基于无监督学习的卫星组件温度场确定方法与流程

[0001]
本发明涉及卫星布局设计技术领域，具体涉及一种基于无监督学习的卫星组件温度场确定方法。


背景技术：

[0002]
从日常生活中的手机、电视、汽车，到国防工业中的卫星、坦克、无人机等，电子设备非常常见，电子设备在工作过程中，由于电子设备的功率损耗，不可避免地会产生热量耗散造成电子设备的温度升高。随着现代电子设备功能要求的提升以及现代工业制造工艺的进步，电子设备内部集成度越来越高，相应的卫星组件内部结构也日趋复杂。由于卫星在太空中进行作业，当卫星上的卫星组件出现问题时无法及时进行维修更换；为了保证卫星能够长时间高效运行以执行任务，要求卫星组件具有更好的使用性能和更长的使用寿命。然而，卫星组件较高的集成度和复杂性容易使得其在正常工作时内部温度急剧升高，对卫星组件内部电子元器件的使用寿命、安全性和可靠性等造成了重要影响，从而对整个卫星组件的使用性能和使用寿命造成影响。为此，需要对卫星组件内部电子元器件进行合理布局以控制卫星组件的温度场分布，从而降低卫星组件的热负荷，提高卫星组件的使用性能和使用寿命。
[0003]
随着计算机技术的发展，目前通常采用计算机仿真技术来完成卫星组件热设计，以提高卫星组件热设计效率。利用计算机仿真技术，通过重复测试，不断调整卫星组件内部元器件位置，最终找到具有合理温度场分布的卫星组件布局。在利用计算机仿真技术进行卫星组件热分析需要通过数学方法来完成温度场计算，目前常用的计算方法主要有解析法和数值解法。其中，解析法通过利用热传导微分方程计算出温度场数学模型，该方法受限于高阶微分方程的求解难度，往往难以得到精确的温度场模型。数值解法包括有限差分法、有限体积法和有限元法，这些方法理论上可以得到任意所需精度，然而较高的精度伴随着大量的矩阵计算，并且卫星组件布局改变一次，均需要重新进行一次温度场分布的计算，导致试验效率低和试验周期长。


技术实现要素：

[0004]
为解决上述现有技术中存在的技术问题，本发明提供一种基于无监督学习的卫星组件温度场确定方法。
[0005]
为此，本发明公开了一种基于无监督学习的卫星组件温度场确定方法，所述方法包括：
[0006]
对卫星组件的结构进行近似描述，建立卫星组件布局的结构模型；
[0007]
生成多个包括卫星组件布局的训练数据集和多个包括卫星组件布局及其对应的温度场分布的测试数据集；
[0008]
构建内嵌物理知识的无监督学习损失函数；
[0009]
基于无监督学习损失函数，利用训练数据集和测试数据集对深度学习模型进行训
练以拟合卫星组件布局与温度场分布的映射关系；
[0010]
将待计算温度场分布的卫星组件布局输入训练后的深度学习模型，获取卫星组件布局对应的温度场分布。
[0011]
在一些可选的实施方式中，采用以下方式建立卫星组件布局的结构模型：
[0012]
将卫星组件布局设定为方形区域，将方形区域划分为n
1
×
n
1
个网格，在方形区域的四条边中的一条边上设置一个设定长度的小孔作为散热孔，散热孔区域温度恒定为t
0
；
[0013]
将电子元器件设定为方形结构，一个电子元器件能够放置在一个网格位置上，根据每个电子元器件在卫星组件布局中的具体位置将不同电子元器件放置在不同的网格位置上。
[0014]
在一些可选的实施方式中，生成训练数据集和测试数据集，包括：
[0015]
随机挑选方形区域中的若干个网格，在挑选的若干个网格上放置电子元器件得到一种卫星组件布局，获得一个包括卫星组件布局的训练数据集，重复多次随机生成过程以得到n个训练数据集；
[0016]
随机挑选方形区域中的若干个网格，在挑选的若干个网格上放置电子元器件得到一种卫星组件布局，利用有限差分法或有限元法计算卫星组件布局对应的温度场分布，获得一个包括卫星组件布局及其对应的温度场分布的测试数据集，重复多次随机生成过程以得到m个测试数据集。
