一种基于多模态数据的飞行汽车智能散热管理方法与流程

本发明涉及油冷器智能散热，尤其涉及一种基于多模态数据的飞行汽车智能散热管理方法。

背景技术：

1、随着全球人口的增长和经济的发展，交通压力日益增大。传统的汽车交通面临着道路拥堵、环境污染等问题，严重制约了经济的发展和生活质量的提升。作为应对交通困境和追求可持续发展所产生的构想，飞行汽车有望结合汽车和飞机的优势，摆脱地面交通的拥堵，降低环境污染，提高运输效率和能力，使交通网络更加灵活和高效。与普通汽车相比，飞行汽车在悬停、爬升和跨越障碍方面更具优势，这意味着它们可以更加有效地利用垂直空间，提供更多样的出行方式。它们将充分利用城市内部的垂直空间和空中空间，从交通、速度、舒适性和效率等多个方面为城市居民提供更多的选择。同时飞行汽车也可用于长距离城市间出行，有望减少碳排放和水平方向的低效，为人们提供更加智能，可持续的出行方案。

2、然而，飞行汽车与其他飞行器一样，飞行过程中也面临着关键技术挑战。例如，与地面车辆相比，飞行汽车在飞行时需要克服更多的能源损耗在发动机上，以保持其正常工作，其中很大一部分是热能。飞行汽车发动机及机体的正常工作需要在合适的温度范围内，如果温度过高，会造成各种部件性能下降甚至损毁，进而影响飞行汽车整体效能。因此，散热管理问题是飞多能机在设计和使用中需要关注的焦点。

3、当前飞行汽车的散热管理通常依赖于传统的冷却系统，这些系统主要包括风冷、水冷或液冷技术。这些技术虽然有效，但在面对复杂多变的飞行环境和飞行汽车自身高度集成的特点时，存在一定的局限性。例如，传统的冷却系统往往需要预设固定的散热模式，无法根据飞行汽车的实时工况进行灵活调整，具体来说，存在以下缺陷：

4、散热模式固定：现有的散热管理系统通常采用固定的散热策略，无法根据飞行汽车的工作模式（如悬停、巡航或快速爬升）进行实时调整。

5、数据利用不充分：现有的系统很少利用多模态数据（如温度、气压、湿度、飞行姿态等），限制了系统对飞行汽车实际工况的理解和适应能力。

6、智能化程度低：现有的散热管理系统通常缺乏自主学习和优化的能力，难以根据环境变化和使用习惯自动调整散热策略。

7、因此需要一种可以解决上述问题的一种基于多模态数据的飞行汽车智能散热管理方法。

技术实现思路

1、本发明提供了一种基于多模态数据的飞行汽车智能散热管理方法，本发明通过集成多种传感器收集的数据，结合深度学习模型对飞行汽车在不同工作模式下的散热需求进行预测，能够自动生成并实施适应当前工况的智能散热策略。

2、本发明为解决上述技术问题所采用的技术方案是：

3、一种基于多模态数据的飞行汽车智能散热管理方法，包括以下步骤：

4、a.通过集成于飞行汽车上的多模态传感器采集实时监测数据，所述多模态传感器包括温度传感器、压力传感器、湿度传感器与加速度计；

5、b.利用数据融合算法对不同传感器数据进行融合处理；

6、c.构建深度学习模型，该模型结合卷积神经网络与长短期记忆网络，用于学习飞行汽车在不同工作模式下的散热规律，并预测飞行汽车的散热需求；

7、d.将融合后的数据传输至远程服务器或云端平台进行实时分析和处理；

8、e.根据深度学习模型的预测结果生成针对飞行汽车当前工作模式的智能散热策略，所述智能散热策略包括调节风扇转速及冷却液流量；

9、f.实施智能散热策略，并根据飞行汽车实际运行情况动态调整散热策略；

10、g.收集飞行汽车运行过程中的反馈数据，利用反馈数据迭代训练并优化所述深度学习模型。

11、进一步地，所述温度传感器安装于飞行汽车的发动机表面、电池组内部及电子控制单元处；压力传感器配置安装在飞行汽车的液压系统内以及翼面和进气口处；湿度传感器分布安装在飞行汽车内外环境监测点；加速度计固定安装在车辆重心位置，以监测飞行过程中的线性与角加速度。

12、进一步地，在步骤b中，利用数据融合算法对不同传感器数据进行融合处理，包括：b1.对传感器数据进行预处理：对收集到的传感器数据进行异常值处理，去除传感器数据中的异常值和缺失值；b2.使用时间序列对齐方法将不同传感器数据进行匹配对齐，确保传感器数据的时间一致性；b3.标准化处理：确保不同传感器数据的量纲和范围一致；b4.对传感器参数进行相关性分析和加权处理：计算各个传感器参数之间的相关性，并对权重进行分配，以综合考虑不同参数对散热需求的影响程度。

