用于预测线束温度的方法和设备

技术领域

本发明涉及一种用于预测导线额定参数的方法和设备，并且具体地涉及用于预测线束中导线温度的方法和设备。

背景技术

汽车中的导线载流量是重要的参数。载流量是指导线在持续负荷中所能传输的最大电流，在该最大电流下，导线导体的温度达到但不会超过导线绝缘层的长期耐热温度。对于本领域人员而言，如何获得导线在持续负荷时的温度是获知载流量的关键。

目前，导线在持续负荷时的温度通常通过以下两种方式获得：

(1)通过物理实验测得导线通电时的温度；

(2)基于理论模型或有限元模型来计算导线的温度。

然而，物理实验具有以下缺点：

(1)成本较高；

(2)物理实验通常是在理想情况下通过对单根导线进行测量，所测得的温度并不能反应真实环境下的实际情况。因为在实际的导线使用过程中，通常会用胶带或套管等保护层将一根或多根导线保护起来。因此对单根导线测得的实验数据将会与实际情况存在较大的偏差。

而有限元建模通常需要相应的专业知识，并且计算时间较长。

因此，需要提出一种新的线束中导线温度乃至导线载流量的预测方法。

发明内容

本发明所提出的技术方案旨在提供一种能够快速、经济、和/或准确地预测线束温度的方法。

在本发明的一个方面，提供了一种用于预测线束温度的方法，所述方法包括：用经归一化的多组训练样本数据对预设的神经网络模型进行训练，其中所述多组训练样本数据中的每组训练样本数据包括输入数据和输出数据，所述输入数据包括在预定范围内的线束结构参数值和线束工作参数值，所述输出数据包括线束温度值；基于训练得到的神经网络的阀值和权值矩阵，获得用于模拟所述输入数据与所述输出数据之间映射关系的映射关系模型；基于所述映射关系模型，输入在所述预定范围内的线束结构参数值和线束工作参数值，获得线束温度预测值。

在本发明一个方面的至少一实施例中，所述方法还包括获得经归一化的所述多组训练样本数据，所述获得经归一化的所述多组训练样本数据包括：通过实际测量，获得线束温度测量值；对所述输入数据和所述输出数据进行归一化处理，获得经归一化的第一多组训练样本数据，其中经归一化的第一多组训练样本数据包括经归一化的所述线束工作参数值、经归一化的所述线束结构参数值以及经归一化的所述线束温度测量值。

在本发明一个方面的至少一实施例中，所述线束工作参数值包括导线工作电流；所述线束结构参数值包括导线绝缘层的厚度和线束保护层的厚度；所述线束温度值包括导线导体的温度值和导线绝缘层与线束保护层之间界面的温度值；所述线束温度预测值包括导线导体的温度预测值和导线绝缘层与线束保护层之间界面的温度预测值。

在本发明一个方面的至少一实施例中，所述线束工作参数值还包括选自以下组的至少一个参数值：工作环境温度、导线通电时间；所述线束结构参数值还包括选自以下组的至少一个参数值：导线导体的导热系数、导线导体的截面积、导线绝缘层的导热系数、线束保护层的导热系数、导线的数量。

在本发明一个方面的至少一实施例中，所述获得经归一化的所述多组训练样本数据还包括：基于预设的有限元模拟模型，输入所述线束工作参数值和所述线束结构参数值，获得所述线束温度计算值；对所述线束温度计算值进行归一化处理，获得经归一化的第二多组训练样本数据，其中经归一化的第二多组训练样本数据包括经归一化的所述线束工作参数值、经归一化的所述线束结构参数值以及经归一化的所述线束温度计算值；用经归一化的多组训练样本数据对预设的神经网络模型进行训练的步骤包括用选自以下多组训练样本数据中的至少一部分对预设的神经网络模型进行训练：经归一化的第一多组训练样本数据和经归一化的第二多组训练样本数据。

在本发明一个方面的至少一实施例中，所述获得经归一化的所述多组训练样本数据还包括：用所述线束温度测量值校正所述有限元模拟模型；基于经校正的有限元模拟模型，输入所述线束工作参数值以及所述线束结构参数值，获得经校正的所述线束温度计算值；对经校正的所述线束温度计算值进行归一化处理，获得经归一化的第三多组训练样本数据，其中经归一化的第三多组训练样本数据包括经归一化的所述线束工作参数值、经归一化的所述线束结构参数值以及经归一化的经校正的所述线束温度计算值；经归一化的多组训练样本数据对预设的神经网络模型进行训练的步骤包括用选自以下多组训练样本数据中的至少一部分对预设的神经网络模型进行训练：经归一化的第一多组训练样本数据、经归一化的第二多组训练样本数据和经归一化的第三多组训练样本数据。