[0017]
在一些可选的实施方式中，构建内嵌物理知识的无监督学习损失函数为：
[0018]
l＝w
1
l
laplace
+w
2
l
outside
[0019]
其中，w
1
和w
2
分别表示基于热传导方程的热传导损失函数和基于边角条件的边界损失函数的权重参数，l
laplace
表示基于热传导方程的热传导损失函数，l
outside
表示基于边角条件的边界损失函数。
[0020]
在一些可选的实施方式中，基于热传导方程的热传导损失函数为：
[0021][0022]
其中，表示方形网格区域中位置坐标为x和y的热源输出的温度，l表示方形网格区域的边长，l表示网格数，表示归一化操作，input(x,y)位置坐标为x和y的热源对应的热源强度作归一化处理得到的系统输入，m表示归一化常数。
[0023]
在一些可选的实施方式中，基于边角条件的边界损失函数为：
[0024]
l
outside
＝|t
output
|
ω
|
[0025]
其中，t
output
|
ω
表示散热孔区域处输出的温度。
[0026]
在一些可选的实施方式中，深度学习模型采用主体结构为特征金字塔网络的神经网络模型。
[0027]
本发明技术方案的主要优点如下：
[0028]
本发明的基于无监督学习的卫星组件温度场确定方法，通过采用深度学习模型来实现卫星组件温度场分布的计算确定，能够避免采用传统数值解法而导致的工作量大和效率低下的问题；同时，在采用深度学习模型的基础上，利用内嵌物理知识的无监督学习损失
函数完成深度学习模型的训练，能够解决现有的深度学习模型在训练时需要大量带标签样本的问题，有效地节省了计算资源和计算工作量，提高工作效率，并且能够保证卫星组件温度场分布的计算精度。
附图说明
[0029]
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。
[0030]
图1为本发明一实施例的基于无监督学习的卫星组件温度场确定方法的流程图；
[0031]
图2为本发明一实施例的一个卫星组件布局的结构模型示意图。
具体实施方式
[0032]
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。
[0033]
以下结合附图，详细说明本发明实施例提供的技术方案。
[0034]
如附图1所示，本发明一实施例提供了一种基于无监督学习的卫星组件温度场确定方法，该方法包括：
[0035]
对卫星组件的结构进行近似描述，建立卫星组件布局的结构模型；
[0036]
生成多个包括卫星组件布局的训练数据集和多个包括卫星组件布局及其对应的温度场分布的测试数据集；
[0037]
构建内嵌物理知识的无监督学习损失函数；
[0038]
基于无监督学习损失函数，利用训练数据集和测试数据集对深度学习模型进行训练以拟合卫星组件布局与温度场分布的映射关系；
[0039]
将待计算温度场分布的卫星组件布局输入训练后的深度学习模型，获取卫星组件布局对应的温度场分布。
[0040]
以下对本发明一实施例提供的基于无监督学习的卫星组件温度场确定方法的各个步骤及原理进行具体说明。
[0041]
(1)对卫星组件的结构进行近似描述，建立卫星组件布局的结构模型；
[0042]
具体地，基于卫星组件的结构特点和布局特点，对卫星组件的结构进行近似描述，建立卫星组件布局的结构模型。
[0043]
本发明一实施例中，卫星组件的结构特点和布局特点为：卫星组件布局为设定区域布局，在该设定区域内分布着设定数量的不同大小的电子元器件，电子元器件在正常工作时持续产生热量耗散，即视为热源；卫星组件采用自然散热的方式进行散热，在卫星组件布局上侧开设有设定大小的散热孔，散热孔处温度恒定，除散热孔外，卫星组件布布局四周绝热。
[0044]
如附图2所示，基于上述的卫星组件的结构特点和布局特点，采用以下方式建立卫
