温度预测

摘要： 针对现有炼钢厂在LF炉钢液温度的控制方面,大多采用人工测温的方式,存在测量精度差,调节时间长等缺点,不利于钢的质量稳定且不利于降低成本。以42CrMo4钢种为例,通过进行相关性分析,筛选出影响42CrMo4的LF炉终点温度的因素,以这些影响因素作为输入,LF炉终点温度作为输出建立了神经网络的LF炉温度预测模型,探讨给定这些输入量,是否能得到较为准确的终点温度,实验表明神经网络模型能够很好地预测LF炉钢液温度。

摘要： 随着智能化研究在汽轮机运维领域深入发展,基于有效数据样本进行关键部件温度预测的智能算法不断成熟。以历史运行数据为样本库,采用CNN-LSTM智能算法建立汽轮机关键部件温度预测模型,有效地预测了未来一定时间内机组监控测点的温度变化情况,辅助汽轮机运行控制。研究成果可为汽轮机在线运维提供参考。

摘要： 在电动汽车和混合动力汽车应用场景中,薄膜电容器内部最高温度一般要求不超过105°C,如果电容器工作在85°C的环境中,其允许的温升裕量就会变得很小。电容器温升与负载变化强相关,导致在设计初期很难精准设计电容器的温升裕量。为此,文章提出一种基于Foster热网络模型的电热仿真计算方法来预测电容器内部瞬态温度。其通过电容器温升实验的方法提取了5阶局部热网络模型的参数,搭建了完整的仿真模型,并用该仿真模型计算了NEDC(新欧洲驾驶循环周期)与美国高速公路复合工况下的电容器温升情况。结果显示,在循环工况下,电容器温升变化趋势与纹波电流特性的对应关系很好,用该方法可以清晰地评估最高温升点。

摘要： 本文依托于某型号飞机冬季严寒地区停放的温度环境实测数据,研究了严寒地区地面停放飞机的温度诱发环境分析与预测的方法,确定了机内温度随外界自然环境温度的变化规律,基于统计归纳与传热分析方法,分别建立了能够准确预测飞机舱内温度的双层回归模型和多模式换热模型,并应用实测数据对预测模型精度进行了验证。最后,总结了严寒地域飞机温度环境分析与预测的方法,给出了不同预测方法的对比与选取建议,并对研究应用进行了展望,为提升航空装备低温环境适应性、优化环境试验条件与精准保障提供了一个有效途径。

摘要： 为有效预测永磁同步电机的温度,首先使用嵌套结构对门控循环单元(gated recurrent unit,GRU)进行改进,提出一种嵌套式门控循环单元(nested gated recurrent unit,NGRU)网络,NGRU能对相关温度特征中的噪声进行过滤,并挖掘温度随时间变化的规律,再经过非线性变换提取深层的温度特征;然后提出一种新型深度学习模型,即一维卷积神经网络(1D convolutional neural networks,1D-CNN)串联NGRU(1D-CNN tandem NGRU,CNGRU),CNGRU利用1D-CNN对输入特征进行初步提取,得到多角度的永磁同步电机相关温度特征作为NGRU的输入,以串联的结构融合二者的优势,得到永磁同步电机的预测温度。试验结果表明,对比其他循环网络在定子轭、定子齿和定子绕组温度上的预测表现,NGRU均方误差平均降低12.44%,无穷范数平均降低0.3619;CNGRU在此基础上比NGRU均方误差平均降低13.29%,无穷范数平均降低0.5796。CNGRU比NGRU及其他循环网络对永磁同步电机温度的预测,具有更高的精度和稳定性,这为保证电机的安全稳定运行提供了技术保障。

摘要： 高流量呼吸湿化仪作为一种典型的非线性、大滞后且对象参数随流量变化的变结构温度控制系统,出气温度会随流量不断变化且易受到各种参数影响。鉴于对象的特殊性及复杂性考虑,无法通过传统的机理建模方法进行模型搭建。针对这一问题的出现,以大量的历史数据为基础,使用机器学习方法进行建模。整个建模过程,选用多元线性回归、随机森林和支持向量机三种算法进行模型训练;在性能效果评估方面,选用可解释方差(VS)、平均绝对误差(MAE)、均方误差(MSE)、判定系数(R2)四种指标进行效果评估。仿真实验结果表明,在不同工况条件下,三种模型皆可以对出气温度做出预测,且通过性能对比分析,相同条件下随机森林的预测效果要优于另外两种算法。实现对出气温度预测,不仅使湿化仪的性能得到提升,同时对于仪器的安全使用也具备一定的指导意义。