13、进一步地，在步骤c中，构建深度学习模型，执行以下步骤：c1.收集飞行汽车历史运行数据，包括传感器数据和散热管理操作记录；c2.将历史运行数据划分为训练数据集和测试数据集；c3.基于卷积神经网络与长短期记忆网络，构建深度学习模型；c4.将训练数据输入深度学习模型进行训练，通过前向传播计算输出预测值。

14、进一步地，在步骤c3中，基于卷积神经网络与长短期记忆网络，构建深度学习模型，执行以下步骤：c31.构建输入层：将多模态数据作为输入层，并定义网络的输入层维度；c32.构建卷积层：通过卷积运算和激励函数，对输入层数据进行特征提取和抽象；c33.构建池化层：对提取的特征进行降采样，以减少网络参数；c34.构建全连接层：将池化层输出的特征向量展开成一维向量，并进行线性变换；c35.构建循环层：使用长短期记忆单元和门结构来处理时序数据，捕捉上下文信息，并实现记忆功能；c36.构建输出层：根据循环层的输出，进行分类或回归操作，生成预测结果。

15、进一步地，在步骤c4中，将训练数据输入深度学习模型进行训练，通过前向传播计算输出预测值，执行以下步骤：c41.将原始多模态数据集划分为多个批量数据，随机选择批量数据，作为模型的输入；c42.进行卷积操作，提取局部特征，将局部特征相加，得到隐藏状态z；c43.使用激活函数将隐藏状态z进行非线性变换，得到新的隐藏状态z′；c44.进行池化操作，通过下采样减小隐藏状态z′的维度，得到池化层输出结果r；c45.进行反向传播操作，根据池化层输出结果r和真实值之间的误差，更新权重和偏置，重复c41至c45直到模型的收敛性达到预期。

16、进一步地，在步骤d中，将融合后的数据传输至远程服务器或云端平台进行实时分析和处理，执行以下步骤：d1.通过有线或无线通信传输，将多模态传感器数据传输至远程服务器或云端平台；d2.远程服务器或云端平台对数据进行进一步分析和处理，利用机器学习算法或深度学习算法进行多模态数据融合。

17、进一步地，在步骤e中，根据深度学习模型的预测结果生成针对飞行汽车当前工作模式的智能散热策略，执行以下步骤：e1.针对不同类型的传感器数据，设置相应的阈值；e2.设置风扇转速和冷却液的流量调整规则；e3.根据深度学习模型预测的结果，动态调整飞行汽车风扇转速、冷却液流量。

18、进一步地，在步骤f中，实施智能散热策略，并根据飞行汽车实际运行情况动态调整散热策略，执行以下步骤：f1.根据深度学习模型预测出的散热需求，调整风扇转速和冷却液流量；f2.建立多模态传感器和散热控制系统的通信协议；f3.通过监控传感器数据的变化，动态调整散热策略；f4.使用数据流控制策略来降低控制系统延迟和确保散热控制系统的实时响应。

19、进一步地，在步骤g中，收集飞行汽车运行过程中的反馈数据，利用反馈数据迭代训练并优化所述深度学习模型，执行以下步骤：g1.收集飞行汽车运行数据：收集飞行汽车在运行过程中的多模态传感器数据和飞行汽车实际散热需求数据；g2.使用时间序列对齐方法将多模态传感器数据和实际散热需求数据进行匹配对齐；g3.对对齐后的数据进行预处理，包括异常值处理和标准化；g4.使用迭代训练技术优化深度学习模型参数，不断调整模型的内部参数，提高模型的准确性和鲁棒性；g5.以迭代训练方式，利用收集到的运行数据不断优化模型。

20、本发明的优点在于：

21、1.本发明通过集成多种传感器收集的数据，通过实时监测，可以及时发现潜在的散热问题，为智能散热管理提供准确的数据基础，结合深度学习模型对飞行汽车在不同工作模式下的散热需求进行预测，能够自动生成并实施适应当前工况的智能散热策略，包括调节风扇转速及冷却液流量，确保飞行汽车在各种工作条件下都能维持最佳的散热状态。

22、2.本发明通过实时监测、数据融合与标准化、智能散热策略生成与动态调整、远程监控与优化以及模型的迭代训练与优化等一系列措施，实现了飞行汽车智能散热管理的自动化和智能化。这一方案不仅能够提高飞行汽车散热系统的效率和可靠性，还能延长飞行汽车的使用寿命，减少因散热不良导致的安全隐患，从而提升整体飞行体验。