【技术实现步骤摘要】
本专利技术涉及深度学习分析，更具体地说，本专利技术涉及基于深度强化学习的电动飞机散热优化方法。
技术介绍
1、电动飞机的散热系统作为其设计中的核心环节，不仅直接关系到飞机的飞行安全和性能稳定性，还深刻影响着飞机的续航能力和乘客的舒适度。随着电动航空技术的快速发展，散热系统的设计与优化成为行业内的研究热点。现有的电动飞机散热系统普遍配备了先进的传感器网络，能够实时、精确地采集电机温度、环境温度、湿度以及风速等关键参数。基于采集到的数据，散热系统能够动态调整其运行参数，如风扇转速、冷却液流量、风道开度等，以实现最佳散热效果。
2、但是其在实际使用时，仍旧存在较多缺点，如，现有电动飞机散热系统不够智能的问题，不能贴合产热效率预测得到每个时间点的散热执行参数预设值，散热系统基于温度阈值启动，容易发生电机温度超标；或者为了避免电机温度超标，一直保持在较大散热效率，导致散热效果不理想或者散热耗能增加。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术提供基于深度强化学习的电动飞机散热优化方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于深度强化学习的电动飞机散热优化方法，包括下列步骤：
3、步骤一、基于深度学习模型搭建产热效率预测模型；获取电动飞机的每个时间点的运动轨迹、负载和运行情况，预测电动飞机的产热效率，输出电动飞机的产热效率随时间波动曲线；
4、步骤二、基于深度学习模型搭建散热效率预测模型
5、步骤三、将产热效率随时间波动曲线划分为若干时间段，得到每个时间段的预测产热量和电机目标温度，基于预测产热量、电机目标温度和每个时间段起始点的电机温度计算得到每个时间段内的目标散热量，用每个时间段的目标散热量和每个时间段的时间长度的比值表示每个时间段的平均散热需求效率；
6、步骤四、当每个时间段的平均散热需求效率超出散热系统的最大散热效率，向用户预警，重新分配时间段，使每个时间段的平均散热需求效率小于散热系统的最大散热效率；
7、步骤五、基于每个时间段的产热效率随时间波动曲线和平均散热需求效率，以电机的温度在正常区间为约束条件设计散热效率波动曲线，得到每个时间点的散热效率预设值；
8、步骤六、基于散热效率和映射表得到每个时间点的散热执行参数预设值；将散热执行参数预设值作为散热系统的初始设定值；
9、步骤七、获取散热系统在执行散热执行参数后，达到散热效率预设值的实际响应时间，得到散热执行参数预设值的执行时间。
10、优选的，所述电动飞机散热优化方法包括数据采集与预处理步骤，包括：
11、数据采集：在电动飞机的电机及其散热系统中安装高精度温度传感器、电流传感器、电压传感器，以实时采集电机的温度、电流、电压以及冷却系统的状态数据；数据预处理：对采集到的原始数据进行清洗、去噪和校准，确保数据的准确性和可靠性；对采集到的数据进行时间同步处理，以便后续分析。
12、优选的，所述产热效率预测模型搭建过程包括下列步骤：
13、步骤s11、数据收集与预处理：收集电动飞机的历史运动轨迹数据、负载数据和运行环境数据；收集产热效率的实际测量值，作为模型的监督信号；
14、步骤s12、模型选择与初始化：选择深度学习算法模型设置模型的初始参数，配置模型架构，包括层数、神经元数量、激活函数；
15、步骤s13、模型训练：将预处理后的数据划分为训练集、验证集，使用训练集数据训练模型，输出产热效率预测模型；使用反向传播算法和优化器调整产热效率预测模型参数，在每个迭代周期后，使用验证集评估产热效率预测模型性能，避免过拟合；根据需要调整学习率、添加正则化项来优化训练过程；
16、步骤s14、模型评估与优化：使用测试集评估产热效率预测模型的预测精度；
17、步骤s15、模型部署与应用：将训练好的产热效率预测模型部署到实际应用环境中，实时获取电动飞机的运动轨迹、负载数据和运行环境信息；将运动轨迹、负载数据和运行环境信息输入到模型中，输出电动飞机的产热效率。
18、优选的，所述散热效率预测模型的搭建过程包括下列步骤：
19、步骤s21、收集风冷电机的基础参数、运行参数和散热效率实际值，得到风冷电机的历史数据；
20、步骤s22、将历史数据划分为训练集和测试集；
21、步骤s23、初始化深度学习模型，将训练集输入深度学习模型，通过调整模型参数(如学习率、隐藏层数、神经元数量)和训练策略(如正则化处理)优化深度学习模型，通过测试集评估模型性能；
22、步骤s24、训练至深度学习模型的损失函数或最大迭代次数满足要求，输出训练好的散热效率预测模型；
23、步骤s25、将训练好的散热效率预测模型部署应用，将获取的风冷电机的基础参数、运行参数输入散热效率预测模型，输出散热效率预测值。