星组件布局的结构模型：
[0045]
将卫星组件布局设定为方形区域，对方形区域进行网格划分，以将方形区域划分为n
1
×
n
1
个网格，在方形布局区域的四条边中的一条边上设置一个设定长度的小孔作为散热孔，散热孔区域温度恒定为t
0
；将电子元器件设定为方形结构，一个电子元器件能够放置在一个网格位置上，根据每个电子元器件在卫星组件布局中的具体位置将不同电子元器件放置在不同的网格位置上。
[0046]
本发明一实施例中，针对不同的卫星组件布局，利用上述方式能够获得不同卫星组件布局对应的结构模型。
[0047]
(2)生成多个包括卫星组件布局的训练数据集和多个包括卫星组件布局及其对应的温度场分布的测试数据集；
[0048]
具体地，基于上述建立的卫星组价布局的结构模型的基础上，随机挑选方形区域中的若干个网格，在挑选的若干个网格上放置电子元器件得到一种卫星组件布局，获得一个包括卫星组件布局的训练数据集，重复多次随机生成过程以得到n个训练数据集；随机挑选方形网格区域中的若干个网格，在挑选的若干个网格上放置电子元器件得到一种卫星组件布局，利用有限差分法或有限元法计算卫星组件布局对应的温度场分布，获得一个包括卫星组件布局及其对应的温度场分布的测试数据集，重复多次随机生成过程以得到m个测试数据集。
[0049]
本发明一实施例中，n＞＞m；可选的，n＝49m。
[0050]
由于训练数据集和测试数据集的数量越多，训练后的深度学习模型的预测精度越高，但训练数据集和测试数据集的数量越多，则相应的计算工作量越大。为此，本发明一实施例中，训练数据集和测试数据集的总数设置为50000个，此时训练数据集的数目为49000个，测试数据集的数目为1000个。
[0051]
(3)构建内嵌物理知识的无监督学习损失函数；
[0052]
设定卫星组件温度场分布不随时间变化，则卫星组件温度场分布能够通过如公式1所示的热传导方程求解；
[0053][0054]
公式中，x和y表示二维平面内一点的坐标，t表示该点处的温度，k表示热传导系数，表示该点处的热源强度；对于卫星组件布局对应的方形网格区域，x和y则表示网格的位置坐标。
[0055]
由于卫星组件温度场能够通过热传导方程进行求解，为此本发明一实施例中，基于热传导方程构建深度学习模型的热传导损失函数，获取内嵌物理知识的无监督学习损失函数，以对深度学习模型的训练过程进行针对性指导。
[0056]
具体地，针对公式1所示的热传导方程，设定：
[0057][0058]
则对热传导方程求解的问题即可转为最小化|s
0
|的问题。本发明一实施例中，热传导系数k＝1，对热源强度除以m作为归一化处理可得到系统输入input(x,y)，则公
式2可进一步推导为：
[0059][0060]
公式中，t
x,y
表示位置坐标为x和y的点处的温度，t
x+1,y
表示位置坐标为x+1和y的点处的温度，t
x-1,y
表示位置坐标为x-1和y的点处的温度，t
x,y+1
表示位置坐标为x和y+1的点处的温度，t
x,y-1
表示位置坐标为x和y-1的点处的温度，m表示归一化常数，用于归一化神经网络输入。
[0061]
由于卫星组件布局设定为方形网格区域，假设方形网格区域的边长为l，网格数为n，n＝n
1
×
n
1
，则δx＝δy＝l/x。
[0062]
进一步地，公式3可推导为：
[0063][0064]
对公式4进行归一化操作，可得：
[0065][0066]
进一步地，则热传导损失函数可表述为：
[0067][0068]
公式中，表示归一化操作，t
0
表示散热孔处温度。
[0069]
设定热源输出的温度为则热传导损失函数可改写为：
[0070][0071]
根据上述推导过程，可以构建基于热传导方程的热传导损失函数。
[0072]
进一步地，因为求解卫星组件温度场分布还需要一定的边界条件，因此，还需要构建基于边界条件的边界损失函数。本发明一实施例中，由于卫星组件布局散热孔处温度恒
