CN120224498A 综合多维度的红外加热自动化控制方法及系统

(19)国家知识产权局(22)申请日2025.05.28地址311107浙江省杭州市余杭区仁和街(72)发明人刘希龙方益清张鑫强司大龙所(特殊普通合伙)16250GO6N3/0464(2023.01)综合多维度的红外加热自动化控制方法及本发明提供综合多维度的红外加热自动化化模型生成最优控制策略，动态调节灯管布局、功率及角度。本发明实现了红外加热的精确控据量基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵，通过所述红外加热动态补偿矩阵对红外加热设备的加热参数进行实时动态调整CN120224498A权利要求书2获取红外加热设备的实时温度数据、红外灯管功率数据及被加热工件的表面温度分布将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习基于所述温度特征向量、所述功率特征向量及所述温度分布采集被加热工件的实时加热状态信息，根据所述实时加热状态将所述最优加热控制策略转换为红外加热设备的控制指令，通过对所述实时温度数据、所述红外灯管功率数据及所述表面温度构建多通道输入的深度学习网络结构，所述深度学习网络结构包括温度特征提取分述温度特征提取分支，将归一化后的所述红外灯管功率数据输入所述功率特征提取分支，在所述深度学习网络结构中引入通道注意力机制，根据各特征基于所述特征融合的结果分别生成温度特征向量、功率特征向量及温度分布特征向基于所述温度特征向量、所述功率特征向量及所述温度分布将所述三维动态补偿矩阵与实时加热参数进行矩阵运算，构建红外加热动态补偿矩据所述实时加热状态信息，建立自适应加热优化模型包括：3采集被加热工件的实时加热状态信息，所述实时加热状态信息包括工件表面温度分布数据、工件表面热量吸收率数据及工件材料应力分布数据；将所述实时加热状态信息构建为状态向量，所述状态向量包括温度状态分量、热量吸收状态分量及应力状态分量，根据所述状态向量与加热控制动作之间的映射关系建立自适应加热优化模型。5.根据权利要求1所述的方法，其特征在于，所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略包获取加热过程中的状态-动作序列，所述状态-动作序列包括工件加热状态数据和加热控制动作数据；构建深度学习优化模型，所述深度学习优化模型包括状态评估网络和动作生成网络，所述状态评估网络对所述工件加热状态数据进行特征提取并输出状态评估值，所述动作生成网络基于所述状态评估值预测下一时刻的最优加热控制动作；对所述状态-动作序列设置奖励函数，根据所述奖励函数的计算结果对所述深度学习优化模型的网络参数进行优化更新，生成最优加热控制策略。6.根据权利要求1所述的方法，其特征在于，将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制包括：将所述最优加热控制策略转换为设备控制指令，所述设备控制指令包括功率控制指令、角度控制指令及位置控制指令；根据红外加热设备的实时执行状态对所述设备控制指令的执行过程进行监控，当检测到执行偏差时，对所述设备控制指令的执行参数进行补偿调整；将补偿调整后的所述设备控制指令发送至红外加热设备的控制单元执行，实现对红外加热过程的自动化精确控制。7.综合多维度的红外加热自动化控制系统，用于实现前述权利要求1-6中任一项所述第一单元，用于获取红外加热设备的实时温度数据、红外灯管功率数据及被加热工件的表面温度分布数据；第二单元，用于将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量；第三单元，用于基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵，通过所述红外加热动态补偿矩阵对红外加热设备的加热参数进行实时动态调整；第四单元，用于采集被加热工件的实时加热状态信息，根据所述实时加热状态信息，建立自适应加热优化模型，所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略，所述最优加热控制策略用于动态调节红外灯管的空间布局、功率输出及照射角度；第五单元，用于将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制。