时空混合演进的装备强时变热性能实时预测方法

摘要: 本技术涉及热性能预测,特别是涉及一种时空混合演进的装备强时变热性能实时预测方法。背景技术:1、随着制造业的飞速发展,对于复杂装备在工作过程中的安全运行,特别是对...
时空混合演进的装备强时变热性能实时预测方法

本技术涉及热性能预测,特别是涉及一种时空混合演进的装备强时变热性能实时预测方法。

背景技术:

1、随着制造业的飞速发展,对于复杂装备在工作过程中的安全运行,特别是对在复杂装备工作过程中承受显著热载荷、温度变化剧烈且温度异常可能直接导致装备失效或安全事故的关键部件,提出了更高的要求。不同领域的复杂装备在工作过程中通常需要根据生产任务在不同的工况下动态切换,复杂装备的关键部件易出现温度持续升高或短时快速升温现象,温度超出安全阈值将引发设备停机甚至安全事故。由于不同工况下关键部件的温度演化规律存在明显差异,新工况的出现对关键部件温度的实时准确预测带来巨大挑战。因此,如何在多工况下准确预测温度变化,对于保障复杂装备的安全运行具有重要意义。

2、目前,复杂装备多工况温度预测的研究方法主要分为机理驱动方法和数据驱动方法。其中,机理驱动方法基于物理机理确定边界条件,利用有限元分析等数值计算方法求解温度场。然而,这类方法的计算精准度依赖于网格的细密程度,计算时间随着网格数量增加呈指数级增长,且需要针对每一种工况单独建模,难以适应复杂工况下的温度预测任务。数据驱动方法基于采集到的温度数据,利用深度神经网络构建历史温度序列和未来温度序列的映射关系,具有开发周期短、适应常规工况等优势。但现有方法多依赖历史工况下采集的数据离线训练模型,在数据漂移的新工况下难以保持足够的预测精度。

技术实现思路

1、本技术的目的是提供一种时空混合演进的装备强时变热性能实时预测方法,可基于历史工况温度数据离线预训练模型,并在当前工况下根据实时数据流在线更新模型参数,实现多工况下复杂装备关键部件温度的精准预测。

2、为实现上述目的,本技术提供了如下方案:

3、一种时空混合演进的装备强时变热性能实时预测方法,包括以下步骤:

4、将历史工况下采集的多节点温度传感数据构建为时间序列样本,对时空双分支预测网络进行离线预训练,得到面向历史工况的预训练模型;所述时空双分支预测网络包括时间分支、空间分支和节点级动态门控模块;所述时间序列样本包括时间上相邻的历史输入序列和未来预测序列。

5、将当前工况下采集的多节点温度传感数据输入至所述预训练模型中,得到未来若干时刻的多节点温度预测值;在所述时空双分支预测网络中,由所述时间分支捕捉各温度传感节点的温度时序演化特征,所述空间分支基于温度传感节点间的物理关联建模节点间的温度关联变化,并通过所述节点级动态门控模块融合所述时间分支和所述空间分支的预测结果,得到未来若干时刻的多节点温度预测值。

6、将延迟设定时间后获取的真实温度数据作为对应预测时刻的温度真值,与当前工况下的模型输入数据以及对应时刻的温度预测结果进行配对,得到在线更新样本,并根据所述在线更新样本对所述预训练模型的参数进行更新,得到适应当前工况的时空双分支预测网络。

7、根据所述适应当前工况的时空双分支预测网络输出的温度预测值,结合预设的全局温度预测阈值,判断复杂装备关键部件在未来若干时刻是否处于温度异常状态。

8、可选地,该方法还包括:

9、在复杂装备关键部件处布置若干温度传感节点,采集所述复杂装备关键部件在历史工况下的多节点温度传感数据,具体包括以下步骤:

10、基于所述复杂装备关键部件的三维结构模型构建有限元仿真模型,设定不同运行载荷与边界条件,对多源热效应进行瞬态热场模拟,识别高温风险区域。

11、结合有限元热分析结果与所述复杂装备关键部件的结构特点,通过评估热响应覆盖范围和安装空间条件,确定所述若干温度传感节点的布设位置。

12、在所述布设位置布置若干温度传感器,采集所述复杂装备关键部件在历史工况下的多节点温度传感数据。

13、可选地,该方法还包括以下步骤:

14、根据所述复杂装备关键部件的材料耐受温度上限、有限元热分析得到的各节点稳态温度值以及历史运行数据的温度最大值,确定复杂装备在工作过程中的安全运行温度范围,并将所述安全运行温度范围的上限值设定为所述全局温度预测阈值。

15、可选地,将历史工况下采集的多节点温度传感数据构建为时间序列样本,对时空双分支预测网络进行离线预训练,得到面向历史工况的预训练模型,包括以下步骤:

16、对所述多节点温度传感数据进行单位转换和滤波去噪预处理,通过滑动窗口构建包含历史输入序列和未来预测序列的时间序列样本;

17、将所述时间序列样本输入所述时空双分支预测网络进行离线预训练,得到面向历史工况的预训练模型;所述时空双分支预测网络还包括共享特征编码层,所述共享特征编码层用于提取多节点温度序列的基础特征;所述时间分支基于时间卷积网络捕捉各温度传感节点的温度时序演化规律,所述空间分支基于温度传感节点物理位置与热传导路径建模节点间的温度关联变化,所述节点级动态门控模块根据各节点状态自适应融合所述时间分支和所述空间分支的预测结果。

