基于PSO-BP神經(jīng)網(wǎng)絡(luò)的雷達(dá)電源組件溫度預(yù)測新方法

唐 敏,黃大榮,唐 環(huán),趙 寧,張 宇

(1.重慶交通大學(xué),重慶 400074;2.北京可維卓立科技有限公司,北京 100191;3.中國船舶集團(tuán)有限公司第八研究院,南京 211153)

0 引 言

大型裝備中的電源組件功率一般較高,隨著工作進(jìn)程的延長,器件本身溫度逐漸上升,其可靠性受到極大限制,進(jìn)而影響雷達(dá)系統(tǒng)的整體可靠性[1]。為確保雷達(dá)電源組件及其相關(guān)組件部分整體系統(tǒng)的可靠性,采用合理的方法預(yù)測電源組件的溫度,在工程上尤為重要。

目前,關(guān)于溫度預(yù)測分析方面的研究成果主要集中在差熱分析、導(dǎo)數(shù)熱重量法和熱重量法等熱分析方法上[2-8],針對的基本都是特定設(shè)備。在雷達(dá)熱控系統(tǒng)散熱設(shè)計方面,文獻(xiàn)[9]針對某型雷達(dá)產(chǎn)品的電源組件結(jié)構(gòu),開展了基于有限元的動態(tài)響應(yīng)及熱仿真分析,驗證了結(jié)構(gòu)設(shè)計的有效性;針對功放組件和電源組件這兩個主要發(fā)熱組件,文獻(xiàn)[10]在箱體的兩端安裝風(fēng)機(jī)形成一個風(fēng)道,在結(jié)構(gòu)設(shè)計的基礎(chǔ)上進(jìn)行熱仿真分析,證實了該設(shè)計的可行性。這些研究成果有一定的適用性,但由于液冷散熱、空氣自然對流等多種因素的干擾,元器件功耗估算的準(zhǔn)確性難以得到保證。

本文以雷達(dá)電源組件為研究對象,在詳細(xì)分析電源組件流固耦合模型的基礎(chǔ)上,提出一種基于PSO-BP神經(jīng)網(wǎng)絡(luò)的雷達(dá)電源組件溫度預(yù)測新方法,并采用某大型裝備相控陣?yán)走_(dá)的電源組件實際工程數(shù)據(jù)進(jìn)行驗證,為實現(xiàn)特定設(shè)備領(lǐng)域的雷達(dá)電源組件溫度預(yù)測提供了新的思路。

1 雷達(dá)電源組件流動-傳熱分析

雷達(dá)電源組件的電源板具備大功率特性,往往借助于組件內(nèi)部的水道進(jìn)行散熱。在對雷達(dá)電源組件進(jìn)行熱分析時,須考慮自身組件的流固耦合情況,工程上一般通過構(gòu)建流、固體模型分別闡述。

在流體模型分析中,雷達(dá)電源組件內(nèi)部流體的流動狀態(tài)通過雷諾數(shù)判定:

(1)

式中,ρ為雷達(dá)電源組件中散熱流體的密度;v為散熱流體的速度;μ為粘性系數(shù);d為散熱管道的特征長度。

雷諾數(shù)與流體狀態(tài)的分類標(biāo)準(zhǔn):當(dāng)雷諾數(shù)Re≤2 300時,流體為層流流動;當(dāng)雷諾數(shù)Re處于2 300～4 000時,屬于過渡狀態(tài);否則視為湍流流動。

顯然,工程師可針對實際情況,對各種溫度情況下的流體狀態(tài)進(jìn)行合理分類。以水溫27 ℃情況為例,其主要參數(shù)如表1所示。

表1 27 ℃時水的主要參數(shù)

由表1可得雷諾數(shù)為1 942,依據(jù)前述物理特性結(jié)論,可明確電源組件中冷卻液體在管道中的流動狀態(tài)為層流。

雷達(dá)電源組件水道熱傳導(dǎo)方程為

(2)

式中,Ts為電源組件的水道溫度;t為雷達(dá)電源組件運(yùn)行時間;x、y分別為雷達(dá)電源組件水道的橫縱坐標(biāo);c為水道比熱容;k為水道的熱傳導(dǎo)系數(shù)。