4处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。5综合多维度的红外加热自动化控制方法及系统技术领域[0001]本发明涉及红外加热技术，尤其涉及综合多维度的红外加热自动化控制方法及系统。背景技术[0002]红外加热技术是一种利用红外辐射原理将电能转化为热能的加热方式，广泛应用于工业生产、材料加工、电子制造等领域。随着工业制造对精密控制要求的提高，红外加热技术因其非接触式、快速响应、能量转换效率高等优势受到越来越多的关注和应用。传统的红外加热控制主要基于单一温度参数的反馈控制，通过温度传感器采集加热区域温度数据，并根据预设的温度曲线调整红外灯管的输出功率。近年来，随着人工智能和深度学习技术的发展，智能化红外加热控制系统开始在工业领域得到探索应用，通过引入多源数据分析和模型预测功能，提高红外加热过程的精确性和自适应能力。[0003]然而，现有的红外加热控制技术仍存在诸多不足。首先，大多数控制系统仅关注单一维度的温度参数监控，难以全面捕捉红外加热过程中的复杂热传递现象和工件表面温度的非均匀分布特性，导致加热精度和一致性难以满足高精度制造的要求。其次，传统控制方法缺乏对红外灯管空间布局和照射角度的动态优化能力，无法根据不同形状和材料的工件特性实时调整照射策略，造成能源浪费和加热效果不理想。最后，现有系统普遍缺乏自学习和自适应功能，无法从历史加热过程中积累经验并优化控制策略，在面对生产条件变化或新型工件时，需要人工重新调整参数，增加了生产准备时间并降低了生产效率。发明内容[0004]本发明实施例提供综合多维度的红外加热自动化控制方法及系统，能够解决现有技术中的问题。[0005]本发明实施例的第一方面，提供综合多维度获取红外加热设备的实时温度数据、红外灯管功率数据及被加热工件的表面温度分布数据；将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量；基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵，通过所述红外加热动态补偿矩阵对红外加热设备的加热参数进行实时采集被加热工件的实时加热状态信息，根据所述实时加热状态信息，建立自适应加热优化模型，所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略，所述最优加热控制策略用于动态调节红外灯管的空间布局、功率输出及照射角度；6将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制。[0006]将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量包括：对所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据进行归一化处理；构建多通道输入的深度学习网络结构，所述深度学习网络结构包括温度特征提取分支、功率特征提取分支及温度分布特征提取分支，将归一化后的所述实时温度数据输入所述温度特征提取分支，将归一化后的所述红外灯管功率数据输入所述功率特征提取分支，将归一化后的所述表面温度分布数据输入所述温度分布特征提取分支；在所述深度学习网络结构中引入通道注意力机制，根据各特征分支输出的特征重要程度自适应分配注意力权重，通过所述通道注意力机制对所述温度特征提取分支、所述功率特征提取分支及所述温度分布特征提取分支的输出进行特征融合；基于所述特征融合的结果分别生成温度特征向量、功率特征向量及温度分布特征向量。[0007]基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵包括：基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，采用自适应权重分配算法构建三维动态补偿矩阵，所述三维动态补偿矩阵的各维度分别对应温度补偿系数、功率补偿系数及温度分布均匀性补偿系数，所述自适应权重分配算法根据加热过程中的实时反馈数据动态调整各补偿系数的权重；将所述三维动态补偿矩阵与实时加热参数进行矩阵运算，构建红外加热动态补偿矩阵。[0008]采集被加热工件的实时加热状态信息，根据所述实时加热状态信息，建立自适应加热优化模型包括：采集被加热工件的实时加热状态信息，所述实时加热状态信息包括工件表面温度分布数据、工件表面热量吸收率数据及工件材料应力分布数据；将所述实时加热状态信息构建为状态向量，所述状态向量包括温度状态分量、热量吸收状态分量及应力状态分量，根据所述状态向量与加热控制动作之间的映射关系建立自适应加热优化模型。