本发明属于工程机械热管理控制，具体涉及一种基于深度学习的工程机械主动热管理控制方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、在工程机械领域，特别是涉及到大型甚至重型工程机械的作业中，满足热负荷要求一直是重要的技术挑战。这些工程机械在长时间的工作过程中会产生大量的热量，如果不能有效地散热，就会导致工程机械过热、性能下降甚至损坏，从而影响到工程机械的可靠性和使用寿命。
3、传统的工程机械热管理控制方法通常采用基于经验规则或简单的物理模型进行温度监测和控制，但这种方法往往无法满足复杂工作条件下的精确控制需求。由于工作环境的复杂性和多变性，传统方法往往难以准确地预测和调节工程机械的热管理控制策略，容易导致过热或过冷，影响到工程机械的稳定性和效率。
技术实现思路
1、本发明为了解决上述问题，提出了一种基于深度学习的工程机械主动热管理控制方法及系统，本发明通过利用深度学习算法改进的支持向量机对历史数据训练得到风扇转速预测模型基础上，结合马尔可夫链及关联规则算法构建能更加准确地反映工程机械实际散热需求的加权工况，改进工程机械热管理系统的控制策略，使该系统满足工程机械热管理需求的同时，最大限度地降低能耗。
2、根据一些实施例，本发明采用如下技术方案：
3、本发明的第一个方面提供一种基于深度学习的工程机械主动热管理控制方法。
4、一种基于深度学习的工程机械主动热管理控制方法，包括以下步骤：
5、利用深度学习算法对支持向量机进行改进，得到改进的支持向量机算法，利用改进的支持向量机算法对包含环境温度、工程机械的热管理参数、动力总成运行参数和风扇转速的历史数据样本进行训练，形成风扇转速的预测模型；
6、获取当前载荷谱的微载荷片段，利用马尔可夫链模型建立各类工况的概率转移矩阵，采用关联规则算法计算其中相关项集的支持度和置信度，基于所述支持度和置信度，构建关联规则评分，与其对应状态的转移概率相融合，对下一个微载荷片段进行预测；
7、基于当前的微载荷片段和预测的微载荷片段的权重，计算加权工况下工程机械的动力总成运行参数；
8、将实时环境温度、工程机械的热管理参数以及加权工况下的动力总成运行参数作为预测模型的输入量，预测得到风扇转速，对其转换得到控制信号。
9、作为第一个方面可选择的实施方案，利用深度学习算法对支持向量机进行改进的具体过程包括：将鲸鱼算法中的鲸鱼包围猎物和螺旋气泡法攻击猎物位置更新策略引入人工兔算法，对其绕道觅食和随机隐藏行为进行改进，得到人工兔与鲸鱼融合算法，利用人工兔与鲸鱼融合算法对支持向量机进行改进。
10、人工兔与鲸鱼融合算法具体包括：改进后的绕道觅食公式为：
11、；
12、；
13、=；
14、；
15、；
16、；
17、；
18、；
19、
20、
21、；
22、其中，为第次迭代中第只兔子候选位置；为第次迭代中第只兔子的位置，为第次迭代中第只兔子的位置；表示奔跑算子；为映射向量；表示从1到之间的随机整数；为奔跑长度；为服从标准正态分布的随机数；为（0，1）之间的随机数，为人工兔利用鲸鱼包围猎物和螺旋气泡法攻击猎物行为更新后的位置，为最优人工兔位置，为最大迭代次数，为返回四舍五入的值；为系数向量，为人工兔相对随机个体位置的距离，为第次迭代时人工兔种群随机个体的位置，为[-1，1]的随机数，收敛因子，为[0,1]的随机向量，为[0,1]的随机变量，利用该随机变量对人工兔位置进行调整，为螺旋常数，其值为1；
23、改进后的随机隐藏公式为：
24、；
25、
26、；
27、；
28、其中为人工兔利用鲸鱼包围猎物和螺旋气泡法攻击猎物行为更新后的位置，为第次迭代中第只兔子产生的第个洞穴；为隐藏参数；是标准正态分布中的随机数；，为（0，1）之间的随机数；为映射向量，为人工兔的总个数。
29、作为第一个方面可选择的实施方案，利用人工兔与鲸鱼融合算法对支持向量机进行改进的具体过程包括：基于人工兔与鲸鱼算法融合改进的支持向量机算法通过设定初始参数，随机生成惩罚因子和径向基核函数的方差参数组合作为初始种群，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
30、作为第一个方面可选择的实施方案，工程机械的热管理参数包括发动机冷却液温度、液压系统冷却液温度和各散热模块散热量；
31、动力总成运行参数包括发动机转速、发动机转矩、液压油缸载荷和工程机械行走速度；
32、对于工程机械热管理系统，设置不同的环境温度、发动机转速、发动机转矩、液压油缸载荷、发动机的冷却液温度、液压系统冷却液温度、散热模块的散热量、工程机械行走速度，作为训练样本输入量，仿真得到满足工程机械安全温度要求的风扇转速，并将上述数据作为预测模型的训练样本；
33、将改进后的支持向量机对样本进行训练，形成风扇转速的预测模型。
34、作为第一个方面可选择的实施方案，利用马尔可夫链及关联规则算法对下一个微载荷片段进行预测的过程包括：
35、基于当前载荷谱的微载荷片段，计算所有2-项集的支持度，当前状态转移到下一个状态，该项集支持度和置信度分别为：
36、；
37、；
38、支持度表示所有项集中项集出现的可能性，置信度表示先决条件发生的前提下，另一事务发生的概率，p表示为概率，计算在当前状态下所有项集最大支持度，将所有2-项集支持度进行归一化处理，归一化公式为：
39、，
40、将归一化的支持度和置信度利用下式函数得到关联规则评分，公式如下：
41、，
42、，
43、，
44、其中，是项集的支持度，是项集的置信度，是项集的关联规则评分；
45、将关联规则评分与对应状态转移概率相乘得到改进状态转移概率，选取具有最大改进转移概率的工况作为下一状态载荷的预测结果。