根據(jù)計算流體力學(xué),在流體模型的分析中所有流體滿足質(zhì)量守恒方程:

(3)

在此基礎(chǔ)上,還應(yīng)該滿足動量守恒方程:

(4)

此外,針對雷達(dá)電源組件固體模型,主要考慮內(nèi)部流體與水道內(nèi)壁的耦合面,其基本方程為

Ts=Tf

(5)

(6)

式中,Tf為電源組件水道內(nèi)流體溫度;ks為水道的熱傳導(dǎo)系數(shù);kf為其水道內(nèi)流體的熱傳導(dǎo)系數(shù)。

通過上述分析即可完成雷達(dá)電源組件流固耦合分析,并對其內(nèi)部溫度進(jìn)行合理分析,進(jìn)而完成既定的溫度預(yù)測目標(biāo)。

須要注意的是,雷達(dá)電源組件內(nèi)部的散熱裝置以及空氣對流等常常導(dǎo)致雷達(dá)電源組件的熱分析出現(xiàn)較大誤差。為了提高整體溫度預(yù)測準(zhǔn)確率,調(diào)整該類誤差是實際工程中須迫切解決的關(guān)鍵問題。

2 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的溫度預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)具備在模擬過程中可將誤差傳回,并動態(tài)調(diào)整神經(jīng)元權(quán)重,能確保整體最終輸出結(jié)果準(zhǔn)確性的特性[11]。本文引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)一步構(gòu)建雷達(dá)電源組件的溫度預(yù)測模型。

為簡便分析,首先選取與雷達(dá)電源組件溫度有密切關(guān)聯(lián)的參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的n個輸入,基本表示符號如下:

X=[x0,x1,x2,…,xn]

(7)

式中,xi,i=1,…,n為雷達(dá)電源組件輸入?yún)?shù)。

選取雷達(dá)電源組件溫度相關(guān)參數(shù)的權(quán)重向量為

W=[wi1,wi2,…,win]T

(8)

則對應(yīng)的神經(jīng)元為

(9)

式中,θ為輸出層閾值。

在實際操作中,將雷達(dá)電源組件的溫度與輸入?yún)?shù)進(jìn)行映射,假設(shè)映射函數(shù)為f,則輸出向量與神經(jīng)元之間的關(guān)系為

yi=f(neti)=f(XW)

(10)

由于BP神經(jīng)網(wǎng)絡(luò)可將誤差動態(tài)傳給輸入,進(jìn)而調(diào)整神經(jīng)元權(quán)重,因此,對于m個給定的雷達(dá)電源組件的訓(xùn)練樣本,設(shè)定誤差函數(shù)為

(11)

式中,E(i)為單個樣本的訓(xùn)練誤差,其模型為

(12)

式中,y(i)為對應(yīng)輸入x(i)的期望溫度輸出值;d(i)為對應(yīng)輸入x(i)的實際輸出溫度值。

考慮到雷達(dá)電源組件期望溫度輸出值與實際輸出溫度值存在誤差,須對權(quán)重進(jìn)行更新。構(gòu)建權(quán)重更新迭代計算模型為

(13)

利用上述模型,雷達(dá)電源組件溫度能取得一定預(yù)測效果。但在實際運(yùn)行中,會根據(jù)實際工況不斷改變上述依據(jù)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù),網(wǎng)絡(luò)收斂性難以保證,訓(xùn)練結(jié)果極容易陷入局部極小值,將直接導(dǎo)致雷達(dá)電源組件溫度預(yù)測值準(zhǔn)確率很難匹配工程實際值。本文引入PSO和BP混合算法來優(yōu)化電源組件溫度預(yù)測模型。

設(shè)在預(yù)測溫度值的d維搜索空間中有M個粒子,其中第i個粒子的位置為Xi=xi1,xi2,…,xid,該粒子與期望輸出溫度值最接近的位置為Pi=pi1,pi2,…,pid。為減小實際輸出溫度值與期望值的誤差,須更新部分誤差較大樣本的閾值或權(quán)重,將粒子速度更新公式修訂為