[0009]所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略包括：获取加热过程中的状态-动作序列，所述状态-动作序列包括工件加热状态数据和加热控制动作数据；构建深度学习优化模型，所述深度学习优化模型包括状态评估网络和动作生成网络，所述状态评估网络对所述工件加热状态数据进行特征提取并输出状态评估值，所述动作生成网络基于所述状态评估值预测下一时刻的最优加热控制动作；对所述状态-动作序列设置奖励函数，根据所述奖励函数的计算结果对所述深度7学习优化模型的网络参数进行优化更新，生成最优加热控制策略。[0010]将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制包括：将所述最优加热控制策略转换为设备控制指令，所述设备控制指令包括功率控制指令、角度控制指令及位置控制指令；根据红外加热设备的实时执行状态对所述设备控制指令的执行过程进行监控，当检测到执行偏差时，对所述设备控制指令的执行参数进行补偿调整；将补偿调整后的所述设备控制指令发送至红外加热设备的控制单元执行，实现对红外加热过程的自动化精确控制。[0011]本发明实施例的第二方面，提供综合多维度的红外加热自动化控制系统，第一单元，用于获取红外加热设备的实时温度数据、红外灯管功率数据及被加热工件的表面温度分布数据；第二单元，用于将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量；第三单元，用于基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵，通过所述红外加热动态补偿矩阵对红外加热设备的加热参数进行实时动态调整；第四单元，用于采集被加热工件的实时加热状态信息，根据所述实时加热状态信息，建立自适应加热优化模型，所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略，所述最优加热控制策略用于动态调节红外灯管的空间布局、功率输出及照射角度；第五单元，用于将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制。处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。[0013]本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。[0014]本申请的有益效果如下：本发明提供的综合多维度的红外加热自动化控制方法通过深度学习算法对温度数据、功率数据和温度分布数据进行特征提取并构建动态补偿矩阵，实现了红外加热过程中加热参数的精确调控，有效解决了传统控制方法中温度不均匀、能源利用率低等问题。[0015]本发明建立的自适应加热优化模型能够根据工件的实时加热状态信息动态调整灯管的空间布局、功率输出及照射角度，显著提高了加热均匀性，减少了能源浪费，增强了产品质量的一致性和稳定性，特别适用于对加热精度要求较高的工业生产场景。[0016]本发明通过多维度数据融合和智能决策机制，实现了加热过程的闭环控制和自优化，系统具有较强的环境适应能力和抗干扰能力，能够应对不同工件材质、形状及生产要求8的变化，提高了生产效率，降低了生产成本，为红外加热技术在工业领域的应用提供了更加智能化的解决方案。附图说明[0017]图1为本发明实施例综合多维度的红外加热自动化控制方法的流程示意图；图2为本发明实施例基于深度学习的红外加热多维数据特征提取流程图；图3为本发明实施例红外加热工件状态信息采集与优化模型构建流程图；图4为本发明实施例红外加热设备自动化控制指令转换与执行流程图。具体实施方式[0018]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，所描述的实施例仅仅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做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。[0019]下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。