46、作为第一个方面可选择的实施方案，基于当前的微载荷片段和预测的微载荷片段的权重，计算加权工况下工程机械的动力总成运行参数的具体过程包括：
47、根据两个片段载荷谱差异性大小来确定客观权重，时刻的权重为：
48、，
49、其中，为时刻工程机械载荷，为时刻工程机械载荷，为时刻的权重，其中为系数，为常数；
50、由于时刻与时刻载荷权重相关系数为-1，加权后的载荷为：
51、。
52、作为第一个方面可选择的实施方案，将实时环境温度、发动机的冷却液温度、液压系统冷却液温度、散热模块的散热量、工程机械行走速度以及加权工况下的发动机转速、发动机转矩和液压油缸载荷作为风扇转速的预测模型的输入量，预测出风扇转速，转换得到驱动风扇变量柱塞泵转速的pwm占空比，形成控制策略。
53、本发明的第二个方面提供一种基于深度学习的工程机械主动热管理控制系统。
54、一种基于深度学习的工程机械主动热管理控制系统，包括：
55、深度学习算法改进模块，被配置为利用深度学习算法对支持向量机进行改进，得到改进的支持向量机算法，利用改进的支持向量机算法对包含环境温度、工程机械的热管理参数、动力总成运行参数和风扇转速的历史数据样本进行训练，形成风扇转速的预测模型；
56、微载荷片段预测模块，被配置为获取当前载荷谱的微载荷片段，利用马尔可夫链模型建立各类工况的概率转移矩阵，采用关联规则算法计算其中相关项集的支持度和置信度，基于所述支持度和置信度，构建关联规则评分，与其对应状态的转移概率相融合，对下一个微载荷片段进行预测；
57、加权工况参数计算模块，被配置为基于当前的微载荷片段和预测的微载荷片段的权重，计算加权工况下工程机械的动力总成运行参数；
58、风扇转速预测模块，被配置为将实时环境温度、热管理参数以及加权工况下的动力总成运行参数作为预测模型的输入量，预测得到风扇转速，对其转换得到控制信号。
59、本发明的第三个方面提供一种计算机可读存储介质。
60、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于深度学习的工程机械主动热管理控制方法中的步骤。
61、与现有技术相比，本发明的有益效果为：
62、（1）本发明利用人工兔与鲸鱼融合算法对支持向量机进行改进得到改进的支持向量机，通过将人工兔与鲸鱼融合算法相结合，可以改进支持向量机性能，将改进的支持向量机应用于历史数据样本进行训练，可以得到更准确和可靠的预测模型。
63、（2）本发明提供了基于深度学习的工程机械主动热管理控制方法，利用马尔可夫链及关联规则算法依据当前载荷谱的微载荷片段对下一个微载荷片段进行预测，采用特定公式计算现有片段和预测片段的权重，将加权后的载荷谱引入到预测模型中得到风扇转速，形成工程机械主动热管理控制策略，结合散热器、风扇、液压系统等部件，形成用于工程机械主动热管理系统。其利用自定义客观赋权法公式，在马尔可夫链及关联规则算法的基础上构建能更加准确地反映工程机械实际散热需求的加权工况用于工程机械主动热管理系统控制，使得风扇转速预测更加准确。
64、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于深度学习的工程机械主动热管理控制方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，利用深度学习算法对支持向量机进行改进的具体过程包括：将鲸鱼算法中的鲸鱼包围猎物和螺旋气泡法攻击猎物位置更新策略引入人工兔算法，对其绕道觅食和随机隐藏行为进行改进，得到人工兔与鲸鱼融合算法，利用人工兔与鲸鱼融合算法对支持向量机进行改进。
3.如权利要求2所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，人工兔与鲸鱼融合算法具体包括：改进后的绕道觅食公式为：
4.如权利要求1所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，利用人工兔与鲸鱼融合算法对支持向量机进行改进的具体过程包括：基于人工兔与鲸鱼算法融合改进的支持向量机算法通过设定初始参数，随机生成惩罚因子和径向基核函数的方差参数组合作为初始种群，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
5.如权利要求1所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，工程机械的热管理参数包括发动机冷却液温度、液压系统冷却液温度和各散热模块散热量；
6.如权利要求1所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，利用马尔可夫链及关联规则算法对下一个微载荷片段进行预测的过程包括：
7.如权利要求1所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，基于当前的微载荷片段和预测的微载荷片段的权重，计算加权工况下工程机械的动力总成运行参数的具体过程包括：
8.如权利要求1所述的一种基于深度学习的工程机械主动热管理控制方法，其特征是，将实时环境温度、发动机的冷却液温度、液压系统冷却液温度、散热模块的散热量、冷却风速以及加权工况下的发动机转速、发动机转矩和液压油缸载荷作为风扇转速的预测模型的输入量，预测出风扇转速，转换得到驱动风扇变量柱塞泵转速的pwm占空比，形成控制策略。
9.一种基于深度学习的工程机械主动热管理控制系统，其特征是，包括：
10.一种计算机可读存储介质，其特征是，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一项所述的基于深度学习的工程机械主动热管理控制方法中的步骤。
