练样本集重新对RVFL训练。
其中,所述计算每个窗口内包含的设备温度数据的预测值和设备温度数据流的实际获取值之间的平均相对误差,具体包括:
其中,步骤S1包括:
基于所述电子设备舱的设备类型,获取所述电子设备舱的设备类型对应的热网络模型;
获取所述热网络模型中包含的温度变量类型,并采集所述温度变量类型对应的温度变量数据流。
其中,所述RVFL包括一个输入层、一个隐含层以及一个输出层,所述隐含层包括多个隐含层节点,步骤S3具体包括:
将所述所有类型的温度变量数据流对应的窗口数据作为训练样本集输入RVFL的输入层中;
基于所述隐含层节点的数量、预设的从所述输入层到所述隐含层的权值和偏置,对RVFL进行训练,得到设备温度预测模型。
其中,所述基于所述隐含层节点的数量、预设的所述输入层到所述隐含层的权值和偏置,对RVFL进行训练,包括:
基于输入的窗口数据、预设的从所述输入层到所述隐含层的权值和偏置,计算所述隐含层的输出函数;
基于所述隐含层的输出函数,计算所述隐含层到所述输出层的输出矩阵;
基于所述隐含层到所述输出层的输出矩阵,计算所述隐含层到所述输出层的权重;
基于所述隐含层到所述输出层的权重、所述隐含层到所述输出层的输出矩阵以及预设的从所述输入层到所述隐含层的权值和偏置,构建所述设备温度预测模型。
根据本发明的第二方面,提供一种电子设备舱内设备温度预测***,包括:
获取模块,用于基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;
窗口选取模块,用于基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;
训练模块,用于将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;
预测模块,用于将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
根据本发明的第三方面,提供一种计算机程序产品,包括程序代码,所述程序代码用于执行上述所述的一种电子设备舱内设备温度预测方法。
根据本发明的第四方面,提供一种非暂态计算机可读存储介质,用于存储如前所述的计算机程序。
本发明提供的一种电子设备舱内设备温度预测方法及***,通过将滑动窗口与RVFL神经网络结合,提供了电子设备舱的设备温度预测模型,此模型能够自适应的描述复杂动态变化情况下的传热过程,预测温度误差较小,准确性较高。
附图说明
图1是本发明实施例提供的一种电子设备舱内设备温度预测方法流程图;
图2是本发明实施例提供的电子设备舱内结构示意图;
图3是本发明实施例提供的两种类型的电子设备的热阻网络图;
图4是本发明实施例提供的RVFL结构示意图;
图5是本发明实施例提供的一种电子设备舱内设备温度预测***结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明实施例提供的一种电子设备舱内设备温度预测方法流程图,如图1所示,一种电子设备舱内设备温度预测方法,包括:
步骤S1、基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;
步骤S2、基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;
步骤S3、将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;
步骤S4、将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
需要说明的是,本发明实施例所处的环境是将电子设备舱置于低温环境模拟舱中,所有温度测试到达稳定后,开始低温贮存实验,贮存实验结束后开启制冷空气***,对电子设备进行升温。在实验过程中,电子设备一直处于加电的稳定工作状态。
图2是本发明实施例提供的电子设备舱内结构示意图,如图2所示,本发明实施例提供的电子设备舱内的电子设备有两种类型,E1、E4、E5是一种类型,E2、E3是另一种类型,如图2所示,对于E1电子设备这种类型而言,其电子设备外没有金属盒子,电子设备直接接触电子设备舱室,而对于E2这种类型的电子设备,电子设备本身放在金属壳体内部,金属壳体有一个进气口E6以及一个出气口E7。
可以理解的是,对于两种类型的电子设备,他们对应的温度变量是不同的,图3是本发明实施例提供的两种类型的电子设备的热阻网络图,如图3所示,不同设备类型对应的热阻网络图不同,其中热阻网络所包括的温度变量类型也不相同,那么在本发明实施例步骤S1中,将根据其不同的设备类型,获取类型对应的温度变量,温度变量数据流是根据布置在电子设备舱内的采集点获取的,如图2中所示的T11、T21、T31以及T41上布置的测量点。
步骤S2中,本发明实施例使用了滑动窗口来对温度变量的数据流进行截取,截取的数据长度为预设的滑动窗口大小,优选的,在本发明实施例中,所述滑动窗口包括的数据长度为5000个数据点。
步骤S2中,本发明实施例对所有类型的温度变量的数据流进行截取,得到各个类型的温度变量的窗口数据。
步骤S3中,将步骤S2中得到的各个类型的窗口数据输入随机向量功能网络RVFL中进行训练,可以理解的是,输入的各个类型的窗口数据作为RVFL的训练样本集,RVFL中输入层到隐含层的权重(内权)是随机生成的。在学习阶段,由于训练用的输入和输出数据已知,内权随机赋值后,只需确定RVFL隐含层到输出层的输出权重,即可获取设备温度预测模型。
步骤S4中,将滑动窗口后移,移动长度设置为窗口长度,那么基于步骤S3中得到的设备温度预测模型,能够预测后移之后窗口内包括的设备温度数据。
本发明提供的一种电子设备舱内设备温度预测方法及***,通过将滑动窗口与RVFL神经网络结合,提供了电子设备舱的设备温度预测模型,此模型能够自适应的描述复杂动态变化情况下的传热过程,预测温度误差较小,准确性较高。