[0020]图1为本发明实施例综合多维度的红外加热自动化控制方法的流程示意图，如图1获取红外加热设备的实时温度数据、红外灯管功率数据及被加热工件的表面温度分布数据；将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量；基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵，通过所述红外加热动态补偿矩阵对红外加热设备的加热参数进行实时采集被加热工件的实时加热状态信息，根据所述实时加热状态信息，建立自适应加热优化模型，所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略，所述最优加热控制策略用于动态调节红外灯管的空间布局、功率输出及照射角度；将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制。[0021]在一种可选的实施方式中，将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量包括：对所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据进行归一化处理；构建多通道输入的深度学习网络结构，所述深度学习网络结构包括温度特征提取分支、功率特征提取分支及温度分布特征提取分支，将归一化后的所述实时温度数据输入9所述温度特征提取分支，将归一化后的所述红外灯管功率数据输入所述功率特征提取分支，将归一化后的所述表面温度分布数据输入所述温度分布特征提取分支；在所述深度学习网络结构中引入通道注意力机制，根据各特征分支输出的特征重要程度自适应分配注意力权重，通过所述通道注意力机制对所述温度特征提取分支、所述功率特征提取分支及所述温度分布特征提取分支的输出进行特征融合；基于所述特征融合的结果分别生成温度特征向量、功率特征向量及温度分布特征[0022]本实施例提供一种将实时温度数据、红外灯管功率数据及表面温度分布数据基于深度学习算法进行特征提取的方法，该方法获取红外加热过程的温度特征向量、功率特征向量及温度分布特征向量，用于后续控制决策。[0023]对采集的实时温度数据、红外灯管功率数据及表面温度分布数据进行归一化处理。对于实时温度数据，假设原始数据范围为25℃至350℃,归一化处理将其映射到0至1的范围内，具体实现为：将每个温度值减去最小值25℃,然后除以最大值与最小值的差值325[0024]对于红外灯管功率数据，假设原始功率范围为0至5000瓦，归一化处理同样将其映射到0至1的范围内，具体实现为：将每个功率值除以最大功率值5000瓦。例如，功率值为2750瓦时，归一化后的值为2750/5000=0.55.对于表面温度分布数据，假设是由红外热像仪采集的320×240像素的温度矩阵，每个像素点的温度范围为20℃至400℃,归一化处理将每个像素点的温度值减去20℃,然后除以380℃,得到0至1范围内的归一化温度分布矩阵。[0025]归一化处理完成后构建多通道输入的深度学习网络结构，该网络结构包括温度特征提取分支、功率特征提取分支及温度分布特征提取分支。温度特征提取分支由五层全连化后的实时温度数据组织成时间序列格式，例如取连续100个时间点的温度值形成一个输入向量，输入至温度特征提取分支。功率特征提取分支同样由五层全连接层组成，每层的神[0026]将归一化后的红外灯管功率数据组织成时间序列格式，例如取连续100个时间点的功率值形成一个输入向量，输入至功率特征提取分支。温度分布特征提取分支采用卷积神经网络结构，包括四个卷积层和两个全连接层。四个卷积层的卷积核数量分别为32、64、128、256,卷积核大小均为3×3,步长为1,每个卷积层后接最大池化层，池化窗口大小为2×2,步长为2。两个全连接层的神经元数量分别为512和256,激活函数采用ReLU函数。将归一化后的表面温度分布数据直接输入至温度分布特征提取分支。[0027]为了提高特征提取的效率和准确性，在深度学习网络结构中引入通道注意力机制，根据各特征分支输出的特征重要程度自适应分配注意力权重。通道注意力机制的具体实现过程如下：对温度特征提取分支的输出特征进行全局平均池化和全局最大池化操作，分别得到两个特征描述符；将这两个特征描述符分别通过共享权重的多层感知机，多层感知机包含两个全连接层，第一层将特征降维至原来的1/16,第二层将特征恢复至原来的维度；将经过多层感知机处理后的两个特征描述符相加，并通过Sigmoid函数映射到0至1的范围内，得到温度特征的通道注意力权重。