摘要： 粮食的储备对于一个国家来说十分重要,是关乎民生的重要战略资源。储粮对于温度要求十分严格,机械通风是保持粮仓环境温度的重要方法。针对传统机械通风不能准确识别通风时机而导致的风机损耗和粮食损害问题,选用RBF神经网络建立温度预测模型,利用粒子群算法(Particle Swarm Optimization,PSO)及列文伯格-马夸尔特算法(Levenberg-Marquard,LM)优化网络的参数。仿真结果可以看出,用PSO算法和LM算法优化后的神经网络模型预测精度更加准确,与用PSO优化后的RBF神经网络进行比较后可知,PSO-LM-RBF算法预测误差小,模型更加稳定。

摘要： 针对锂电池温度预测困难、精确度差等问题,研究小组提出一种基于神经网络的锂电池温度预测方法。首先通过锂电池温升特性实验平台对锂电池放电过程的热力学特性展开研究,通过分析选取SOC(电池荷电状态)、放电电流、环境温度等特征参量为输入参数,结合BP神经网络算法,搭建了基于实验与BP神经网络的电池表面温度快速预测模型,采用未参与模型训练的实验数据对模型进行验证。仿真结果表明:该方法整体误差较小,均小于5%;该方法不仅提高了预测精度,而且缩短了预测时间,有利于精细化的锂电池热管理系统的发展。

摘要： 为研究双路电缆温控试验中电缆暂态温度随时间的变化关系,预测温度的变化趋势,在经典热路模型的基础上,提出了预测方案。让调节电流以二分法的形式进行有规律地变化,并用Runge-Kutta法求出离散的电缆暂态温度计算值,再通过Levenberg-Marquardt优化算法对这些离散的电缆暂态温度计算值进行非线性曲线拟合,最后得出电缆温度随时间变化的理论计算曲线。试验结果表明,该计算曲线能对双路电缆温控试验中暂态温度的变化进行有效预测,可保证试验的安全性和高效性。

摘要： 提出了一种基于粒子群优化(PSO)算法、BP神经网络及比例积分微分(PID)控制的复合算法的注塑机料筒温度预测模型,即PSO-BP-PID神经网络模型,并进行了仿真研究。结果表明:使用PSO算法确定该模型的输出权重,并且对混合核函数参数进行优化升级;在模型训练过程中,使用更大的容许度处理正误差,保证预测误差始终处于正值,使预测结果科学可靠;将高斯核函数与多项式核函数结合,生成一个新型混合核函数,提高核函数极限学习机性能;PSO-BP-PID神经网络模型的预测效果整体较传统PID模型好,温度总体趋势与实际预测数据相近,具有更好的拟合度。

摘要： 为了提高铁水温度管理水平,降低鱼雷罐车输送铁水过程中的温降,进行铁水运输过程温度预测研究.由于其运输过程复杂且干扰因素繁多导致机理模型难以建立,所以根据历史的样本数据,针对其数据特性首先采用线性模型进行温度预测;同时通过最小二乘支持向量机对倒罐铁水温度进行预测,并使用差分进化算法对模型参数进行了优化;最后通过换核来对比各核函数对模型性能的影响,结论是各模型均取得了良好的预测效果.

摘要： 本文介绍了在工业物联网的背景下,以聚羧酸减水剂生产线控制应用为基础的智能温度预测算法.通过针对物联网中传感器采集到的数据进行挖,预测出下一时刻温度的变化,为其自动控制提供基础,避免人工操作,以减少人工操作中因误操作或经验不足所产生的的错误,达到提高生产效率及产品质量的作用.温度预测使用了机器学习或者数学建模的方法,通过对原有数据的分析建模,可以预测出反应釜未来的温度变化.温度预测首先需要对数据进行准备,完成数据的清洗、数据的离散化、数据的归一化以满足数据挖掘的需要,其次通过关联关系挖掘,对数据中隐含的规则进行提取和规则缩减,最后根绝多元回归模型对预测结果进行误差修正,提高预测的准确度,达到准确预测的效果.

摘要： 针对3D NoC处理器系统的温度管理问题,提出一种基于RC参数的温度预测方法.该方法根据3D NoC的实际散热情况建立了一个温度变化模型,由此模型来进行温度预测.在Access Noxim平台上实现并验证了该预测方法的准确性,实验结果表明,提出的预测方法能够较为准确的预测温度,平均绝对误差为0.08134°C.