在上述实施例的基础上,所述方法还包括:
对每个类型的温度变量数据流对应的窗口数据进行低通滤波和归一化处理;
将低通滤波和归一化后的数据输入RVFL中进行训练。
可以理解的是,对于截取的窗口数据,由于测量本身有误差并且测量数据中包含少量噪声,故本发明实施例提供了一种数据预处理的方法来去除因为测量装置及随机扰动带来的噪声影响,从而消除对模型精度带来的负面影响。
具体的,本发明实施例对每个类型的温度变量数据流均进行FIR低通滤波和归一化处理,所述归一化处理具体表示为:
其中,norm为归一化后的数值,Texp为窗口数据其中一个数据点的温度数据,Tmin为所述窗口数据中的最小值,Tmax为所述窗口数据中的最大值。
优选的,本发明实施例采用的FIR低通滤波器阶数为10*16*60阶,截止频率为0.0001Hz。
在上述实施例的基础上,步骤S3之前所述方法还包括:
计算每个窗口内包含的设备温度数据的预测值和设备温度数据流的实际获取值之间的平均相对误差;
若所述平均相对误差大于预设阈值,更新所述训练样本集重新对RVFL训练。
可以理解的是,本发明实施例提供的方案所建立的设备温度预测模型可能在对某些数据点的预测上不会太准确,那么本发明实施例将提供一种修正方案来对设备温度预测模型进行实时修正。
具体的,本发明实施例会计算设备温度数据的预测值与设备温度数据流的实际获取值之间的平均相对误差,具体包括:
其中,Z为窗口内包含的数据量,Texp,i为所述第i个实际获取值,Tsim,i为所述第i个预测值,E为所述平均相对误差。
若所述平均相对误差小于阈值,则确定所述设备温度预测模型适合当前工况,滑窗继续后移进行预测;
若所述平均相对误差大于阈值,则判定工况发生变化,需要及时修正模型。
修正方式依据所述当前窗口内实际获取值重新作为训练样本对RVFL进行训练,从而更新设备温度预测模型,使得模型对后续的预测更加精准。
优选的,本发明实施例中提供的预设阈值设置为0.8。
在上述实施例的基础上,步骤S1包括:
基于所述电子设备舱的设备类型,获取所述电子设备舱的设备类型对应的热网络模型;
获取所述热网络模型中包含的温度变量类型,并采集所述温度变量类型对应的温度变量数据流。
如图2所示,以图2提供的两种电子设备的类型为例,对于E1这种类型的电子设备,由于其设备外面没有金属盒子,设备直接接触电子设备舱室,控制体直接与底座相连的情况下,可以由集总参数法获取第一设备类型对应的第一热网络模型,所述第一热网络模型可以表示为:
同理,对应于E2这种类型的电子设备,由于设备放置在一个金属壳体内,金属壳有一个进气口直接通入冷却空气,一个出气口,可以由集总参数法获取第二设备类型对应的第二热网络模型,所述第二热网络模型可以表示为:
其中,Ta,in为设备进口空气温度,Ta,out为设备出口空气温度,f2是第二设备温度函数。
那么对应于第一热网络模型,温度变量类型包括空气温度、内壁温度、设备温度及自身热功率;
对应于第二热网络模型,温度变量类型包括空气温度、进口空气温度、出口空气温度、内壁温度、设备温度及自身热功率。
通过数据采集***能够获取上述多种温度变量的数据流。
在上述实施例的基础上,
所述RVFL包括一个输入层、一个隐含层以及一个输出层,所述隐含层包括多个隐含层节点,步骤S3具体包括:
将所述所有类型的温度变量数据流对应的窗口数据作为训练样本集输入RVFL的输入层中;
基于所述隐含层节点的数量、预设的从所述输入层到所述隐含层的权值和偏置,对RVFL进行训练,得到设备温度预测模型。
图4是本发明实施例提供的RVFL结构示意图,如图4所示,RVFL包括一个输入层、一个隐含层以及一个输出层,将所有类型的温度变量数据流对应的窗口数据作为训练样本集输入RVFL的输入层中,在隐含层中对数据进行训练后,在输出层能够对设备温度进行预测。
整个过程实质上是通过所述隐含层节点的数量、预设的从所述输入层到所述隐含层的权值和偏置,构建设备温度预测模型的过程。
在上述实施例的基础上,所述基于所述隐含层节点的数量、预设的所述输入层到所述隐含层的权值和偏置,对RVFL进行训练,包括:
基于输入的窗口数据、预设的从所述输入层到所述隐含层的权值和偏置,计算所述隐含层的输出函数;
基于所述隐含层的输出函数,计算所述隐含层到所述输出层的输出矩阵;
基于所述隐含层到所述输出层的输出矩阵,计算所述隐含层到所述输出层的权重;
基于所述隐含层到所述输出层的权重、所述隐含层到所述输出层的输出矩阵以及预设的从所述输入层到所述隐含层的权值和偏置,构建所述设备温度预测模型。
具体的,本发明实施例首先基于输入的窗口数据、预设的从所述输入层到所述隐含层的权值和偏置,计算所述隐含层的输出函数:
然后,基于所述隐含层的输出函数,计算所述隐含层到所述输出层的输出矩阵:
其中,L为隐含层节点个数即维度,N为数据个数,即滑动窗口中包含的数据点个数。
接着,基于所述隐含层到所述输出层的输出矩阵,计算所述隐含层到所述输出层的权重:
β=(δTδ+λI)-1δTY,
其中,λ为一常数量,I为单位对角阵,Y为温度输出温度变量组成的矩阵Y=[y1,y2,…yN]T。
最后,基于所述隐含层到所述输出层的权重、所述隐含层到所述输出层的输出矩阵以及预设的从所述输入层到所述隐含层的权值和偏置,构建所述设备温度预测模型:
其中,βm为所述隐含层到输出层的权重,m为第m个隐含层节点。
优选的,本发明提供的实施例中,隐含层数经过筛选后选择为400,输入层到隐含层的权值w和偏置b在(-2,2)之间随机赋值,常数量λ取值0.0005。
本发明实施例通过将滑窗思想与RVFL神经网络相结合,成功对设备温度进行了有效预测,并且预测的准确度较高。
图5是本发明实施例提供的一种电子设备舱内设备温度预测***结构图,如图5所示,一种时间序列压缩存储***,包括:窗口划分模块1、特征值计算模块2、特征距离比较模块3以及压缩存储模块4,其中:
获取模块1用于基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;
窗口选取模块2用于基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;
训练模块3用于将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;
预测模块4用于将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
具体的如何利用获取模块1、窗口选取模块2、训练模块3以及预测模块4对电子设备舱内设备温度预测可参见上述实施例,本发明实施例对此不再赘述。
本发明实施例提供一种电子设备舱内设备温度预测***,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法,例如包括:步骤S1、基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;步骤S2、基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;步骤S3、将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;步骤S4、将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:步骤S1、基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;步骤S2、基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;步骤S3、将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;步骤S4、将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:步骤S1、基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;步骤S2、基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;步骤S3、将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;步骤S4、将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,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)
1.一种电子设备舱内设备温度预测方法,其特征在于,包括:
步骤S1、基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;
所述温度变量数据流根据布置在电子设备舱内的采集点获取,所述采集点包括空气测点、设备测点和外壁测点;
步骤S2、基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;
步骤S3、将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;
步骤S3之前所述方法还包括:
计算每个窗口内包含的设备温度数据的预测值和设备温度数据流的实际获取值之间的平均相对误差;
若所述平均相对误差大于预设阈值,更新所述训练样本集重新对RVFL训练;
步骤S4、将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对每个类型的温度变量数据流对应的窗口数据进行低通滤波和归一化处理;
将低通滤波和归一化后的数据输入RVFL中进行训练。
4.根据权利要求1所述的方法,其特征在于,步骤S1包括:
基于所述电子设备舱的设备类型,获取所述电子设备舱的设备类型对应的热网络模型;
获取所述热网络模型中包含的温度变量类型,并采集所述温度变量类型对应的温度变量数据流。
5.根据权利要求1所述的方法,其特征在于,所述RVFL包括一个输入层、一个隐含层以及一个输出层,所述隐含层包括多个隐含层节点,步骤S3具体包括:
将所述所有类型的温度变量数据流对应的窗口数据作为训练样本集输入RVFL的输入层中;
基于所述隐含层节点的数量、预设的从所述输入层到所述隐含层的权值和偏置,对RVFL进行训练,得到设备温度预测模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述隐含层节点的数量、预设的所述输入层到所述隐含层的权值和偏置,对RVFL进行训练,包括:
基于输入的窗口数据、预设的从所述输入层到所述隐含层的权值和偏置,计算所述隐含层的输出函数;
基于所述隐含层的输出函数,计算所述隐含层到所述输出层的输出矩阵;
基于所述隐含层到所述输出层的输出矩阵,计算所述隐含层到所述输出层的权重;
基于所述隐含层到所述输出层的权重、所述隐含层到所述输出层的输出矩阵以及预设的从所述输入层到所述隐含层的权值和偏置,构建所述设备温度预测模型。
7.一种电子设备舱内设备温度预测***,其特征在于,包括:
获取模块,用于基于电子设备舱的设备类型,获取所述设备类型对应的各个类型的温度变量数据流,所述温度变量数据流包括设备温度数据流;
所述温度变量数据流根据布置在电子设备舱内的采集点获取,所述采集点包括空气测点、设备测点和外壁测点;
窗口选取模块,用于基于预设数据长度的滑动窗口,在每个类型的温度变量数据流中截取出每个类型的温度变量数据流对应的窗口数据;
训练模块,用于将所有类型的温度变量数据流对应的窗口数据作为训练样本集对随机向量功能网络RVFL进行训练,得到设备温度预测模型;
