(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111622701.5 (22)申请日 2021.12.28 (71)申请人 中国人民解 放军军事科学院国防科 技创新研究院 地址 100071 北京市丰台区东大街5 3号 (72)发明人 周炜恩　彭兴文　姚雯　姜廷松　 李昱　 (74)专利代理 机构 北京奥文知识产权代理事务 所(普通合伙) 11534 专利代理师 张文 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 基于数据驱动深度学习的温度场重建方法 (57)摘要 本发明公开了一种基于数据驱动深度学习 的温度场重建方法， 包括： 根据电子设备的布局 区域和电子设备在布局区域中的位置， 生成多个 样本数据； 利用样本数据， 生 成多个训练数据， 训 练数据包括从样本数据的温度场中提取的多个 指定位置的温度信息及对应的温度场； 构建深度 神经网络模 型， 利用训练数据训练深度神经网络 模型以拟合多个指定位置的温度信息与温度场 的映射关系； 获取电子设备的布局区域中的多个 指定位置的温度信息， 根据获取的温度信息， 利 用深度神经网络模型预测当前电子设备布局对 应的温度场。 本发明能够利用少量监测点的温度 信息重建当前温度信息下的电子设备布局对应 的温度场， 能够利用少量 温度传感器实现各个电 子设备的温度监测。 权利要求书1页 说明书6页 附图1页 CN 114444379 A 2022.05.06 CN 114444379 A 1.一种基于数据驱动深度学习的温度场重建方法， 其特 征在于， 包括： 根据电子设备的布局区域和电子设备在布局区域中的位置， 生成多个样本数据， 其中， 所述样本数据包括电子 设备布局及电子 设备布局对应的温度场， 不同的电子设备布局中的 电子设备在布局区域中的位置相同， 不同的电子设备布局中的各个电子设备功 率从预设功 率范围内随机取值； 利用所述样本数据， 生成多个训练数据， 其中， 所述训练数据包括从样本数据的温度场 中提取的多个指定位置的温度信息及对应的温度场； 构建深度神经网络模型， 利用所述训练数据训练所述深度神经网络模型以拟合多个指 定位置的温度信息与温度场的映射关系； 获取电子设备的布局区域中的多个指定位置的温度信息， 根据获取的温度信息， 利用 所述深度神经网络模型 预测当前电子设备布局对应的温度场。 2.根据权利要求1所述的基于数据驱动深度 学习的温度场重建方法， 其特征在于， 所述 根据电子设备的布局区域和电子设备在布局区域中的位置， 生成多个样本数据， 包括： 确定电子设备的布局区域和电子设备在布局区域中的位置， 针对每个电子设备， 保持 电子设备在布局区域中的位置不变， 从预设功率范围内进行随机采样得到电子设备功率， 确定每个电子设备功率， 得到一个电子设备布局， 利用有限元方法计算电子设备布局对应 的温度场， 得到一个包括电子设备布局及电子设备布局对应的温度场的样本数据； 重复多次随机采样过程， 直至得到第一预设数量的样本数据。 3.根据权利要求1或2所述的基于数据驱动深度学习的温度场重建方法， 其特征在于， 所述利用所述样本数据， 生成多个训练数据， 包括： 从所有样本数据中选取多个样本数据， 基于选取的多个样本数据， 从样本数据包含的 温度场中提取多个指 定位置的温度信息， 将多个指 定位置的温度信息作为训练数据的输入 数据， 将样本数据包含的温度场作为训练数据的标签， 得到多个样本数据对应的多个训练 数据。 4.根据权利要求1至3中任一项所述的基于数据驱动深度 学习的温度场重建方法， 其特 征在于， 所述深度神经网络模型采用特 征金字塔网络 。 5.根据权利要求1至4中任一项所述的基于数据驱动深度 学习的温度场重建方法， 其特 征在于， 所述指定位置为电子设备所在位置， 指定位置的温度信息通过利用温度传感器采 集指定位置上的电子设备的温度获取。 6.根据权利要求1至5中任一项所述的基于数据驱动深度 学习的温度场重建方法， 其特 征在于， 还包括： 利用所述样本数据， 生成多个测试数据， 利用所述测试数据对训练后的所 述深度神经网络模型进行测试， 其中， 所述训练数据包括从样本数据的温度场中提取 的多 个指定位置的温度信息及对应的温度场， 生成所述测试数据时所使用的样本数据与生成所 述训练数据时所使用的样本数据不同。权　利　要　求　书 1/1 页 2 CN 114444379 A 2基于数据驱动深度学习的温度场重建 方法 技术领域 [0001]本发明涉及电子设备热控技术领域， 具体涉及一种基于数据驱动深度学习的温度 场重建方法。 背景技术 [0002]随着航天技术的不断发展， 航天器整体规模和功能的不断扩展， 航天器上的星载 电子设备 的功率也不断增大， 正朝着高性能、 紧凑化、 小型化等方向发展。 星载电子设备在 工作时， 由于电子设备的功率损耗， 不可避免的会产生热量耗散， 造成电子设备温度升高。 同时， 太空中的真空环境使得电子 设备无法通过热对流向外散热， 使 热量更容易积累， 导致 电子设备温度快速 升高， 而电子设备温度过高则会造成设备失效甚至损坏。 [0003]热失效是当前星载电子设备发生故障的重要原因之一， 电子设备的失效率随温度 变化呈指数上升， 通常温度每升高10℃， 失效率上升一倍。 由于星载电子 设备通常无法进 行 维修和更换， 因此目前对于星载电子设备 的可靠性具有更严苛的要求， 要求电子设备在一 定的许可温度范围内能够正常工作， 以满足 高性能和长寿命的使用需求。 同时， 为避免星载 电子设备出现热失效， 在航天器运行过程中， 需要对航天器上的星载电子设备进行温度监 测控制， 以在电子设备 的温度超过许可温度范围时， 及时调整电子设备 的工作状态以降低 温度或者关闭电子设备。 [0004]为了实现星载电子设备温度的监测控制， 目前通过在电子设备布置温度传感器， 利用温度传感器实时采集设备温度数据， 而后通过对地通信将温度数据传输到地面控制中 心。 然而， 由于卫星发射成本高， 卫星的体积通常较小， 导致卫星内部空间有限， 当传感器布 置过多时， 大量的传感器、 传感器配套设备和温度数据信息传输会挤占卫星有限的载荷资 源和通信带宽 资源， 当传感器布置过少时， 则只能对少量的星载电子 设备进行温度监测， 难 以实现所有 星载电子设备的温度监测控制。 发明内容 [0005]为了解决上述现有技术中存在的部分或全部技术问题， 本发明提供了一种基于数 据驱动深度学习的温度场重建方法。 [0006]本发明的技 术方案如下： [0007]提供了一种基于数据驱动深度学习的温度场重建方法， 所述方法包括： [0008]根据电子设备的布局区域和电子设备在布局区域中的位置， 生成多个样本数据， 其中， 所述样本数据包括电子设备布局及电子设备布局对应的温度场， 不同的电子设备布 局中的电子 设备在布局区域中的位置相同， 不同的电子 设备布局中的各个电子 设备功率从 预设功率范围内随机取值； [0009]利用所述样本数据， 生成多个训练数据， 其中， 所述训练数据包括从样本数据的温 度场中提取的多个指定位置的温度信息及对应的温度场； [0010]构建深度神经网络模型， 利用所述训练数据训练所述深度神经网络模型以拟合多说　明　书 1/6 页 3 CN 114444379 A 3