基于不确定性和半监督学习的热源布局温度场预测方法

1.本发明涉及组件布局优化设计技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.为解决上述现有技术中存在的部分或全部技术问题，本发明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。
6.本发明的技术方案如下：
7.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：
8.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；
9.对所述第一训练数据和所述第二训练数据进行预处理；
10.构建深度学习神经网络模型；
11.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；
12.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；
13.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；
14.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；
15.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。
16.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：
17.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；
18.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。
19.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；
20.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：
21.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。
22.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。
23.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：
24.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。
25.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，tq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，wj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wj利用以下公式确定：
[0037][0038]
其中，t
std_j
表示第j个第二训练数据的组件布局对应的预测不确定性，γ表示不确定性阈值。
[0039]
本发明技术方案的主要优点如下：
[0040]
本发明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能够利用少量的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，显著降低模型训练对有标签训练数据的需求，有效地减少获取训练数据所需的计算时间和计算资源，降低组件布局优化设计成本，提高优化效率。
附图说明
[0041]
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1为本发明一实施例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的流程图；
[0043]
图2为本发明一实施例的待更新模型的训练过程示意图。
具体实施方式
[0044]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做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。
[0045]
以下结合附图，详细说明本发明实施例提供的技术方案。
[0046]
参见图1，本发明一实施例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，该方法包括以下步骤：
[0047]
步骤s1，获取第一训练数据和第二训练数据，其中，第一训练数据包括组件布局及其对应的温度场，第二训练数据包括组件布局；
[0048]
步骤s2，对第一训练数据和第二训练数据进行预处理；
[0049]
步骤s3，构建深度学习神经网络模型；
[0050]
步骤s4，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；
[0051]
步骤s5，确定待更新模型和辅助模型，其中，待更新模型为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，辅助模型为多个训练好的深度学习神经网络模型中除待更新模型外的其他模型；
[0052]
步骤s6，将第二训练数据的组件布局输入辅助模型，计算输入的组件布局对应的预测温度场和预测不确定性；
[0053]
步骤s7，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以更新模型参数；
[0054]
步骤s8，利用训练后的待更新模型进行组件布局温度场的预测。
[0055]