在本发明一个方面的至少一实施例中，所述获得经归一化的所述多组训练样本数据包括基于均匀实验设计，获得所述预定范围内的所述线束工作参数值和所述线束结构参数值。

在本发明一个方面的至少一实施例中，所述方法还包括：基于所述导线导体的温度预测值，获得导线载流量预测值。

在本发明一个方面的至少一实施例中，基于所述导线导体的温度预测值获得导线载流量预测值包括：基于所述导线工作电流与相对应的所述导线导体的温度预测值，建立第一拟合曲线；基于所述第一拟合曲线和目标工作温度值，获得所述导线载流量预测值。

在本发明一个方面的至少一实施例中，基于所述导线工作电流与相对应的所述导线绝缘层与线束保护层之间界面的温度预测值，建立第二拟合曲线；

基于所述第二拟合曲线和所述导线载流量预测值，获得用于选择线束保护层材料的导线绝缘层与线束保护层之间界面的温度预测值。

在本发明一个方面的至少一实施例中，用经归一化的多组训练样本数据对预设的神经网络模型进行训练包括：采用反向传播算法用经归一化的多组训练样本数据对预设的神经网络模型进行训练。

在本发明的另一方面，提供了一种用于预测线束温度的设备，包括多个模块，所述多个模块分别用于执行上述方法中的任一项方法中的对应步骤。

在本发明的其他方面，提供了一种用于预测线束温度的系统，包括：存储器，用于存储程序指令；处理器，用于执行所述程序指令，以实现上述方法中的任一项方法。

在本发明的又一方面，提供了一种计算机可读介质，用于存储多条指令，其中当所述多条指令被计算设备执行时，使得所述计算设备执行上述方法中的任一项方法。

本发明所提出的技术方案与现有技术相比，具有以下一个或多个优点：

(1)与单纯的物理实验相比，实验成本显著降低；

(2)通过考虑具有多根导线和/或具有保护层的实际线束状态，使得预测结果更精确；

(3)相较于有限元建模，获得线束温度的时间大大减少。

附图说明

为了进一步阐明本发明的各实施例的以上和其他优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。应当理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对本发明所要求保护范围的限制。

图1示出了根据本发明的一个实施例的线束温度预测方法的过程。

图2A和图2B分别示出了具有一根导线的线束和具有多根导线的线束。

图3示出了根据本发明的一个实施例的神经网络模型。

图4示出了根据本发明的一个实施例的利用映射关系模型预测的导线导体的温度预测值随工作电流值的变化的示意图。

具体实施方式

下面结合具体实施例和附图对本发明作进一步的说明，在以下的描述中阐述了更多的细节以便于充分理解本发明，但是本发明显然能够以多种不同于此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎，因此不应以此具体实施例的内容限制本发明的保护范围。

本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“其他实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一个实施例”或“其他实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

图1示出了根据本发明的一个实施例的线束温度预测方法的过程100。

在步骤112处，获得包括线束温度测量值的实验数据。在一些实施例中，可以搭建实验测试平台，在导线导体位置、导线绝缘层与线束保护层之间界面的位置处放置温度传感器，用以测量导线导体的温度测量值和导线绝缘层与线束保护层之间界面的温度测量值。例如，可以在如图2A所示的具有单根导线的线束220的导体221处以及绝缘层223与保护层225之间界面处放置温度传感器。或者可以在如图2B所示的具有多根导线的线束240的导体241处以及绝缘层243与保护层245之间界面处放置温度传感器。对于具有多根导线的线束240，还可以分别在多根导线的各导体241处以及在多根导线的各绝缘层243与相应保护层245之间界面处放置温度传感器。在每一次实验中，可以对具有预定线束结构参数值的线束施加预定的工作电流，并通过温度传感器测量线束内预定位置的温度，从而获得一组实验数据。在该组实验数据[X

多组实验数据[X

表1：输入数据和输出数据

返回图1，在步骤114处，校正预设的有限元模拟模型。在一些实施例中，当在步骤112处获得多组实验数据后，可将多组实验数据用于校正预设的有限元模拟模型。例如，可通过在有限元仿真软件COMSOLMultiphysics中建模，获得预设的有限元模拟模型。利用步骤112所获得的多组实验数据的至少一部分来校正该预设的有限元模拟模型，以获得经校正的有限元模拟模型。在一实施例中，可通过重新划分网络、或调整求解器参数设置来对预设的有限元模拟模型进行调整，使得利用经调整或经校正的有限元模拟模型在相同的输入X