[0028]功率特征和温度分布特征的通道注意力权重计算方法与温度特征相同。具体实例中，假设温度特征提取分支、功率特征提取分支和温度分布特征提取分支的输出特征维度分别为64、64和256,通过通道注意力机制计算得到的注意力权重分别为0.75、0.60和0.82。[0029]通过通道注意力机制对三个特征提取分支的输出进行特征融合，具体实现为：将每个特征分支的输出特征与对应的注意力权重相乘，然后将三个加权后的特征向量拼接在一起，形成一个融合特征向量。在本实例中，融合特征向量的维度为64+64+256=384.为了进一步提取有效信息，将融合特征向量通过一个包含三层全连接层的特征提取网络，每层的[0030]基于特征融合的结果分别生成温度特征向量、功率特征向量及温度分布特征向量。具体实现为：将特征提取网络的输出通过三个并行的全连接层，分别生成温度特征向量、功率特征向量及温度分布特征向量。在本实例中，温度特征向量的维度为32,功率特征向量的维度为32,温度分布特征向量的维度为64。这些特征向量包含了红外加热过程中温度变化、功率调节以及表面温度分布的关键特征信息，可用于后续的加热控制策略优化和温度分布预测。[0031]通过对实验数据的验证，上述方法提取的特征向量能够准确反映红外加热过程的温度变化规律、功率调节特性以及表面温度分布特点，为实现精确的红外加热控制提供了有效的数据支持。[0032]图2为本发明实施例基于深度学习的红外加热多维数据特征提取流程图：本流程图详细展示了一个基于深度学习的红外加热数据处理和特征提取过程。首先对系统采集的三类原始数据：实时温度数据、红外灯管功率数据以及表面温度分布数据进行标准化和归一化预处理，确保数据的一致性和可比性。随后，构建了一个具有多个特征提取分支的深度学习网络结构，该网络包含三个独立的特征提取通道：温度特征提取分支用于处理归一化后的实时温度数据，功率特征提取分支负责处理归一化后的灯管功率数据，温度分布特征提取分支专门处理归一化后的表面温度分布数据。在网络结构中还创新性地引入了通道注意力机制，该机制能够根据各特征分支输出的特征重要程度自适应地分配注意力权重，通过这种注意力加权的方式实现多通道特征的智能融合。最后，基于特征融合的结果，系统分别生成温度特征向量、功率特征向量和温度分布特征向量，这些特征向量为后续的加热控制优化提供了高质量的特征表示。这种基于深度学习的多维特征提取方案能够有效捕获红外加热过程中的关键特征信息，为实现精确控制奠定了坚实的数据基础。[0033]在一种可选的实施方式中，基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，构建红外加热动态补偿矩阵包括：基于所述温度特征向量、所述功率特征向量及所述温度分布特征向量，采用自适应权重分配算法构建三维动态补偿矩阵，所述三维动态补偿矩阵的各维度分别对应温度补偿系数、功率补偿系数及温度分布均匀性补偿系数，所述自适应权重分配算法根据加热过程中的实时反馈数据动态调整各补偿系数的权重；将所述三维动态补偿矩阵与实时加热参数进行矩阵运算，构建红外加热动态补偿矩阵。[0034]采集红外加热过程中的温度传感器数据，通过多点温度采集装置在加热区域的不同位置布置温度传感器。温度传感器按照5×5网格均匀分布在加热区域内，每个传感器实时采集局部温度数据，采样频率为10Hz。采集的温度数据形成温度特征向量T=[t1,t2,11t3,...,t25],其中t1至t25代表25个测温点的温度值，单位为摄氏度。[0035]监测红外加热设备的输入功率参数，包括电压、电流及其波形特征。功率监测模块采集电压信号范围为0-380V,电流信号范围为0-16A,采样频率为50Hz。通过对电压电流数据的处理，计算实时功率值及其变化率，形成功率特征向量P=[p1,p2,p3,...,p10],其中p1至p10分别代表不同时间窗口内的平均功率、功率波动值、功率上升率、功率下降率等特征参数，单位为瓦特或瓦特/秒。[0036]基于采集的温度数据计算加热区域的温度分布特征。温度分布特征计算模块首先计算温度均值、最高温度、最低温度，温度梯度等基础参数。温度梯度通过计算相邻测温点之间的温度差异得到，形成20个梯度值。系统还计算温度标准差表征温度分布均匀性，标准差越小表示温度分布越均匀。这些特征组合形成温度分布特征向量D=[d1,d2,d3,...,[0037]使用自适应权重分配算法构建三维动态补偿矩阵M。