一种基于人工智能的温度控制方法、装置、设备和存储介质与流程

本技术涉及计算机，具体涉及一种基于人工智能的温度控制方法、装置、电子设备和存储介质。

背景技术：

1、目前，在航天器热控领域，常用的热控策略主要包括基于阈值的被动响应控制和地面指令控制。基于阈值的被动响应控制主要采用温度传感器监测关键部位温度，当温度超过预设阈值时触发相应的热控动作。但基于阈值的被动响应控制存在响应滞后、地面-卫星通信延迟大等问题。因此，现有技术中亟需一种能够在轨自主感知、实时决策、智能执行与持续学习，并支持星座级热负荷协同调度的热控系统自主决策方法。

技术实现思路

1、本技术实施例提出了一种基于人工智能的温度控制方法和装置，可以提高对航天器/卫星进行热管理的准确性。

2、本技术实施例提供了一种基于人工智能的温度控制方法，包括：

3、获取第一温度预测模型，其中，所述第一温度预测模型为全阶模型；

4、对所述第一温度预测模型进行知识蒸馏处理，得到第二温度预测模型；

5、对所述第二温度预测模型进行量化感知训练，得到第三温度预测模型；

6、对所述第三温度预测模型进行结构化剪枝，得到第四温度预测模型，其中，所述第四温度预测模型的阶数低于所述第一温度预测模型；

7、利用所述第四温度预测模型对卫星的负载数据、历史热耗数据和轨道参数进行预测处理，得到所述卫星的温度预测数据；

8、基于所述卫星的温度预测数据对卫星进行温度控制处理。

9、相应的，本技术实施例还提供了一种基于人工智能的温度控制装置，包括：

10、获取单元，用于获取第一温度预测模型，其中，所述第一温度预测模型为全阶模型；

11、知识蒸馏单元，用于对所述第一温度预测模型进行知识蒸馏处理，得到第二温度预测模型；

12、训练单元，用于对所述第二温度预测模型进行量化感知训练，得到第三温度预测模型；

13、剪枝单元，用于对所述第三温度预测模型进行结构化剪枝，得到第四温度预测模型，其中，所述第四温度预测模型的阶数低于所述第一温度预测模型；

14、预测单元，用于利用所述第四温度预测模型对卫星的负载数据、历史热耗数据和轨道参数进行预测处理，得到所述卫星的温度预测数据；

15、控制单元，用于基于所述卫星的温度预测数据对卫星进行温度控制处理。

16、在一些实施例中，所述知识蒸馏单元，可以包括：

17、第一获取子单元，用于获取第五温度预测模型，其中，所述第五温度预测模型为所述第一温度预测模型的学生模型；

18、识别子单元，用于利用第一温度预测模型对卫星相关训练数据进行识别，得到所述第一温度预测模型输出的硬标签预测结果以及所述第一温度预测模型的模型结构中目标层输出的软标签概率分布；

19、构建子单元，用于基于所述硬标签预测结果和所述软标签概率分布构建蒸馏损失函数；

20、迁移子单元，用于基于预设蒸馏压缩比将所述第一温度预测模型的知识迁移至所述第五温度预测模型，得到第六温度预测模型；

21、第一训练子单元，用于基于所述蒸馏损失函数对所述第六温度预测模型进行训练处理，得到所述第二温度预测模型。

22、在一些实施例中，所述训练单元，可以包括：

23、量化子单元，用于基于对称均匀量化策略和预设量化参数，对所述第二温度预测模型的模型权重进行格式量化处理，得到第七温度预测模型；

24、第二训练子单元，用于对所述第七温度预测模型进行训练，在训练过程中利用直通估计器对所述第七温度预测模型进行梯度近似，得到所述第三温度预测模型。

25、在一些实施例中，所述剪枝单元，可以包括：

26、约束子单元，用于对所述第三温度预测模型中结构层的缩放因子进行稀疏性约束，得到约束后的缩放因子；

27、对比子单元，用于将所述约束后的缩放因子和预设剪枝阈值进行对比，得到小于所述预设剪枝阈值的目标缩放因子;

28、去除子单元，用于从所述第三温度预测模型中去除所述目标缩放因子对应的模型通道，得到剪枝后模型；

29、第三训练子单元，用于对所述剪枝后模型进行微调训练得到所述第四温度预测模型。

30、在一些实施例中，所述控制单元，可以包括：

31、第一获取子单元，用于获取卫星的温度预测数据和实时传感器网络数据；

32、建立子单元，用于基于所述温度预测数据和实时传感器网络数据建立第一数字孪生体，其中，所述第一数字孪生体为全阶数字孪生体；

33、调整子单元，用于对所述第一数字孪生体进行调整处理，得到第二数字孪生体，其中，所述第二数字孪生体的阶数低于所述第一数字孪生体；

34、生成子单元，用于利用所述第二数字孪生体基于所述温度预测数据和实时传感器网络数据生成温度控制指令；

35、控制子单元，用于基于所述温度控制指令对所述卫星进行温度控制处理。

36、在一些实施例中，所述调整子单元，可以包括：

37、降维模块，用于对所述第一数字孪生体进行降维处理，得到第三数字孪生体；

38、建模模块，用于利用物理信息神经网络对所述第三数字孪生体进行物理数据融合建模处理，得到第四数字孪生体；

39、同化模块，用于利用集合卡尔曼滤波对所述第四数字孪生体进行数据同化，得到所述第二数字孪生体。

40、在一些实施例中，所述生成子单元，可以包括：

41、比较模块，用于所述第二数字孪生体将所述温度预测数据和所述实时传感器网络数据进行比较，得到残差向量；

42、统计模块，用于对所述残差向量进行统计分析，得到统计分析数据；

43、第一生成模块，用于根据所述统计分析数据生成热控制策略；

44、验证子单元，用于对所述热控制策略进行安全验证；

45、第二生成模块，用于当所述热控制策略的安全验证通过时，基于所述热控制策略生成温度控制指令。

46、本技术实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面的各种可选方式中提供的方法。

47、相应的，本技术实施例还提供一种存储介质，所述存储介质存储有指令，所述指令被处理器执行时实现本技术实施例任一提供的基于人工智能的温度控制方法。

48、本技术实施例可以获取第一温度预测模型，其中，第一温度预测模型为全阶模型；对第一温度预测模型进行知识蒸馏处理，得到第二温度预测模型；对第二温度预测模型进行量化感知训练，得到第三温度预测模型；对第三温度预测模型进行结构化剪枝，得到第四温度预测模型，其中，第四温度预测模型的阶数低于第一温度预测模型；利用第四温度预测模型对卫星的负载数据、历史热耗数据和轨道参数进行预测处理，得到卫星的温度预测数据；基于卫星的温度预测数据对卫星进行温度控制处理，以提高对卫星温度控制的准确性。