所述训练模块还包括:
计算每个窗口内包含的设备温度数据的预测值和设备温度数据流的实际获取值之间的平均相对误差;
若所述平均相对误差大于预设阈值,更新所述训练样本集重新对RVFL训练;
预测模块,用于将所述滑动窗口在所述设备温度数据流中按照所述预设数据长度滑动,基于所述设备温度预测模型,计算滑动后窗口内包含的设备温度的预测值。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711296297.0A CN108133085B (zh) | 2017-12-08 | 2017-12-08 | 一种电子设备舱内设备温度预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711296297.0A CN108133085B (zh) | 2017-12-08 | 2017-12-08 | 一种电子设备舱内设备温度预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133085A CN108133085A (zh) | 2018-06-08 |
CN108133085B true CN108133085B (zh) | 2021-12-07 |
Family
ID=62389317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711296297.0A Expired - Fee Related CN108133085B (zh) | 2017-12-08 | 2017-12-08 | 一种电子设备舱内设备温度预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133085B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598371B (zh) * | 2018-11-21 | 2021-02-02 | 北京航空航天大学 | 一种飞行器载电子设备的温度预测方法及*** |
JP2020136903A (ja) * | 2019-02-19 | 2020-08-31 | ソニーセミコンダクタソリューションズ株式会社 | 撮像装置および電子機器 |
CN109883572B (zh) * | 2019-03-14 | 2020-07-07 | 中国水产科学研究院渔业机械仪器研究所 | 冷藏车环境温度的动态预警方法 |
CN111829688A (zh) * | 2019-03-27 | 2020-10-27 | 中南大学 | 一种锂离子电池工作过程中的温度场分布预测方法 |
CN110186570B (zh) * | 2019-05-16 | 2021-01-15 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
CN116227367B (zh) * | 2023-05-10 | 2023-07-21 | 广东电网有限责任公司珠海供电局 | 直接空冷***的背压预测模型构建方法、预测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218675A (zh) * | 2013-05-06 | 2013-07-24 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
CN106228256A (zh) * | 2016-06-30 | 2016-12-14 | 中国电力科学研究院 | 一种光伏组件温度预测方法 |
CN106227060A (zh) * | 2016-07-19 | 2016-12-14 | 中国航天员科研训练中心 | 一种平流层飞艇载荷舱电子设备热特性模拟与仿真预测***与方法 |
CN106709197A (zh) * | 2016-12-31 | 2017-05-24 | 浙江大学 | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 |
CN106875067A (zh) * | 2017-03-01 | 2017-06-20 | 淮阴师范学院 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
CN106990769A (zh) * | 2017-06-08 | 2017-07-28 | 辽宁省农业科学院 | 一种温室环境综测仪及方法 |
CN107203662A (zh) * | 2017-05-11 | 2017-09-26 | 北方工业大学 | 一种电子设备舱室的温度预测模型建立方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106771729A (zh) * | 2016-12-05 | 2017-05-31 | 国网安徽省电力公司淮南供电公司 | 一种继电保护设备风险评估***及方法 |
-
2017
- 2017-12-08 CN CN201711296297.0A patent/CN108133085B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218675A (zh) * | 2013-05-06 | 2013-07-24 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
CN105095614A (zh) * | 2014-04-18 | 2015-11-25 | 国际商业机器公司 | 更新预测模型的方法和装置 |