式中,u為雷達(dá)電源組件中樣本的慣性權(quán)值;c1、c2分別為其樣本的加速系數(shù);r1、r2分別為兩個在[0,1]內(nèi)變化的隨機(jī)數(shù)。

為獲取實際輸出溫度值與預(yù)期值之間的誤差較小值,將雷達(dá)電源組件樣本網(wǎng)絡(luò)的權(quán)值視為PSO算法中粒子的速度。權(quán)值的改變相當(dāng)于粒子速度的改變,可按照下式計算:

為驗證本文方法,采用平均絕對百分比誤差yMAPE和均方根誤差yRMSE評價電源組件元器件的溫度預(yù)測效果:

(17)

(18)

式中,ya(i)為雷達(dá)電源組件期望輸出溫度值;yb(i)為實際輸出溫度值。

設(shè)定評價規(guī)則如下:誤差yMAPE和yRMSE越小,代表溫度預(yù)測誤差越小,預(yù)測模型越準(zhǔn)確,因此利用這兩個指標(biāo)即可實現(xiàn)對雷達(dá)電源組件溫度預(yù)測模型的評估。

3 算法設(shè)計與分析

基于PSO-BP神經(jīng)網(wǎng)絡(luò)的雷達(dá)電源組件溫度預(yù)測具體步驟(詳見圖1)可設(shè)定如下:

圖1 電源組件溫度預(yù)測流程

(1)確定雷達(dá)電源組件輸入神經(jīng)元與輸出神經(jīng)元個數(shù);

(2)初始化雷達(dá)電源組件輸出溫度粒子群規(guī)模;

(3)粒子適應(yīng)度值為雷達(dá)電源組件溫度預(yù)測值和溫度期望值的絕對值誤差之和;

(4)比較粒子適應(yīng)度;

(5)更新雷達(dá)電源組件溫度粒子位置及速度;

(6)比較當(dāng)前迭代次數(shù)與設(shè)定的最大迭代次數(shù),若超過最大迭代次數(shù),則終止算法,否則跳至步驟(2),進(jìn)行下一次迭代。

當(dāng)前太湖流域正處在工業(yè)化、城鎮(zhèn)化快速發(fā)展的特殊階段，與河湖爭地、違法設(shè)障、地方保護(hù)等問題比較突出，河湖執(zhí)法任務(wù)依然十分艱巨。下一步太湖流域管理局將按照深化水利改革的總體部署，陳雷部長重要批示精神和全國水政工作會議嚴(yán)肅查處水事違法案件、嚴(yán)厲打擊違法侵占河湖水域等違法行為，加強(qiáng)水生態(tài)文明建設(shè)的要求，圍繞中心，服務(wù)大局，繼續(xù)深入貫徹實施《太湖流域管理條例》，以增強(qiáng)隊伍執(zhí)法能力為核心，進(jìn)一步加大直接查處力度，深化聯(lián)合執(zhí)法機(jī)制，強(qiáng)化層級監(jiān)督，不斷加強(qiáng)流域河湖水域岸線保護(hù)，為流域水生態(tài)文明建設(shè)提供法治保障。

4 仿真與試驗結(jié)果

為驗證本文算法的合理性,選取某型天線雷達(dá)的電源組件為基本物理模型,實驗平臺如圖2所示,平臺進(jìn)水、出水的基本結(jié)構(gòu)如圖3所示。

圖2 電源組件實驗平臺

圖3 某雷達(dá)電源組件出水和進(jìn)水示意

4.1 電源組件數(shù)值仿真邊界條件

在Ansys Fluent仿真中劃分網(wǎng)格,包含654 764個節(jié)點和3 175 027個單元,將電源組件數(shù)值計算中的邊界條件設(shè)置如下:

(1)進(jìn)口邊界條件:電源組件流體端口為流體入口,入口邊界采用速度入口邊界;

(2)電源組件水道中的水流速為0.1 m/s,水溫恒定27 ℃;

