本发明涉及电子设备技术领域,具体涉及一种电子设备舱室的温度预测模型建立方法及装置。
背景技术:
随着现代科学技术的发展,越来越多的电子设备被采用,例如激光、红外、雷达等电子设备。这些电子设备的性能和可靠性对温度、湿度等环境条件有强烈的依赖关系。为保证这些电子设备在干燥、清洁、温度适宜的环境中可靠工作,必须在电子设备舱室中安装环境控制系统,从而获得电子设备舱室内有关温度变化的预测。
针对电子设备舱室内传热情况,不论是导热过程还是对流换热过程,其控制方程都是非线性的微分方程,可采用分布参数模型研究方法来研究传热关系,其特点在于:边界条件、物性参数、传热和阻力计算准则等参数都实现了局部化,能够得到电子设备舱室内更加准确的传热和热学特性,但是计算成本太高,应用面窄。在实际应用中,可以通过适当的假设和简化,降低非线性方程的应用难度,通过集总参数模型法和节点热网络法简化传热过程,通过分析节点之间的传热关系建立了用于分析计算的线性方程,但是此时必然会带来较大的误差。
现有的研究存在的主要问题是计算成本太高以及计算误差太大。
技术实现要素:
为解决现有技术中存在的问题,本发明提供一种电子设备舱室的温度预测模型建立方法及装置。
一方面,本发明实施例提供了一种电子设备舱室的温度预测模型建立方法,包括:
确定影响电子设备舱室温度的温度参数;
获取所述温度参数对应的温度数据;
将所述温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型。
另一方面,本发明实施例提供了一种电子设备舱室的温度预测装置,包括:
温度参数确定模块,用于确定影响电子设备舱室温度的温度参数;
温度数据获取模块,用于获取所述温度参数对应的温度数据;
温度预测模型建立模块,用于将所述温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型。
本发明提供的电子设备舱室的温度预测模型的建立方法及拟合装置能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电子设备舱室的温度预测模型建立方法流程示意图;
图2为本发明实施例提供的一种电子设备舱室传热示意图;
图3为本发明实施例提供的一种电子设备舱室内热阻网络图;
图4为本发明实施例提供的神经网络模型的目标参数训练以及温度预测模型建立流程示意图;
图5为本发明实施例提供的神经网络模型结构示意图;
图6为本发明实施例提供的又一种电子设备舱室的温度预测模型建立方法流程示意图;
图7为本发明实施例提供的一种温度数据处理流程示意图;
图8为本发明实施例提供的再一种电子设备舱室的温度预测模型建立方法流程示意图;
图9为本发明实施例提供的一种电子设备舱室的温度预测装置示意图;
图10为本发明实施例提供的又一种电子设备舱室的温度预测装置示意图;
图11为本发明实施例提供的再一种电子设备舱室的温度预测装置示意图;
图12为本发明实施例提供的另一种电子设备舱室的温度预测装置示意图;
图13为本发明实施例提供的另一种电子设备舱室的温度预测装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种电子设备舱室的温度预测模型建立方法流程示意图,如图1所示,一种电子设备舱室的温度预测模型建立方法,包括:
步骤11、确定影响电子设备舱室温度的温度参数;
步骤12、获取所述温度参数对应的温度数据;
步骤13、将所述温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型。
下面通过具体的电子设备舱室的温度预测模型建立方法流程进一步说明本实施例的技术方案。在实验中,设备全部上电,在保持电子设备舱室所处环境温度不变时给电子设备舱室通冷风,针对电子设备舱室内的五个设备分别确定影响电子设备舱室温度的温度参数,然后测量所述温度参数对应的温度数据,之后将测量得到的温度数据输入到神经网络模型进行训练,得到所述神经网络模型的目标参数,根据所述目标参数建立所述电子设备舱室的温度预测模型。