该矩阵具有三个维度，分别对应温度补偿系数、功率补偿系数及温度分布均匀性补偿系数。自适应权重分配算法的核心是根据加热过程的实时反馈数据动态调整各维度的补偿权重。系统初始化三个维度的权重值分别为Wt=0.4、Wp=0.4、Wd=0.2,这些初始值是基于大量加热实验统计得出的经验值。[0038]在加热过程中，系统计算当前温度与目标温度的偏差值。当偏差值大于20摄氏度时，系统增加温度补偿维度的权重，调整为Wt当温度接近目标温度(偏差小于5摄氏度)时，系统增加温度分布均匀性补偿的权重，调整为Wt=0.3、Wp=0.3、Wd=0.4,以确保加热均匀性。当检测到功率波动超过10%时，系统增加功率[0039]基于权重值构建三维补偿矩阵M=[Mt,Mp,Md],其中Mt、Mp、Md分别为温度补偿系数矩阵、功率补偿系数矩阵和温度分布均匀性补偿系数矩阵。每个维度的补偿系数矩阵均为5×5矩阵，与加热区域的网格布局对应。温度补偿系数矩阵Mt中的每个元素计算方式为该位置的实际温度与目标温度的比值，再乘以温度调整系数0.8.功率补偿系数矩阵Mp中的每个元素通过该位置所需功率与实际输出功率的比值计算得出，再乘以功率调整系数1.2。温度分布均匀性补偿系数矩阵Md中的每个元素通过该位置温度与区域平均温度的偏差百分比计算得出。[0040]将三维动态补偿矩阵与实时加热参数进行矩阵运算，构建最终的红外加热动态补法，"+"表示矩阵加法。最终得到的补偿矩阵C为5×5矩阵，对应加热区域各位置的综合补偿[0041]在实际加热过程中，系统使用补偿矩阵C调整红外加热器各区域的输出功率。例如，当某区域的补偿系数为1.2时，该区域的加热功率增加20%;当补偿系数为0.8时，该区域的加热功率减少20%。这种动态补偿能够有效应对不同材料、不同环境条件下的加热需求。[0042]以一次实际加热过程为例，加热面积为1平方米的陶瓷基板，目标温度为350摄氏定输出功率；后期阶段，温度分布均匀性补偿权重增大，系统调整各区域功率，使温度分布标准差从初始的±15摄氏度降低到±3摄氏度以内，实现均匀加热。整个加热过程温度上升时间比传统方法缩短22%,能耗降低18%,温度均匀性提高35%。[0043]在一种可选的实施方式中，采集被加热工件的实时加热状态信息，根据所述实时加热状态信息，建立自适应加热优化模型包括：采集被加热工件的实时加热状态信息，所述实时加热状态信息包括工件表面温度分布数据、工件表面热量吸收率数据及工件材料应力分布数据；将所述实时加热状态信息构建为状态向量，所述状态向量包括温度状态分量、热量吸收状态分量及应力状态分量，根据所述状态向量与加热控制动作之间的映射关系建立自适应加热优化模型。[0044]通过多点温度传感器阵列采集被加热工件的表面温度分布数据。该温度传感器阵列包含25个高精度热电偶，呈5×5矩阵排布，覆盖工件表面的关键区域。每个传感器的采样频率设置为10Hz,测量精度为±0.5℃,温度测量范围为0~1200℃。系统实时记录各点温度值，如在某金属工件加热过程中，中心区域温度为850℃,边缘区域温度为720℃,角落区域温度为680℃,从而生成完整的温度分布数据集。[0045]利用红外热像仪获取工件表面热量吸收率数据。热像仪采用波长范围为8~14μm的中波红外探测器，分辨率为640×480像素，热灵敏度优于0.05℃。通过测量工件表面发射率和反射率，计算热量吸收率。例如，对于某种合金材料，中心区域热量吸域为0.78,不均匀区域为0.72。系统每500毫秒收集一次热量吸收率数据，并与温度数据同步存储。[0046]工件材料应力分布数据通过应变片阵列和声发射传感器网络获取。应变片阵列包含16个应变片，测量范围为±5000μe,灵敏度为2.1mV/V,线性度优于0.1%。声发射传感器的频率响应范围为100kHz~1MHz,灵敏度为75dB。这些传感器实时监测工件表面和内部应力状态变化。如在加热过程中，检测到某区域应力值达到240MPa,接近材料屈服强度的80%,表明该区域存在潜在的热应力风险。[0047]将采集的实时加热状态信息构建为状态向量。温度状态分量T表示为25维向量，每个分量对应一个温度传感点的值。热量吸收状态分量A表示为表面网格划分后的16×16矩阵，每个元素表示对应位置的热量吸收率。应力状态分量S表示为三维张量，包含主应力大小和方向信息。[0048]构建状态向量后，系统建立状态向量与加热控制动作之间的映射关系。加热控制动作包括加热功率调节、加热位置调整和加热时间控制。