本发明一实施例提供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先通过利用有标签训练数据进行多个深度学习神经网络模型的训练，再利用训练好的多个深度学习神经网络模型进行无标签训练数据的集成预测，确定无标签训练数据对应的预测温度场和预测不确定性，利用有标签训练数据、无标签训练数据及其对应的预测温度场和预测不确定性对训练好的多个深度学习神经网络模型中当预测性能最佳的模型再次进行训练以更新模型参数，能够利用少量的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，显著降低模型训练对有标签训练数据的需求，有效地减少获取训练数据所需的计算时间和计算资源，降低组件布局优化设计成本，提高优化效率。
[0056]
在考虑温度场指标的组件布局优化设计问题中，每一个组件都可以简化为一个热源。组件布局优化设计可以看作是热源布局优化设计。当在一定的布局区域中需要放置一定数量的组件时，组件布局优化设计的目的是通过优化组件的位置来增强布局区域的热传导效率，以最小化布局区域的最高温度。考虑一个二维平面内的热源布局优化设计问题，其数学模型可以表述为：
[0057][0058]
其中，x表示热源的布局方案，(xi,yi)表示第i个热源的位置坐标，ns表示热源的数目，t表示布局区域的温度场，k表示布局区域的热导率，(x,y)表示布局区域的任一点的位置坐标，φ(x,y)表示热源的强度分布函数，t0表示等温边界处的温度值，n表示边界处的法线方向，h表示边界上物体与周围流体间的表面传热系数。
[0059]
热源的强度分布函数φ(x,y)由热源的位置确定，具体表示为：
[0060][0061]
其中，φi表示第i个热源的强度，γi表示该热源覆盖的布局区域。
[0062]
以下以进行二维平面内的组件布局优化设计为例，对本发明一实施例提供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的步骤及原理进行具体说明：
[0063]
步骤s1，获取第一训练数据和第二训练数据。
[0064]
本发明一实施例中，可以通过以下方式获取第一训练数据和第二训练数据：
[0065]
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xm，利用有限元方法仿真计算组件布局对应的温度场tm，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(xm,tm)，重复多次随机获取过程直至获得第一预设数量m的第一训练数据{(xm,tm)|m＝1,2,
…
,m}；
[0066]
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x
′m′
，得到一个包括组件布局的第二训练数据(x
′m′
)，重复多次随机获取过程直至获得第二预设数量m
′
的第二训练数据{(x
′m′
)|m
′
＝1,2,
…
,m
′
}。
[0067]
第一训练数据的具体数量和第二训练数据的具体数量可以根据训练效率和精度要求进行设置，例如m可以取为1000～5000或者其他数值，m
′
可以取为20000～50000或者其他数值。其中，为了提高最终得到的模型的预测精度，同时降低计算成本，第二训练数据的数量大于第一训练数据的数量。
[0068]
本发明一实施例中，组件布局区域根据实际布局需求确定，组件布局区域划分的网格数也根据实际情况进行确定。例如，当组件布局区域为方形的组件布局区域时，可以将方形的组件布局区域划分为m1×
m2网格，每个网格最多可以放置一个热源组件，当热源组件的数量为ns个时，挑选出用于放置热源组件的网格数也为ns个。
[0069]
其中，组件布局区域划分的网格数可以根据组件布局设计要求的分辨率和精度确定，当要求的分辨率和精度较高，所划分的网格数越多，即网格划分越精细。例如，可以将m1×
m2设置为200
×
200。
[0070]
进一步地，在利用有限元方法计算组件布局对应的温度场时，可以将组件布局区域划分成n1×
n2个有限元计算网格进行仿真计算，获取组件布局对应的温度场。其中，有限
元计算网格的具体数值可以根据组件布局设计要求的分辨率和精度确定，当要求的分辨率和精度较高，进行仿真计算时所划分的有限元计算网格越多，但相应地，仿真计算所需的时间和资源也越多。可选的，为了便于进行数据处理，n1×
n2可以等于m1×
m2。
[0071]
步骤s2，对第一训练数据和第二训练数据进行预处理。
[0072]
具体地，为了便于利用训练数据对后续构建的深度学习神经网络模型进行训练，以将组件布局区域划分为m1×
m2网格进行组件布局为例，对第一训练数据和第二训练数据进行预处理，包括：
[0073]
将第一训练数据的组件布局和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。
[0074]
进一步地，为了便于进行数据处理，以将组件布局区域划分成n1×
n2个有限元计算网格进行温度场仿真计算为例，对第一训练数据和第二训练数据进行预处理，还可以包括：
[0075]
将维度为n1×
n2的温度场矩阵tm的数值进行归一化处理，保证矩阵元素均属于[0,1]。
[0076]
步骤s3，构建深度学习神经网络模型。
[0077]
本发明一实施例中，可以采用u-net卷积神经网络作为深度学习神经网络模型来拟合组件布局与温度场的映射关系。通过利用上述获取的训练数据对深度学习神经网络模型进行训练，能够使深度学习神经网络模型学习到训练数据中的物理规律，从而得到一个具有较强泛化能力的神经网络，可以实现对组件布局对应的温度场进行快速预测。从本质上来说，深度学习神经网络模型即为一个代理模型。
[0078]
步骤s4，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。
[0079]
为了能够利用少量有标签训练数据得到较高预测精度的代理模型，本发明一实施例中，先利用有标签训练数据通过随机初始化和独立训练的方式获取多个深度学习代理模型，即多个训练好的深度学习神经网络模型。
[0080]
具体地，在获取一个深度学习代理模型时，先对深度学习神经网络模型进行随机初始化进行确定模型的初始参数，再利用第一训练数据对初始化后的深度学习神经网络模型进行训练，从而得到一个训练好的深度学习神经网络模型。
[0081]
本发明一实施例中，利用第一训练数据对深度学习神经网络模型进行训练，包括：