24、优选的，所述建立散热效率与散热执行参数的映射方式为：通过实验仿真获得散热执行参数与散热效率之间的关系；建立一个映射关系查找表，将预测的散热效率转换为相应的散热执行参数预设值。
25、优选的，所述每个时间点的散热效率预设值替换为修正散热效率预设值，所述修正散热效率预设值指的是散热效率预设值与冗余系数的乘积，所述冗余系数的数值大于1，所述冗余系数的获取方式为：依据每个时间点的产热效率增长速率设置，即产热效率增长速率越大，冗余系数越大。
26、优选的，所述电动飞机散热优化方法还包括：
27、实时监测电动飞机的运行状况，获取每个时间点的电机实时温度、实际散热效率和实际产热效率，计算得到实时温度异常风险指数；基于实时温度异常风险指数分配电动飞机的散热系统监测资源。
28、优选的，所述温度异常风险指数的获取方式为：
29、根据电机的实时温度、产热效率和散热效率，利用热平衡方程计算电机的升温速率；
30、基于电机的实时温度和升温速率，计算得到电机达到电机目标温度的时间；基于电机达到电机目标温度的时间和安全时间，所述安全时间指的是散热系统从开启到达到最大散热效率的响应时间；
31、将电机达到电机目标温度的时间记为yt和安全时间at，
32、通过公式计算得到温度异常风险指数ft，其中，sw表示电动飞机的实时温度，yw表示电动飞机的电机目标温度；f1表示时间风险系数，f2表示温度风险系数，且f1+f2＝1.0，α表示时间影响指数，β表示温度影响指数，form(·)表示线性归一化函数，用于将f1*(at-yt)α+f2*(yw-sw)β的值控制在0至1的范围。
33、优选的，当温度异常风险指数超出预设值，通过调整实际散热效率和/或实际产热效率，使温度异常风险指数在阈值内。<本文档来自技高网...
【技术保护点】
1.基于深度强化学习的电动飞机散热优化方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述电动飞机散热优化方法包括数据采集与预处理步骤，包括：
3.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述产热效率预测模型搭建过程包括下列步骤：
4.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述散热效率预测模型的搭建过程包括下列步骤：
5.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述建立散热效率与散热执行参数的映射方式为：通过实验仿真获得散热执行参数与散热效率之间的关系；建立一个映射关系查找表，将预测的散热效率转换为相应的散热执行参数预设值。
6.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述每个时间点的散热效率预设值替换为修正散热效率预设值，所述修正散热效率预设值指的是散热效率预设值与冗余系数的乘积，所述冗余系数的数值大于1，所述冗余系数的获取方式为
7.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述电动飞机散热优化方法还包括：
8.根据权利要求7所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述温度异常风险指数的获取方式为：
9.根据权利要求7所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，当温度异常风险指数超出预设值，通过调整实际散热效率或实际产热效率，使温度异常风险指数在阈值内。
...【技术特征摘要】
1.基于深度强化学习的电动飞机散热优化方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述电动飞机散热优化方法包括数据采集与预处理步骤，包括：
3.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述产热效率预测模型搭建过程包括下列步骤：
4.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述散热效率预测模型的搭建过程包括下列步骤：
5.根据权利要求1所述的基于深度强化学习的电动飞机散热优化方法，其特征在于，所述建立散热效率与散热执行参数的映射方式为：通过实验仿真获得散热执行参数与散热效率之间的关系；建立一个映射关系查找表，将预测的散热效率转换为相应的散热执行参数预设值。
...
【专利技术属性】
技术研发人员：王路平，张庆新，杨静，王书礼，于启水，李子昂，房雨鑫，孙琪轩，李宇航，盛志威，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。