本发明提供的电子设备舱室的温度预测模型的建立方法,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
进一步地,在上述实施例的基础上,在满足第一预设条件时,所述确定影响电子设备舱室温度的温度参数具体包括:
根据第一内壁温度模型确定影响所述电子设备舱室的第一内壁温度参数;
或,
根据第一空气温度模型确定影响所述电子设备舱室的第一空气温度参数;
或,
根据第一设备温度模型确定影响所述电子设备舱室的第一设备温度参数;
其中,所述第一内壁温度模型为:
tw(n+1)=f1[ta(n),tw(n),te(n),tf(n)]
tw(n+1)是内壁n+1时刻的第一温度,tw(n)是内壁n时刻的第二温度,tf(n)是外壁当前时刻的第三温度,ta(n)是空气n时刻的第四温度,te(n)是设备n时刻的第五温度,f1为第一内壁温度函数;
所述第一空气温度模型为:
ta(n+1)=f2[ta(n),tw(n),te(n),tecs,in(n),t1,out(n)]
tecs,in(n)为金属盒子进气口的n时刻冷空气的第六温度,t1,out(n)为金属盒子出气口的n时刻的第七温度,f2为第一空气温度函数;
所述第一设备温度模型为:
te(n+1)=f3[ta(n),tw(n),te(n),tecs,in(n),t1,out(n),q]
q是设备自身产热,f3为第一设备温度函数;
所述第一内壁温度参数包括所述第二温度、所述第三温度、所述第四温度和所述第五温度;
所述第一空气温度参数包括所述第二温度、所述第四温度、所述第五温度、所述第六温度和所述第七温度;
所述第一设备温度参数包括所述第二温度、所述第四温度、所述第五温度、所述第六温度、所述第七温度以及所述设备自身产热。
所述第一预设条件为控制体放在一个金属盒子里,金属盒子有一个进气口,一个出气口。
具体地,图2为本发明实施例提供的一种电子设备舱室传热示意图,如图2所示,以设备1为例,控制体放在一个金属盒子里,金属盒子有一个进气口,一个出气口。在此条件下,首先要确定影响电子设备舱室温度的温度参数:其中,根据第一内壁温度模型tw(n+1)=f1[ta(n),tw(n),te(n),tf(n)]确定影响所述电子设备舱室的内壁温度参数分别为tw(n)、tf(n)、ta(n)、te(n);tw(n)是内壁n时刻的第二温度,tf(n)是外壁当前时刻的第三温度,ta(n)是空气n时刻第四温度,te(n)是设备n时刻第五温度。根据第一空气温度模型ta(n+1)=f2[ta(n),tw(n),te(n),tecs,in(n),t1,out(n)]确定影响所述电子设备舱室的空气温度参数分别为tw(n)、tf(n)、ta(n)、te(n)tecs,in(n)以及t1,out(n);tecs,in(n)为金属盒子进气口的n时刻冷空气的第六温度,t1,out(n)为金属盒子出气口的n时刻的第七温度。根据第一设备温度模型te(n+1)=f3[ta(n),tw(n),te(n),tecs,in(n),t1,out(n),q],确定影响所述电子设备舱室的设备温度的设备温度参数分别为tw(n)、tf(n)、ta(n)、te(n)、t1,out(n)、tecs,in(n)以及q,q为设备1自身产热,可以由图3本发明实施例提供的一种电子设备舱室内热阻网络图得到。在上述步骤的基础上,然后测量不同时刻设备1的tw(n)、tf(n)、ta(n)、te(n)、t1,out(n)、tecs,in(n)以及q对应的实际温度数据,之后将实际测量得到的tw(n)、tf(n)、ta(n)、te(n)、t1,out(n)、tecs,in(n)以及q对应的温度数据输入到神经网络模型进行训练,得到所述神经网络模型的目标参数,根据所述目标参数建立所述电子设备舱室的温度预测模型。
进一步地,在上述实施例的基础上,在满足第二预设条件时,所述确定影响电子设备舱室温度的温度参数具体包括:
根据第二内壁温度模型确定影响所述电子设备舱室的第二内壁温度参数;
或,
根据第二空气温度模型确定影响所述电子设备舱室的第二空气温度参数;
或,
根据第二设备温度模型确定影响所述电子设备舱室的第二设备温度参数;
其中,所述第二内壁温度模型为:
tw(n+1)=f4[tw(n),tf(n),ta(n),te(n)]
所述第二空气温度模型为:
ta(n+1)=f5[ta(n),tw(n),te(n)]
所述第二设备温度模型为:
te(n+1)=f6[ta(n),tw(n),te(n),q]
f4为第二内壁温度函数,f5为第二空气温度函数,f6为第二设备温度函数;
所述第二内壁温度参数包括所述第二温度、所述第三温度、所述第四温度、所述第五温度;
所述第二空气温度参数包括所述第二温度、所述第四温度和所述第五温度;
所述第二设备温度参数包括所述第二温度、所述第四温度、所述第五温度以及设备自身产热。
所述第二预设条件为控制体外面没有金属盒子,控制体直接接触电子设备舱室。
具体地,以图2中设备4为例,在控制体外面没有金属盒子,控制体直接接触电子设备舱室的情况下,首先确定影响电子设备舱室温度的温度参数:其中,根据第二内壁温度模型tw(n+1)=f4[tw(n),tf(n),ta(n),te(n)],确定影响所述电子设备舱室的内壁温度参数分别为tw(n)、tf(n)、ta(n)、te(n),tw(n)是内壁n时刻的第二温度,tf(n)是外壁当前时刻的第三温度,ta(n)是空气n时刻第四温度,te(n)是设备n时刻第五温度;根据第二空气温度模型ta(n+1)=f5[ta(n),tw(n),te(n)]确定影响所述电子设备舱室的空气温度参数分别为tw(n)、ta(n)、te(n);根据第三设备温度模型te(n+1)=f[ta(n),tw(n),te(n),q],确定影响所述电子设备舱室的设备温度参数分别为tw(n)、ta(n)、te(n)以及q,q为设备4自身产热,可以由图3本发明实施例提供的一种电子设备舱室内热阻网络图得到。在上述步骤的基础上,然后测量不同时刻设备4对应的tw(n)、tf(n)、ta(n)、te(n)以及q的实际温度数据,之后将实际测量得到的tw(n)、tf(n)、ta(n)、te(n)、t1,out(n)、tecs,in(n)以及q对应的温度数据输入到神经网络模型进行训练,得到所述神经网络模型的目标参数,根据所述目标参数建立所述电子设备舱室的温度预测模型。
本发明提供的电子设备舱室的温度预测模型的建立方法,通过根据设备的具体情况不同,选择相应的温度模型,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图4为本发明实施例提供的神经网络模型的目标参数训练以及温度预测模型建立流程示意图,如图4所述,进一步地,在上述实施例的基础上,所述将所述温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型,具体包括:
步骤31、计算所述神经网络模型的隐含层的输出函数φ(x):
其中,φ(x)为激活函数,x为所述温度数据,w为网络中输入层到隐含层的权值,b为网络中输入层到隐含层的偏置,w和b是同分布的随机变量;
步骤32、获取所述神经网络模型的隐含层到输出层的权重β:
β=(δtδ+λi)-1δty
其中,λ为一常数量,i为单位对角阵,y为不同温度的标签y=[y1,y2,…yn]t,δ为隐含层的输出参数矩阵,l为隐含层个数即维度,n为数据个数;
所述目标参数包括隐含层到输出层的权重、隐含层的输出参数矩阵、网络中输入层到隐含层的权值和网络中输入层到隐含层的偏置。
步骤33、根据所述目标参数建立所述电子设备舱室的温度预测模型,所述温度预测模型g(x)为:
其中,βm为所述隐含层到输出层的权重,m为第m个隐层。
图5为神经网络模型的示意图,如图5所示。