(3)出口邊界條件:電源組件的流體出口,出口邊界采用壓強(qiáng)出口邊界條件。

4.2 數(shù)值仿真結(jié)果分析

基于上述物理結(jié)構(gòu)模型設(shè)置Fluent仿真邊界條件,計算模型采用SIMPLE算法,仿真得到電源組件水道溫度云圖如圖4所示,其中入水口區(qū)域的液體溫度較低,大約為26.85 ℃,出水口區(qū)域溫度較高,為31.29 ℃。可以看出,水道出口的溫度高于水道入口的溫度,符合實際工程現(xiàn)象。

圖4 水道液體速度云圖

電源組件的關(guān)鍵元器件溫度云圖如圖5所示,呈現(xiàn)層狀分布,最高溫度在電源組件的電源板上,這是因為電源板自身功耗、散發(fā)的熱量都較大。

圖5 電源組件元器件溫度云圖

采用Ansys Fluent對比分析電源組件的仿真溫度數(shù)據(jù)與工業(yè)實測溫度,結(jié)果如表2所示。12個元器件的誤差均在-10%～10%之間,初步驗證了溫度仿真的可靠性。

表2 仿真溫度與實測溫度

4.3 PSO-BP溫度預(yù)測結(jié)果分析

以電源組件12個元器件為例,將BP神經(jīng)網(wǎng)絡(luò)預(yù)測值、PSO-BP神經(jīng)網(wǎng)絡(luò)雷達(dá)電源組件輸出的預(yù)測值與實測值進(jìn)行對比,結(jié)果如圖6所示。

圖6 不同算法輸出值與實測值對比

可以看出,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比,PSO-BP神經(jīng)網(wǎng)絡(luò)模型的輸出預(yù)測值與實測溫度的擬合度更高。

對比分析傳統(tǒng)BP算法和本文算法的殘差實驗結(jié)果,如圖7所示。

圖7 不同算法輸出值與觀測值擬合曲線

可以看出,BP神經(jīng)網(wǎng)絡(luò)預(yù)測的誤差在[-1,5]之間波動,而PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差在[-1,3]之間波動,對應(yīng)12個元器件,其中有10個元器件的誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測的誤差。

為進(jìn)一步驗證本文算法的有效性,采用RMSE和MAPE作為算法的性能評價,結(jié)果如表3所示。可以看出,本文算法均低于傳統(tǒng)BP算法。

表3 不同算法性能評價

顯然,本文算法在實際溫度預(yù)測實踐中的預(yù)測精度更好,同時在一定程度上避免了雷達(dá)電源組件使用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的溫度訓(xùn)練結(jié)果容易陷入局部極小值的缺陷。

5 結(jié)束語

針對雷達(dá)電源組件元器件溫度高影響其可靠性的問題,考慮雷達(dá)電源組件水冷散熱的條件,本文在對其進(jìn)行熱分析的基礎(chǔ)上,提出了基于PSO-BP神經(jīng)網(wǎng)絡(luò)的雷達(dá)電源組件溫度預(yù)測新方法,得出結(jié)論如下:

(1)針對雷達(dá)電源組件通過內(nèi)部水道散熱情況分析流動-傳熱,在此基礎(chǔ)上對雷達(dá)電源組件進(jìn)行熱分析,得到電源組件關(guān)鍵元器件和水道中流體的溫度分布云圖,與實測溫度對比,誤差都在10%以下,證明了熱分析的準(zhǔn)確性,消除了雷達(dá)電源組件散熱不及時對可靠性的影響;

(2)為克服雷達(dá)電源組件數(shù)值模擬時間耗時較長,以及受到多種因素干擾導(dǎo)致熱分析結(jié)果誤差的問題,提出了基于PSO-BP神經(jīng)網(wǎng)絡(luò)的雷達(dá)電源組件溫度預(yù)測新方法,以實現(xiàn)對雷達(dá)電源組件的溫度預(yù)測。

本文方法基于雷達(dá)電源組件溫度數(shù)值模擬結(jié)果,然而在實際工程中,由于雷達(dá)電源組件運(yùn)行狀態(tài)等限制,無法提供所提方法的輸入坐標(biāo)等數(shù)據(jù),因此仍須改進(jìn)。