【الهدف】 نظرًا لأن التنبؤ بالضغط العكسي لوحدة التبريد الهوائي التقليدية القائمة على البيانات يركز عادةً على استخدام معلمات العملية ويهمل إلى حد كبير المعلومات الكامنة للخصائص الحرارية الديناميكية في صور مجال درجة حرارة أنابيب الزعانف، تم اقتراح نموذج تنبؤ بالضغط العكسي يعتمد على آلية تعلم عميق مختلطة بين الرؤية الحاسوبية ونموذج اللغة. 【الطريقة】 استنادًا إلى البيانات متعددة الوسائط المكونة من صور الأشعة تحت الحمراء لأنابيب الزعانف ومعلمات العملية للوحدة، تم دمج الشبكة العصبية الالتفافية (CNN) وشبكة الذاكرة طويلة المدى ذات الاتجاهين (BiLSTM) وآلية الانتباه (Attention). يستخدم النموذج الـ CNN لاستخراج الخصائص الحرارية المكانية لصورة الأشعة تحت الحمراء لحزمة أنابيب الزعانف، ويستخدم الـ BiLSTM لاستخراج الخصائص الزمنية لمعلمات تشغيل الوحدة، ويعزز المعلومات المهمة لخطوات الزمن الرئيسية من خلال آلية الانتباه، ويتم دمج نوعي بيانات الوسائط المميزة عند مستوى الميزات. بالإضافة إلى ذلك، لتعزيز صلابة النموذج ودقته، تم استخدام تحسين بايزي لضبط معلمات الشبكة العصبية، وتم تحسين جودة البيانات متعددة الوسائط عبر اختيار الميزات والمعالجة بالتطبيع. 【النتائج】 أظهرت النتائج التجريبية أن نموذج BiLSTM+CNN+Attention المقترح أظهر ميزة واضحة في دقة التنبؤ والقدرة على التعميم مقارنة بتعلم الآلة التقليدي والتعلم العميق بدون التصوير الحراري، مما حسن بشكل كبير دقة التنبؤ بالضغط العكسي والوقت الحقيقي. 【الاستنتاج】 توفر نتائج البحث حل نمذجة عبر الإنترنت فعال للتحكم بالتنبؤ ونمذجة تشغيلية متعددة الأهداف لنهاية الجانب البارد لوحدة التبريد الهوائي.

وحدة التبريد الهوائي;التنبؤ بالضغط العكسي;BiLSTM;CNN;آلية الانتباه;البيانات متعددة الوسائط