CN106228256A (zh) * | 2016-06-30 | 2016-12-14 | 中国电力科学研究院 | 一种光伏组件温度预测方法 |
CN106227060A (zh) * | 2016-07-19 | 2016-12-14 | 中国航天员科研训练中心 | 一种平流层飞艇载荷舱电子设备热特性模拟与仿真预测***与方法 |
CN106709197A (zh) * | 2016-12-31 | 2017-05-24 | 浙江大学 | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 |
CN106875067A (zh) * | 2017-03-01 | 2017-06-20 | 淮阴师范学院 | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 |
CN107203662A (zh) * | 2017-05-11 | 2017-09-26 | 北方工业大学 | 一种电子设备舱室的温度预测模型建立方法及装置 |
CN106990769A (zh) * | 2017-06-08 | 2017-07-28 | 辽宁省农业科学院 | 一种温室环境综测仪及方法 |
Non-Patent Citations (1)
Title |
---|
"基于数据流的汽轮机组故障智能诊断***的研究";程维华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170615(第06期);I140-415 * |
Also Published As
Publication number | Publication date |
---|---|
CN108133085A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133085B (zh) | 一种电子设备舱内设备温度预测方法及*** | |
Elmaz et al. | CNN-LSTM architecture for predictive indoor temperature modeling | |
JP7233807B2 (ja) | 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム | |
CN109460793B (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
US8346712B2 (en) | Method for identifying hammerstein models | |
CN112465151A (zh) | 一种基于深度强化学习的多智能体联邦协作方法 | |
EP3583553A1 (en) | Neural architecture search for convolutional neural networks | |
CN111985155B (zh) | 基于集成深度神经网络的电路健康状态预计方法及*** | |
CN113887845B (zh) | 极端事件预测方法、装置、设备和存储介质 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及*** | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
CN115719294A (zh) | 一种室内行人流疏散控制方法、***、电子设备及介质 | |
CN107061032B (zh) | 一种发动机运行状态的预测方法及预测*** | |
CN115935761B (zh) | 设备的可靠性仿真方法、装置、计算机设备和存储介质 | |
KR102138227B1 (ko) | 유동 해석을 최적화하기 위한 장치 및 이를 위한 방법 | |
EP3580676B1 (en) | Sample-based multidimensional data cloning | |
CN114139461B (zh) | 一种航天器***不确定性预测方法、装置及存储介质 | |
CN109598371A (zh) | 一种飞行器载电子设备的温度预测方法及*** | |
Xi et al. | A sequential learning algorithm based on adaptive particle filtering for RBF networks | |
Koyuncu et al. | Designing robust modified R control charts for asymmetric distributions under ranked set and median ranked set sampling | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
Czajkowski et al. | Robust fault detection by means of echo state neural network | |
De Lozzo et al. | Multilayer perceptron for the learning of spatio-temporal dynamics—application in thermal engineering | |
CN118313413B (zh) | 一种基于异构图神经网络的物联网链路预测方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211207 |
|
CF01 | Termination of patent right due to non-payment of annual fee |