摘要： 热连轧生产线钢坯感应加热过程中，钢坯温度的提升受钢坯初始温度、中频电源输出功率、钢坯行进中所在位置、内部热传导以及外部热辐射等诸多因素的影响，具有不确定性、滞后性及非线性，难以建立准确的机理模型。为此，本文采用人工神经网络方法，首先通过电磁感应加热机理建立初步的钢坯温度预测模型；其次，通过邻点影响因素评估修正模型的输入量，确立钢坯温度预测模型；最后，经过实际比较验证，证实该预测模型具有较高的精度，可以为下一步钢坯感应加热的温度控制提供依据。

摘要： 储粮温度预测有利于及时采取通风降温等措施保障储粮安全,因而具有重要意义.传统预测方法多是基于历史温度数据的向量形式进行特征提取,破坏了原有数据的高阶特性和内部结构,导致局部空间信息丢失,预测精度难以满足要求.本文针对这一问题,提出了一种以数据张量表示为基础的多线性主成分分析(multi-linear principle component analysis,MPCA)方法.该方法保留了粮堆温度历史数据的高阶性,即在使用MPCA进行特征提取和降维的同时,充分保留了原有数据的内部结构,因而提取的特征更为有效.实验表明,本文方法预测结果优于其他典型预测方法.

摘要： 针对目前三维叠层芯片由于芯片之间耦合带来的温度预测的难题,文章根据堆叠芯片的结构和热传导路径,构建了一种用于预测叠层芯片温度的热阻网络模型,理论推导出模型的热阻参数,在芯片模型的基础上设计了相同规格的热测试芯片用于模型准确性验证,模拟了不同功率条件下芯片的发热特性,与热测试芯片的实验结果表明,无论是在单热源还是多热源耦合的条件下,文章所建立的热阻网络模型都能准确地预测叠层芯片的温度值,并且温度预测相对误差控制在4％以内.

摘要： 针对冻结壁温度场的求解是一个不稳定的导热问题,很难进行解析求解,尤其是在考虑钻孔实际位置偏斜时,通过运用有限元软件ANSYS进行数值模拟运算,从而对井筒冻结壁的温度发展做出预测,以期为掘进施工提供指导帮助.从结果来看,温度预测的精确度较高,符合工程需要.

摘要： 对2012/2013年冬季温度预测效果进行了评估,对冬季气温的异常分布和季节内变化的预测均与实况一致,预测评分(PS评分)达到了96分.给出了冬季的环流异常特征,重点总结了预测时考虑的前期关键外强迫因子对冬季气温的影响,预测时重点抓住了北极海冰异常偏少、大两洋三极子的正位相,以及热带印度洋IOBW等外强迫因子对冬季风的综合影响.结果表明,冬季环流中高纬度呈现"西高东低"的异常型分布,副高正常偏强,预测与实况较为一致.

摘要： 针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型.应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度.

摘要： 针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型.应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度.

摘要： 本发明的厚钢板的温度偏差预测方法是具备水冷装置和脱水装置的厚钢板的热处理设备中的厚钢板的温度偏差预测方法，前述水冷装置通过对加热后的厚钢板喷射冷却水来冷却厚钢板，前述脱水装置在水冷装置的下游侧排除厚钢板上的冷却水，厚钢板的温度偏差预测方法包括使用利用机器学习生成的温度偏差预测模型来预测通过脱水装置后的厚钢板的温度偏差信息的步骤，前述机器学习将分别选自水冷装置的操作参数和脱水装置的操作参数的至少1个操作参数设为输入数据、将通过脱水装置后的厚钢板的温度偏差信息设为输出数据。

摘要： 本发明提供了一种基于多层核超限学习机的锂电池温度场预测模型的建模方法，其特征在于，包括如下步骤：步骤一：建立基于ML‑KELM对时间域进行非线性变换的第一模型，并确定时间系数a的获取方法；步骤二：建立基于K‑ELM的重构模型，并采用检测到的锂电池的第一训练数据采用步骤一中的时间系数a的获取方法计算出对应的时间系数，并将计算出的时间系数a输入到所述重构模型中对所述重构模型进行训练；步骤三：基于OS‑ELM建立在线低阶时序模型，对所述在线低阶时序模型进行训练和在线学习并更新在线低阶时序模型的输出权重；步骤四：在OS‑ELM模型在线学习完成后，根据更新后的输出权重计算预测的时间系数步骤五：将得到的预测的时间系数代入到步骤二中的重构模型中，即可实现对锂电池的温度场的预测：该建模方法能够对锂电池温度场预测模型的建模，通过所建的模型能够根据锂电池的输入数据准确地对温度场进行预测。

摘要： 本公开提供了一种环境温度预测方法，包括：获取电池处于当前温度环境的初始时刻和电池表面初始温度，以及在当前温度环境中电池表面温度达到稳定温度的最终时刻和电池表面稳定温度；至少基于初始时刻至最终时刻的时间长度，计算时间长度之内的电池内阻平均发热功率；至少基于电池内阻平均发热功率，获得由电池内阻发热导致的电池温度变化量；以及基于电池表面初始温度、电池表面稳定温度以及由电池内阻发热导致的电池温度变化量，获得当前温度环境的温度。本公开还提供了电池温度预测方法、电池电量计算方法、电池管理系统及电子设备。