[0082]
将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。
[0083]
可选的，在进行深度神经网络模型的训练时，相应的损失函数可以根据实际情况进行设置，例如可以采用平均绝对误差(mean absolute error,mae)作为损失函数。
[0084]
由于获取的深度学习神经网络模型的数量越多，后续利用集成的多个深度学习神经网络模型进行温度场预测时的预测精度越高，但相应的训练时间和训练周期越长。本发明一实施例中，深度学习神经网络模型的数量可以根据实际需求的预测精度和训练时间进行设定。例如，可以设置为4～8个。
[0085]
步骤s5，确定待更新模型和辅助模型，其中，待更新模型为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，辅助模型为多个训练好的深度学习神经网络模型中除待更新模型外的其他模型。
[0086]
本发明一实施例中，深度学习神经网络模型的预测性能可以通过计算模型对应的平均绝对误差(mean absolute error,mae)来确定，当mae越低，则表示模型的预测性能越好。
[0087]
具体地，可以利用以下方式确定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：
[0088]
选取一定数量的第一训练数据，将选取的第一训练数据的组件布局输入到训练好的深度学习神经网络模型，得到深度学习神经网络模型输出的组件布局对应的预测温度场，根据第一训练数据的温度场和深度学习神经网络模型输出的预测温度场计算平均绝对误差，确定平均绝对误差最小的深度学习神经网络为预测性能最佳的一个深度学习神经网络模型。
[0089]
步骤s6，将第二训练数据的组件布局输入辅助模型，计算输入的组件布局对应的预测温度场和预测不确定性。
[0090]
参见图2，该附图2中，深度学习神经网络模型为5个，包括unet*、unet2、unet3、unet4和unet5，辅助模型的数量为4个，包括unet2、unet3、unet4和unet5。本发明一实施例中，将第二训练数据的组件布局输入到每个辅助模型中，得到每个辅助模型输出的温度场，根据所有辅助模型输出的温度场计算组件布局对应的预测温度场和预测不确定性。
[0091]
本发明一实施例中，组件布局对应的预测温度场可以利用以下公式计算确定：
[0092][0093]
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，tq表示组件布局对应的第q个辅助模型输出的预测温度场。
[0094]
本发明一实施例中，组件布局对应的预测不确定性可以利用以下公式计算确定；
[0095][0096]
其中，t
std
表示组件布局对应的预测不确定性。
[0097]
根据上述计算公式，通过利用多个辅助模型对每个第二训练数据的组件布局的温度场进行预测，能够确定每个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。
[0098]
本发明一实施例中，通过利用多个辅助模型进行第二训练数据的组件布局的集成预测，能够进一步地提高温度场的预测精度。并且，根据得到的预测不确定性还能够对预测温度场的好坏程度进行衡量，预测不确定性越小，则预测温度场的可靠性越高。
[0099]
步骤s7，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以更新模型参数。
[0100]
本发明一实施例中，通过利用第一训练数据、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，能够弥补第一训练数据的数量较少的问题，进一步提高待更新模型的预测精度。
[0101]
参见图2，本发明一实施例中，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以更新模型参数，可以包括：
[0102]
将第一训练数据的组件布局和第二训练数据的组件布局作为输入，根据输入的第一训练数据的组件布局对应的温度场、输入的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，通过梯度下降法对待更新模型进行训练。
[0103]
可选的，在进行待更新模型的训练时，损失函数可以为：
[0104][0105]
其中，α和β表示预设权重系数，为第一训练数据对应的损失函数部分，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，为第二训练数据对应的损失函数部分，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，wj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。
[0106]
不确定性权重矩阵wj可以利用以下公式确定：
[0107][0108]
其中，t
std_j
表示第j个第二训练数据的组件布局对应的预测不确定性，γ表示不确定性阈值。
[0109]
其中，第j个第二训练数据的组件布局对应的预测温度场利用上述的预测温度场的计算公式确定，第j个第二训练数据的组件布局对应的预测不确定性t
std_j
利用上述的预测不确定性t
std
的计算公式确定，不确定性阈值γ可以实际情况具体设置。
[0110]
步骤s8，利用训练后的待更新模型进行组件布局温度场的预测。
[0111]
具体地，在完成待更新模型的训练后，将待计算温度场的组件布局输入待更新模型，即可获取组件布局对应的温度场预测值，从而辅助组件布局的优化设计。
[0112]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在
涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
[0113]
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。