CN119394087A 微通道换热模组的多腔体协同控制方法、装置及电子设备 （广东精冷源建设有限公司）

分布数据及流量分布数据代入非齐次热传导方腔体的进口温度参数及流量参数进行实时调节2对微通道换热模组的多个换热腔体进行数值模拟计算，获取各换将所述训练数据矩阵输入多层分块分离模型进行温度场系数、根据所述热流分布数学模型，将各换热腔体的热流分布数据、温度分基于所述多目标优化函数执行混沌映射处理和多目标协同差分进化对所述最优控制方案集进行马尔可夫跳跃系统建模和Q_learning状态价值函数求解，将所述协同控制指令输入执行单元，对各换热腔体的进口温度参对所述初始换热腔体模型执行网格划分，其中流体计算域设置基于所述数据关联矩阵执行热流耦合分析，采用导热系数法将所述腔体间热流耦合关系与所述原始数据集进行矩阵拼接运算，得到训练数据矩将所述训练数据矩阵输入多层分块分离模型，对温度场数据、流场基于所述基础分离矩阵计算温度场系数、流场系数和压力场基于所述场系数权重矩阵进行特征分析，得到场特征识别矩阵，并对所述3基于所述热流耦合方程组求解腔体间的热流分布系数，得到热流分将所述热量平衡约束条件与所述热流分布系数矩阵进行组合运算根据所述热流分布数学模型，对各换热腔体的非齐次热传导方程在所述基础传热方程中输入温度分布数据和流量分布数据，采将所述离散化传热方程代入能量守恒方程，得到热量守恒约束，并对所述效率目标函数执行后验克拉美罗下界计算，得到性能指标函对所述综合评价函数添加压力损失约束和换热面积约束，得到约束优于所述多目标优化函数执行混沌映射处理和多目标协同差分进化，得到最优控制方案集，对所述初始化种群进行目标函数计算和非支配排序，对非支配解进行归档存基于所述初始帕累托解集构建变异矢量，对父代个体执行差分变异运算Vi将所述变异种群与父代种群按二项式交叉概率进行交叉操作，生成对所述可行解种群执行双种群协同进化运算，将种群分为探索种群将所述协同进化种群与父代种群合并，采用快速非支配排序算法和对所述目标种群执行精英保留策略，将当前最优个体直接进入下一代4基于所述最优控制方案集对所述微通道换热模组执行状态空间对所述状态空间方程执行分段齐次化处理，将换热过程划分为多个将所述分段状态方程组转化为线性矩阵不等式形式，构建Q_learning状态价值函数Q对所述状态值函数模型执行核矩阵估计运算，采用二次规划法求解最小化问题min||基于所述策略优化模型进行闭环稳定性分析，得到稳定性约所述协同控制指令输入执行单元，对各换热腔体的进口温度参数及流量参数进行实时调将所述协同控制指令解析为温度调节指令序列和流量调节指令序列，并对所述将所述分段控制指令输入执行单元，对各换热腔体的进口温度调节对所述腔体响应数据集进行数据过滤和归一化处理，得到标准化基于所述模型修正参数对所述热流分布数学模型的系数矩阵和耦合矩阵进行更新运获取模块，用于对微通道换热模组的多个换热腔体进行数值模计算模块，用于将所述训练数据矩阵输入多层分块分离模型处理模块，用于基于所述多目标优化函数执行混沌映射处理和多目标协同差分进化，求解模块，用于对所述最优控制方案集进行马尔可夫跳跃系统建模5更新模块，用于将所述协同控制指令输入执行单元，对各换热腔所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执要求1_7中任一项所述的微通道换热模组的6对所述最优控制方案集进行马尔可夫跳跃系统建模和Q_learning状态价值函数7[0011]图1是本发明实施例提供的微通道换热模组的多腔体协同控制方法的流程示意图2是本发明实施例提供的微通道换热模组的多腔体协同控制装置的结构示意性8可以理解的是，本申请的执行主体可以为微通道换热模组的多腔体协同控制装法具有处理复杂边界问题的显著优势。将腔体间热流耦合关系与原始数据集进行矩阵拼9混沌映射是一种混沌系统，通过其高度非线性的性质生成具有较好覆盖性的随机分布样[0020]步骤500、对最优控制方案集进行马尔可夫跳跃系统建模和Q_learning状态价值状态方程组转化为线性矩阵不等式形式。将复杂的非线性问题线性化，以便于结合Q_态，a表示控制动作。状态值函数模型用于量化系统在特定状态下采取某一控制动作的价型既包含实时控制指令的反馈效果，又通过在线修正实现了对动态运行环境的快速适应，从而确保微通道换热模组的各腔体之间实现最优的热流分配对微通道换热模组进行腔体划分，得到N个换热腔体，并对每个换热腔体的进口;;系数的计算公式为：;;;将热量平衡约束条件与热流分布系数矩阵进行组合运算，得到热流分布计算模;vij;;k,和压力场系数kp通过速度场和压力场的梯度;;;其中9ij为腔体i到腔体j的热流量，kij为导热系数，T,和Tj为对应腔体的温度。;;次热传导方程。假设某换热腔体内的温度分布为T(x,y,z,t)，其非齐次热传导方程表示;;;;;;其中a和β为权重系数，分别反映效率和性能指标的相对重要性。在综合评价函;;;[0031]具体的，对多目标优化函数执行Logistic混沌映射运算，用于生成初始种群。;其中xn为混沌序列的当前值，r是控制参数(取值3.7≤r≤4以保证混沌性)。;行排序。非支配排序的规则是，如果一个个体在所有目标上都优于另一个个体，则被称为指导后续优化。基于初始帕累托解集构建变异矢量。差分变异是一种通过个体间差异产生;;将分段状态方程组转化为线性矩阵不等式形式，构建Q_learning状态价值函数Q对状态值函数模型执行核矩阵估计运算，采用二次规划法求解最小化问题min||;;;;化为线性矩阵不等式(LMI)形式，以便与强化学习算法结合。线性矩阵不等式的通用形式;;;;;;其中fr和f,为基于Q_learning策略优化得到的控制函数。度指令序列和流量指令序列vseo=[vin,1,vin,2,…,vin.Nl分别对应N个控制周期的调节计划。根据换热腔体运行特,每个周期内的控制指令表示为：;其中表示当前周期索引。这些分段控制指令为后续执行单元提供精确的调节目;J)lk=1,2,…,N)；;;;;实施例中微通道换热模组的多腔体协同控制装置10一处理模块14，用于基于多目标优化函数执行混沌映射处理和多目标协同差分进[0043]应当理解的是，处理器301可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(DigitalSignal上述描述的电子设备300的具体工作过程，可以参考前述微通道换热模组的多腔体协同控