摘要： 内燃机的温度预测装置及温度预测方法构成为：基于在内燃机从停止状态开始起动后到内燃机开始旋转为止的期间内的正时作为外部空气压力取得的进气压力、在内燃机开始旋转后到在燃烧室内开始燃烧为止的期间内的正时作为进气代表压力取得的进气压力以及在该正时取得的内燃机转速，预测内燃机的初始温度，使用预测出的初始温度预测燃烧开始以后的内燃机的温度。

摘要： 简化加热装置的内部的模型化，并且抑制加热装置内的温度预测的精度的降低。使用关系式以使特定时刻(ts)的测定部位的位置的空气的温度与在加热装置的设定温度分布(12)中同特定时刻(ts)的测定部位的位置对应的空气的温度之差消失的方式来确定热传递系数，该关系式使用热传递系数来定义测定部位的被加热物的温度与测定部位的周围的空气的温度的差以及伴随时间经过的测定部位的被加热物的温度差的关系。使用测量温度变化曲线(13)和该关系式来预测搬送过程中的空气的温度分布(14)。

摘要： 本发明实施例提供了一种温度预测方法、温度预测装置和车辆，方法包括获取动力电池的当前工况参数，将当前工况参数输入至预先训练的神经网络预测模型，预测得到动力电池的温度；神经网络预测模型为基于动力电池的历史工况参数确认的动力电池的热阻参数和热容参数训练所得。本发明实施例中，无需对动力电池开包布置热电偶和多种热参数测试仪等仪器设备，直接通过电池管理系统(BMS)获取动力电池的历史工况参数确认出动力电池的热阻参数和热容参数，并根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，操作简单、节省时间、成本低廉，将当前工况参数输入至预先训练的神经网络预测模型，预测得到精度较高的动力电池温度。

摘要： 本公开提供了一种环境温度预测方法，包括：获取电池处于当前温度环境的初始时刻和电池表面初始温度，以及在当前温度环境中电池表面温度达到稳定温度的最终时刻和电池表面稳定温度；至少基于初始时刻至最终时刻的时间长度，计算时间长度之内的电池内阻平均发热功率；至少基于电池内阻平均发热功率，获得由电池内阻发热导致的电池温度变化量；以及基于电池表面初始温度、电池表面稳定温度以及由电池内阻发热导致的电池温度变化量，获得当前温度环境的温度。本公开还提供了电池温度预测方法、电池电量计算方法、电池管理系统及电子设备。

摘要： 温度预测装置具备：施加电压确定部，其确定与从设于电磁铁线圈的距离检测部到输出轴的距离相应的对所述电磁铁线圈施加的电压值；线圈电流检测部，其基于所述施加电压确定部所确定的电压值来检测对所述电磁铁线圈施加电压时流过的电流值；和线圈温度推定部，其基于所述施加电压确定部所确定的电压值、所述线圈电流检测部检测到的电流值和关系式来推定所述电磁铁线圈的温度，所述关系式是对所述电磁铁线圈施加的电压值、基于对所述电磁铁线圈施加的电压值对所述电磁铁线圈施加电压时流过的电流值以及所述电磁铁线圈的温度之间的关系式。

摘要： 本发明实施例公开了一种显示面板温度预测方法及温度预测装置，该方法包括：获取所述显示面板在目标时间点的第一类型数据，第二类型数据和第三类型数据；根据所述目标时间点的第一类型数据，第二类型数据和第三类型数据，以及预先确定的温度预估策略，得到所述显示面板的预估温度。本发明提供的显示面板温度预测方法，能够预测得到显示面板的温度，为产品提供一种能够在产品设计定版前就能够预测显示面板温度的方法，在设计之初可通过此方法进行预估显示面板温度，避免了常规设计中必须得到显示面板实物才能进行测试温度的盲目性，减少了实验次数及时间，优化产品的设计流程，降低了设计成本。

摘要： 内燃机的温度预测装置及温度预测方法构成为：基于在内燃机从停止状态开始起动后到内燃机开始旋转为止的期间内的正时作为外部空气压力取得的进气压力、在内燃机开始旋转后到在燃烧室内开始燃烧为止的期间内的正时作为进气代表压力取得的进气压力以及在该正时取得的内燃机转速，预测内燃机的初始温度，使用预测出的初始温度预测燃烧开始以后的内燃机的温度。