例如，当检测到工件某区域温度达到900℃且热量吸收率下降到0.65以下时，系统自动将该区域加热功率降低25%,并将加热焦点移动到热量吸收率较高的相邻区域。[0049]自适应加热优化模型基于深度强化学习算法构建。该模型使用三层神经网络结构，输入层节点数与状态向量维度一致，隐藏层包含128个神经元，输出层对应控制动作空间。模型训练过程中，设置奖励函数综合考虑温度均匀性、加热效率和应力安全性。当温度均匀度提高10%时，奖励增加0.5分；当能源利用效率提高5%时，奖励增[0050]通过实时状态采集和模型优化，系统能够动态调整加热参数。例如，在某钢板加热过程中，初始阶段系统采用60%功率均匀加热；当检测到边缘区域温度比中心区域低120℃时，系统自动将边缘区域功率提升至85%;当某局部区域应力值超过阈值200MPa时，系统立即降低该区域加热功率至40%并调整加热角度，使热量更均匀分布。[0051]为验证自适应加热优化模型的有效性，系统在特定工件上进行测试。使用长法下，工件达到目标温度需要25分钟，温度不均匀度达到±85℃,最大残余应力为320MPa。采用本实施方式的自适应加热优化方法后，加热时间缩短到18分钟，温度不均匀度降低到±35℃,最大残余应力降低到160MPa,能源消耗减少22%。[0052]系统还设置多级安全保障机制。当任一监测点温度超过预设阈值1000℃时，系统自动降低总功率至30%;当应力超过材料屈服强度的90%时，系统立即暂停该区域加热并启动缓冲冷却；当传感器故障时，系统自动切换到备用传感器并发出警报。[0053]图3为本发明实施例红外加热工件状态信息采集与优化模型构建流程图：本流程图详细描述了红外加热过程中工件状态信息的采集及其优化模型的构建过程。首先，系统通过多种传感器对被加热工件进行全方位的实时状态监测，采集三个关键维度的数据：工件表面温度分布数据反映了加热均匀性，工件表面热量吸收率数据体现了能量利用效率，工件材料应力分布数据则反映了材料内部应力状态。随后，系统将这些采集到的实时加热状态信息进行整合和转换，构建成包含多个状态分量的状态向量，具体包括温度状态分量用于表征温度场分布特征，热量吸收状态分量用于表征能量传递效率，应力状态分量用于表征材料受力情况。系统基于这些状态向量，分析状态量与加热控制动作之间的关联关系，建立起能够自适应调节的加热优化模型，该模型能够根据工件的实时状态自动优化加热参数，实现精确控制。这种基于多维度状态信息的自适应优化方案为实现高质量的红外加热控制提供了可靠的数据基础和模型支撑。[0054]通过以上自适应加热优化方法，系统能够根据工件实时状态信息动态调整加热策[0055]在一种可选的实施方式中，所述自适应加热优化模型基于所述深度学习算法，通过对加热过程中的状态-动作序列进行评估和优化，生成最优加热控制策略包括：获取加热过程中的状态-动作序列，所述状态-动作序列包括工件加热状态数据和加热控制动作数据；构建深度学习优化模型，所述深度学习优化模型包括状态评估网络和动作生成网络，所述状态评估网络对所述工件加热状态数据进行特征提取并输出状态评估值，所述动作生成网络基于所述状态评估值预测下一时刻的最优加热控制动作；对所述状态-动作序列设置奖励函数，根据所述奖励函数的计算结果对所述深度学习优化模型的网络参数进行优化更新，生成最优加热控制策略。[0056]获取加热过程中的状态-动作序列，这些序列包含工件加热状态数据和加热控制动作数据。工件加热状态数据可以包括工件的温度分布、加热时长、工件材料的物理特性等信息。这些数据可以通过安装在加热设备上的多个温度传感器采集获得，例如在一个金属板材加热过程中，可以在板材表面安装5个测温点，每隔2秒采集一次温度数据，记录温度变化曲线。加热控制动作数据则包括加热功率设置、加热区域控制、加热时间调整等操作参数。例如，记录加热功率从50千瓦调整到65千瓦的过程数据，以及不同加热区域的功率分配情况。[0057]构建的深度学习优化模型包括状态评估网络和动作生成网络两个核心组件。状态评估网络采用多层卷积神经网络结构，包含4个卷积层和2个全连接层。该网络接收工件加热状态数据作为输入，通过卷积操作提取温度分布的空间特征，并通过全连接层整合时序特征，最终输出一个状态评估值。例如，输入一个尺寸为100×100×3积层和池化层处理后，提取到64个特征图，再通过全连接层转换为一个范围在-1到1之间的状态评估值，该值表示当前加热状态的优劣程度。