在步骤116处，获得包括经校正的线束温度计算值的经校正的模拟数据。在一些实施例中，利用该经校正的有限元模拟模型，输入线束工作参数值以及线束结构参数值X

在步骤118处，归一化以获得经归一化的训练样本数据。在一些实施例中，可对在步骤112处获得的多组实验数据[X

在前述的各实施例中，通常选择落在预定数值范围内的输入数据X

在步骤120处，训练预设的神经网络模型，以得到映射关系模型。在一些实施例中，可首先预设一个神经网络模型。在一个实施例中，可以预设例如图3所例示的神经网络模型300。如图3所示的，神经网络模型300可以包括三层——一个输入层、一个隐含层和一个输出层，其中输入层包括三个节点，隐含层包括四个节点，输出层包括两个节点，并且该神经网络300为全连接(full connected,FC)神经网络。在其他的实施例中，可以对预设的神经网络的层数、每层的节点数以及连接方式进行选择或调整，以得到其他的预设神经网络模型。在一实施例中，当经归一化的训练样本数据中的经归一化的输入数据X

m＝log

其中，m表示隐含层的节点数，n表示输入层的节点数，l表示输出层的节点数，α表示1-10之间的常数。

随后，可用经归一化的多组训练样本数据[X

基于经训练得到的阀值和权值矩阵W，可获得用于模拟输入数据X与输出数据Y之间映射关系的映射关系模型。该映射关系的基本表达式为：Y＝f(X,W)。

在步骤124处，基于映射关系模型预测线束温度。在一些实施例中，可输入在预定范围内的模拟输入数据X

下面结合图4描述如何基于导线导体的温度预测值来预测导线载流量。在一些实施例中，可基于经训练的神经网络模型，即映射关系模型，输入若干组输入数据X

在本文中，还公开了一种用于预测线束中导线温度和/或导线载流量的设备，该设备包括多个模块，这些模块可用于执行结合图1所描述的线束温度预测方法的过程100的各个步骤以及结合图4所描述的基于线束温度预测值获得导线载流量预测值的过程。

此外，本文还公开了一种用于预测线束中导线温度和/或导线载流量的系统，该系统包括存储器和处理器。存储器可以是非易失性存储器，例如非瞬态计算机可读存储介质、电可擦除可编程只读存储器(EEPROM)等。存储器可用于存储实现本申请各种预测方法的一个或多个程序或程序指令。存储器还可以进一步用于存储各种初始数据、中间数据和结果数据，例如经归一化的多组训练样本数据和经训练的神经网络的阀值和权值矩阵W等。处理器可用于执行存储在存储器中的一个或多个程序或程序指令。

本公开各实施例中的一个或多个模块可以通过软件、硬件或两者的结合来实施。在硬件实施方案中，例如，可以利用专用集成电路(ASICs，application specificintegrated circuits)、数字信号处理器(DSPs，digital signal processors)、数字信号处理装置(DSPDs，digital signal processing devices)、可编程逻辑器件(PLDs，programmable logic devices)、现场可编程门阵列(FPGAs，field programmable gatearrays)、处理器(processors)、控制器(controllers)、微型控制器(micro-controllers)、微型处理器(micro-processors)及用于执行其他功能的电单元中的至少一种来实施。

各实施例的某些部分可以作为计算机程序产品来提供，该计算机程序产品可以包括在其上存储了计算机程序指令的计算机可读介质，计算机程序指令可以被用来对计算机(或其他电子设备)进行编程，以由一个或多个处理器执行，以根据某些实施例执行过程。计算机可读介质可包括，但不限于磁盘、光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁卡或光卡、闪存、或适于存储电子指令的其他类型的计算机可读介质。此外，实施例还可以作为计算机程序产品下载，其中，程序可以从远程计算机传递到请求计算机。在一些实施例中，非瞬态计算机可读存储介质具有存储在其上的表示指令序列的数据，所述指令序列在由处理器执行时使处理器执行某些操作。

尽管已经根据本公开的优选实施例描述了本发明，然而并不旨在受限于此，而是仅受所附权利要求书中所阐述的范围限制。本领域技术人员应该理解，可对本文中所描述的实施例作出各种修改和改变，而不背离如所附权利要求中所阐述的本发明的更宽泛精神和范围。