定为t
0
，即在散热孔区域ω处需满足以下公式8：
[0073][0074]
t
output
|
ω
表示散热孔区域处输出的温度。
[0075]
为此，构建基于边界条件的边界损失函数为：
[0076]
l
outside
＝|t
output
|
ω
|
ꢀꢀꢀꢀꢀ
公式9
[0077]
由于温度场分布的求解还可以满足其他的边界条件，例如第一类边界条件(dirichlet边界条件)、第二类边界条件(neumann边界条件)和第三类边界条件(robin边界条件)；本发明一实施例中，除散热孔处进行散热外，其余边界条件通过复制边界实现，即卫星组件布局边界处内外温度相同。
[0078]
进一步地，在上述构建的基于热传导方程的热传导损失函数和基于边界条件的边界损失函数的基础上，内嵌物理知识的无监督学习损失函数为：
[0079]
l＝w
1
l
laplace
+w
2
l
outside
ꢀꢀꢀꢀꢀ
公式10
[0080]
公式中，w
1
和w
2
分别表示基于热传导方程的热传导损失函数和基于边角条件的边界损失函数的权重参数。
[0081]
(4)基于无监督学习损失函数，利用训练数据集和测试数据集对深度学习模型进行训练以拟合卫星组件布局与温度场分布的映射关系；
[0082]
具体地，本发明一实施例中，深度学习模型采用主体结构为特征金字塔网络(feature pyramid networks，fpn)的神经网络模型，特征金字塔网络以残差网络(resnet)作为骨架，共分为自底向上的路径、自顶向下的路径以及中间连接三个部分，将各层输出的不同尺度的特征图进行融合与映射，能够得到卫星组件布局温度场分布输出。
[0083]
本发明一实施例中，深度学习模型的输入为n
1
×
n
1
网格尺度下的卫星组件布局，每个网格的值表明该网格位置是否存在可发热的电子元器件。
[0084]
基于无监督学习的深度学习模型在训练时需要大量无标签训练数据集，本发明一实施例中，通过随机生成大量卫星组件布局样本作为训练数据集，这些训练数据集均不含标签，即不包含卫星组件布局对应的温度场分布。同时为进行深度学习模型的测试，通过随机生成少量样本作为测试数据集，这些测试数据集均包含标签，即包括卫星组件布局及其对应的温度场分布。准备好训练数据集和测试数据集后，基于构建的内嵌物理知识的无监督学习损失函数，采用误差反向传播对深度学习模型进行训练，当训练达到设定的训练次数后停止，并对得到的深度学习模型进行保存。
[0085]
本发明一实施例中，当训练数据集和测试数据集的总数为50000个时，训练迭代次数可以设置为50次。
[0086]
(5)将待计算温度场分布的卫星组件布局输入训练后的深度学习模型，获取卫星组件布局对应的温度场分布；
[0087]
进一步地，当完成深度学习模型的训练保存后，加载保存的深度学习模型，将待计算温度场分布的卫星组件布局输入深度学习模型，以获取卫星组件布局对应的温度场分布，从而辅助卫星组件布局的优化设计。
[0088]
可见，本发明一实施例提供的基于无监督学习的卫星组件温度场确定方法，通过采用深度学习模型来实现卫星组件温度场分布的计算确定，能够避免采用传统数值解法而
导致的工作量大和效率低下的问题；同时，在采用深度学习模型的基础上，利用内嵌物理知识的无监督学习损失函数完成深度学习模型的训练，能够解决现有的深度学习模型在训练时需要大量带标签样本的问题，有效地节省了计算资源和计算工作量，提高工作效率，并且能够保证卫星组件温度场分布的计算精度。
[0089]
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。
[0090]
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。