具体地,首先,根据设备所处的环境不同,即预设条件不同,建立不同的温度模型,根据不同温度模型确定影响电子设备舱室温度的温度参数;然后测量所述温度参数对应的真实温度数据;之后,将获取的真实温度数据输入到神经网络模型中,计算神经网络模型中的隐含层的输出函数φ(x)、隐含层到输出层的权重β以及电子设备舱室的温度预测模型g(x)。其中,隐含层数经筛选后选择2000,输入层到隐含层的权重w和偏执b是同分布的随机变量,在(-2,2)之间随机赋值。将这些参数代入到
最后,根据隐含层到输出层的权值以及其他目标参数,包括输入层到隐含层的权重、偏执以及隐含层的输出参数矩阵,建立所述电子设备舱室的温度预测模型g(x),其中:
βm为所述隐含层到输出层的权重,m为第m个隐含层。
本发明提供的电子设备舱室的温度预测模型的建立方法,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图6为本发明实施例提供的又一种电子设备舱室的温度预测模型建立方法流程示意图,如图6所示,进一步地,在上述实施例的基础上,所述将温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型之前,还包括:
步骤14、对所述温度数据进行数据处理;
所述对所述温度数据进行数据处理的具体流程如图7所示,具体包括:
步骤41、对所述获取的温度数据进行小波分解;
步骤42、对经过所述小波处理后的温度数据进行fir低通滤波;
步骤43、对经过所述fir低通滤波后的温度数据进行降采样处理;
步骤44、对经过所述降采样后的温度数据进行归一化处理;
所述归一化处理为:
其中,t为所述温度数据,t_min为所述温度数据中的最小值,t_max为所述温度数据中的最大值。
具体地,本发明实施例提供的又一种电子设备舱室的温度预测模型建立方法,如图6所示,其中步骤11、12以及步骤13与上述实施例相同,在步骤12与步骤13之间还包括步骤14,即对所述温度数据进行数据处理。
为了清楚地解释本发明实施例,下面列举一个实例。首先,根据所述预设条件不同,建立不同的温度模型,由不同温度模型确定影响电子设备舱室温度的温度参数;测量获取所述温度参数对应的温度数据;然后对获取得到的温度数据进行数据处理,所述数据处理包括:根据小波变换原理,对原始数据进行12层小波降噪滤波处理,将小波降噪滤波后的数据重构取最低频率段,即为有效数据段;然后对所述小波处理后的温度数据采用20*16*40阶,截止频率为0.0001hz的fir低通滤波器进行fir低通滤波处理;之后对经过fir低通滤波处理的温度数据进行降采样处理,降采样率为1:16*60,并截取合适长度的数据;最后对降采样处理后的温度数据进行归一化处理,即利用公式
本发明提供的电子设备舱室的温度预测模型的建立方法,通过对得到的温度数据进行小波分解、fir低通滤波、降采样处理以及归一化处理,能够有效地去除所述温度数据中的噪音影响,使得能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图8为本发明实施例提供的再一种电子设备舱室的温度预测模型建立方法流程示意图,如图8所示,进一步地,在上述实施例的基础上,所述将所述温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型之后,还包括:
步骤15、获取待处理温度数据,将所述待处理温度数据输入所述温度预测模型,得到温度预测值;计算所述温度预测值与所述温度真实值的差值;若所述差值小于阈值,则确定所述温度预测模型为目标温度预测模型。
具体地,图8中所述步骤11、12、13与上述实施例相同。所述步骤15具体为:获取待处理温度数据,即获取实际的温度数据,然后将实际的温度数据输入到所述温度预测模型g(x)中,得到下一时刻的温度预测值,然后,将所述温度预测值与所述温度真实值进行对比,计算二者的差值;如果所述差值小于预设的阈值,则确定所述温度预测模型g(x)为目标温度预测模型。