18、可选地,在离线预训练过程中采用融合损失、分支独立损失以及早停策略约束模型参数更新;所述融合损失根据所述节点级动态门控模块融合输出的预测值与对应温度真值之间的差异计算;所述分支独立损失包括第一时间分支损失和第二空间分支损失;所述第一时间分支损失根据所述时间分支输出的预测值与对应温度真值之间的差异计算;所述第二空间分支损失根据所述空间分支输出的预测值与对应温度真值之间的差异计算。

19、可选地,所述共享特征编码层包括依次连接的输入嵌入层和特征提取层,所述输入嵌入层用于将各温度传感节点的温度序列映射为固定维度的特征向量,所述特征提取层用于对所述特征向量进行非线性变换以提取基础特征;所述时间分支包括依次连接的膨胀因果卷积层和时序特征聚合层;所述空间分支基于温度传感节点物理位置构建邻接矩阵,通过图神经网络建模节点间的温度关联变化。

20、可选地,将当前工况下采集的多节点温度传感数据输入所述预训练模型中,得到未来若干时刻的多节点温度预测值,包括以下步骤:

21、在当前工况下,按照预设采样频率实时采集复杂装备关键部件的多节点温度传感数据,并对采集的数据进行单位转换、归一化处理和滑动窗口构建,得到用于模型实时预测的温度数据流。

22、将所述温度数据流输入所述时空双分支预测网络中,所述时间分支基于预训练模型参数捕捉时序特征,所述空间分支基于预训练模型参数捕捉空间特征,所述节点级动态门控模块根据各温度传感节点当前状态自适应分配所述时间分支与所述空间分支的融合权重,输出实时融合的多节点温度预测值。

23、对融合后的多节点温度预测值进行平滑处理和异常抑制,生成未来若干时刻的多节点温度预测值。

24、可选地,将延迟设定时间后获取的真实温度数据作为对应预测时刻的温度真值,与当前工况下的模型输入数据以及对应时刻的温度预测结果进行配对,得到在线更新样本,并根据所述在线更新样本对所述预训练模型的参数进行更新,得到适应当前工况的时空双分支预测网络,包括以下步骤:

25、在当前工况下,将延迟设定时间后获取的真实温度数据作为对应预测时刻的温度真值,与模型输入数据以及对应时刻的温度预测结果进行配对,得到在线更新样本。

26、基于所述在线更新样本分别计算融合误差、所述时间分支的独立预测损失和所述空间分支的独立预测损失。

27、固定所述节点级动态门控模块的参数,基于所述融合误差、所述时间分支的独立预测损失和所述空间分支的独立预测损失更新所述时间分支和所述空间分支的参数。

28、固定所述时间分支和所述空间分支的参数,基于所述融合误差更新所述节点级动态门控模块的参数。

29、在模型参数更新过程中,获取历史工况下的部分样本,并将基于所述部分样本的损失以设定权重加入总损失,限制模型参数在当前工况更新过程中的偏移,得到适应当前工况的时空双分支预测网络。

30、可选地,设定历史样本权重系数,根据下式计算总损失:

31、

32、其中,为总损失,为基于当前工况在线更新样本计算的当前损失,为基于历史工况部分样本计算的历史损失,。

33、可选地,根据所述适应当前工况的时空双分支预测网络输出的温度预测值,结合预设的全局温度预测阈值,判断复杂装备关键部件在未来若干时刻是否处于温度异常状态,包括以下步骤:

34、将所述适应当前工况的时空双分支预测网络输出的未来若干时刻的多节点温度预测值与预设的全局温度预测阈值进行比较。

35、当至少一个温度传感节点的预测温度超过所述全局温度预测阈值时,判定所述复杂装备关键部件处于温度异常状态,输出预警信号。

36、根据本技术提供的具体实施例,本技术公开了以下技术效果:

37、本技术提供了一种时空混合演进的装备强时变热性能实时预测方法,在该方法中,通过将历史工况下的温度传感数据构建为包含历史输入序列和未来预测序列的时间序列样本,并输入包含时间分支、空间分支和节点级动态门控模块的时空双分支预测网络进行离线预训练,能够使预训练模型充分学习历史工况下温度的时序演化规律和节点间的空间关联特征,再结合门控模块自适应融合双分支预测结果,有效提升了温度预测的精度和鲁棒性;随后通过在当前工况下将实时采集的多节点温度传感数据输入预训练模型,利用时间分支和空间分支分别捕捉时序演化特征和空间关联变化,并经节点级动态门控模块融合双分支预测结果,实现了对新工况下温度变化的实时、精准预测;通过将延迟设定时间后获取的真实温度数据作为对应预测时刻的温度真值,与当前工况下的模型输入数据及预测结果配对构建在线更新样本,并根据该样本对预训练模型参数进行更新,能够使模型逐步适应当前工况的数据分布变化,有效克服新工况下数据漂移导致的预测精度下降问题;通过根据更新后的时空双分支预测网络输出的温度预测值与全局温度预测阈值的比较来判断关键部件是否处于温度异常状态,实现了对未来时刻高温异常的提前感知和预警,有效保障了复杂装备在多工况下的安全运行。