本发明提供的电子设备舱室的温度预测模型的建立方法,通过将温度预测值与温度真实值进行对比,对得到的温度预测模型进行验证,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图9为本发明实施例提供的一种电子设备舱室的温度预测装置示意图,如图9所示,一种电子设备舱室的温度预测装置,包括温度参数确定模块91、温度数据获取模块92和温度预测模型建立模块93,其中:
温度参数确定模块91,用于确定影响电子设备舱室温度的温度参数;
温度数据获取模块92,用于获取所述温度参数对应的温度数据;
温度预测模型建立模块93,用于将所述温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,并根据所述目标参数建立所述电子设备舱室的温度预测模型。
具体地,在实验中,设备全部上电,在保持电子设备舱室所处环境温度不变时给电子设备舱室通冷风,针对电子设备舱室内的五个设备,温度参数确定模块91分别确定影响每个电子设备舱室温度的温度参数,然后,温度数据获取模块92测量所述温度参数对应的温度数据,之后温度预测模型建立模块93将测量得到的温度数据输入神经网络模型进行训练,得到所述神经网络模型的目标参数,根据所述目标参数建立所述电子设备舱室的温度预测模型。
本发明提供的电子设备舱室的温度预测装置,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图10为本发明实施例提供的又一种电子设备舱室的温度预测模型拟合装置示意图,如图10所示,进一步地,在上述实施例的基础上,在满足第一预设条件时,所述温度参数确定模块91具体包括:
第一内壁温度参数确定子模块911,用于根据第一内壁温度模型确定影响所述电子设备舱室的内壁温度参数;
第一空气温度参数确定模块子912,用于根据第一空气温度模型确定影响所述电子设备舱室的空气温度参数;
第一设备温度参数确定模块子913,用于根据第一设备温度模型确定影响所述电子设备舱室的设备温度参数;
其中,所述第一内壁温度模型为:
tw(n+1)=f1[ta(n),tw(n),te(n),tf(n)]
tw(n+1)是内壁n+1时刻的第一温度,tw(n)是内壁n时刻的第二温度,tf(n)是外壁当前时刻的第三温度,ta(n)是空气n时刻的第四温度,te(n)是设备n时刻的第五温度,f1为第一内壁温度函数;
所述第一空气温度模型为:
ta(n+1)=f2[ta(n),tw(n),te(n),tecs,in(n),t1,out(n)]
tecs,in(n)为金属盒子进气口的n时刻冷空气的第六温度,t1,out(n)为金属盒子出气口的n时刻的第七温度,f2为第一空气温度函数;
所述第一设备温度模型为:
te(n+1)=f3[ta(n),tw(n),te(n),tecs,in(n),t1,out(n),q]
q是设备自身产热,f3为第一设备温度函数;
所述第一内壁温度参数包括所述第二温度、所述第三温度、所述第四温度和所述第五温度;
所述第一空气温度参数包括所述第二温度、所述第四温度、所述第五温度、所述第六温度和所述第七温度;
所述第一设备温度参数包括所述第二温度、所述第四温度、所述第五温度、所述第六温度、所述第七温度以及所述设备自身产热;
所述第一预设条件为控制体放在一个金属盒子里,金属盒子有一个进气口,一个出气口。
进一步地,在上述实施例基础上,在满足第二预设条件时,所述温度参数确定模块具体包括:第二内壁温度参数确定子模块、第二空气温度参数确定子模块以及第二设备温度参数确定子模块,其中:
第二内壁温度参数确定模块,用于根据第二内壁温度模型确定影响所述电子设备舱室的内壁温度参数;
第二空气温度参数确定模块,用于根据第二空气温度模型确定影响所述电子设备舱室的空气温度参数;
第二设备温度参数确定模块,用于根据第二设备温度模型确定影响所述电子设备舱室的设备温度参数;
其中,所述第二内壁温度模型为:
tw(n+1)=f4[tw(n),tf(n),ta(n),te(n)]
所述第二空气温度模型为:
ta(n+1)=f5[ta(n),tw(n),te(n)]
所述第二设备温度模型为:
te(n+1)=f6[ta(n),tw(n),te(n),q]
f4为第二内壁温度函数,f5为第二空气温度函数,f6为第二设备温度函数;
所述第二内壁温度参数包括所述第二温度、所述第三温度、所述第四温度、所述第五温度;
所述第二空气温度参数包括所述第二温度、所述第四温度和所述第五温度;
所述第二设备温度参数包括所述第二温度、所述第四温度、所述第五温度以及设备自身产热。
所述第二预设条件为控制体外面没有金属盒子,控制体直接接触电子设备舱室。
本发明实施例提供的装置,其功能具体参照上述方法实施例,此处不再赘述。
本发明提供的电子设备舱室的温度预测装置,通过根据设备的具体情况不同,选择相应的温度模型,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图11为本发明实施例提供的再一种电子设备舱室的温度预测模型拟合装置,如图11所示,在上述实施例的基础上,所述温度预测模型建立模块93包括输出函数计算子模块931、权重获取子模块932以及温度预测模型建立子模块933,其中:
输出函数计算模块子931,用于计算所述神经网络模型的隐含层的输出函数φ(x):
其中,φ(x)为激活函数,x为所述温度数据,w为网络中输入层到隐含层的权值,b为网络中输入层到隐含层的偏置,w和b是同分布的随机变量;
权重获取子模块932,用于获取所述神经网络模型的隐含层到输出层的权重β:
β=(δtδ+λi)-1δty
其中,λ为一常数量,i为单位对角阵,y为不同温度的标签y=[y1,y2,…yn]t,δ为隐含层的输出参数矩阵,l为隐含层个数即维度,n为数据个数。
温度预测模型建立子模块933,用于建立温度预测模型g(x):
其中,βm为所述隐含层到输出层的权重,m为第m个隐层。
本发明提供的电子设备舱室的温度预测装置,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
图12为本发明实施例提供的另一种电子设备舱室的温度预测模型拟合装置,如图12所示,在上述实施例的基础上,所述温度数据获取模块92与所述温度预测模型建立模块93之间,还包括温度数据处理模块94;
温度数据处理模块94,用于对所述获取的温度数据进行数据处理;其中,所述温度数据处理模块94具体包括:
小波处理子模块941,用于对所述获取的温度数据进行小波分解;
fir低通滤波子模块942,用于对经过所述小波处理模块处理的温度数据进行fir低通滤波;
降采样处理模块子943,用于对经过所述fir低通滤波模块处理的温度数据进行降采样处理;
归一化处理模块子944,用于对经过所述降采样处理模块处理的温度数据进行归一化处理;
所述归一化处理为:
其中,t为所述温度数据,t_min为所述温度数据中的最小值,t_max为所述温度数据中的最大值。
本发明提供的电子设备舱室的温度预测装置,通过设置温度数据处理模块对获取的温度数据进行小波分解、fir低通滤波、降采样处理以及归一化处理,使得温度数据的噪音降低,使得预测电子设备舱室内各测点的温度误差较小,准确性较高。
图13为本发明实施例提供的一种电子设备舱室的温度预测模型拟合装置示意图,如图13所示,在上述实施例的基础上,所述装置还包括温度对比模块95;
温度对比模块95,用于获取待处理温度数据,将所述待处理温度数据输入所述温度预测模型,得到温度预测值;计算所述温度预测值与所述温度真实值的差值;若所述差值小于阈值,则确定所述温度预测模型为目标温度预测模型;
本发明实施例提供的装置,其功能具体参照上述方法实施例,此处不再赘述。
本发明提供的电子设备舱室的温度预测装置,通过将温度预测值与温度真实值进行对比,对得到的温度预测模型进行验证,能够有效地预测电子设备舱室内各测点的温度,误差较小,准确性较高。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。