[0058]动作生成网络则采用深度强化学习架构，包含输入层、3个隐藏层和输出层，每个隐藏层分别包含128、256和128个神经元。该网络基于状态评估网络输出的状态评估值，预测下一时刻的最优加热控制动作。例如，针对一个具有4个加热区域的设备，动作生成网络会输出一个4维向量，分别表示各区域的功率调整值，如[10,-5,8,3],表示第一区域增[0059]对状态-动作序列设置奖励函数是实现自适应优化的关键环节。奖励函数的设计数可以定义为这些因素的加权和。例如，当温度均匀性提高时，奖励值增加；当能源消耗降过计算工件表面各测温点温度的标准差来评估，标准差越小表示温度分布越均匀；能源消耗则通过累计功率使用量计算；加热速度通过达到目标温度所需的时间评估。[0060]基于计算得到的奖励值，系统使用策略梯度下降算法对深度学习优化模型的网络参数进行更新。在训练过程中，系统会执行多轮加热模拟或实际加热试验，每轮结束后计算累积奖励并更新网络参数。例如，在一次参数更新中，如果当前策略生成的动作序列获得的累积奖励值为85分(满分100分),系统会根据梯度方向调整网络权重，使得下一轮生成的动作序列能获得更高的奖励值。通过设定学习率为0.001,迭代训练500轮后，模型参数趋于稳定，奖励值提升至95分以上，表明模型已学习到高效的加热控制策略。[0061]最终生成的最优加热控制策略是一个从工件状态到加热控制动作的映射函数，它能够根据当前工件的加热状态，实时输出最优的加热控制参数。在实际应用中，该控制策略能够实现加热过程的自适应调整，比如当检测到工件某区域温度过高时，自动降低该区域的加热功率；当发现整体加热速度过慢时，适当提高总功率输出。通过这种方式，系统能够在保证产品质量的前提下，最大限度地提高加热效率、降低能源消耗。[0062]在某钢铁企业的板材加热生产线上应用此方法后，相比传统固定参数控制方案，产品加热均匀性提高了18%,能源消耗降低了12%,加热时间缩短了15%,显著提升了生产效率和产品质量。[0063]在一种可选的实施方式中，将所述最优加热控制策略转换为红外加热设备的控制指令，通过执行所述控制指令实现对红外加热过程的自动化精确控制包括：将所述最优加热控制策略转换为设备控制指令，所述设备控制指令包括功率控制指令、角度控制指令及位置控制指令；根据红外加热设备的实时执行状态对所述设备控制指令的执行过程进行监控，当检测到执行偏差时，对所述设备控制指令的执行参数进行补偿调整；将补偿调整后的所述设备控制指令发送至红外加热设备的控制单元执行，实现对红外加热过程的自动化精确控制。[0064]最优加热控制策略到设备控制指令的转换过程涉及三类核心指令的生成。功率控制指令是基于目标工件加热曲线和材料特性计算得出的。系统首先从最优策略中提取每个加热阶段的热量需求值，结合红外加热器的功率转换效率(通常为75%-85%),计算出实际功率输出值。[0065]例如，对于需要在240秒内使铝合金工件从25°C升温至180℃的加热任务，系统会生成一个分段功率控制曲线：0-60秒为功率爬升阶段(20%-80%),60-180秒为恒功率加热阶段(80%),180-240秒为功率递减阶段(80%-30%),确保目标温度精确达到并避免温度过冲。[0066]角度控制指令的生成依赖于工件表面的几何特征和照射均匀性要求。系统通过红外辐射能量分布模型计算不同角度下的能量分布密度，确定红外加热器的最佳照射角度。对于平板类工件，系统通常设定照射角度为垂直于表面的方向；而对于曲面工件，如汽车门板，系统会生成动态角度调整指令，使加热器照射角度在30°-60°布均匀度达到90%以上。角度控制指令包含角度初始值、角度变化率和角度极限值，精度控[0067]位置控制指令确定红外加热器相对于工件的空间位置，包括水平位置和距离高度。系统基于工件的尺寸形状和加热区域，计算得出最佳照射距离和移动轨迹。例如，对于的速度沿X轴方向扫描，每次扫描后Y轴偏移50mm,保证每个区域接收到的能量密度偏差控制在±5%以内。对于定点加热任务，则生成固定位置指令，同时指定最佳加热距离(通常为红外灯管直径的1.5-3倍)。[0068]在设备控制指令执行过程中，系统进行实时监控和偏差补偿。监控模块通过采集红外加热设备的实际执行参数(功率输出值、角度位置值、空间位置坐标)与指令设定值进行比对，当检测到偏差超过允许范围时，触发补偿调整机制。例如，当功率输出实际值比设定值低5%以上时，系统会根据PID控制算法计算补偿值，将功率输入指令提高相应百分比。[0069]对于角度控制，当执行角度与指令角度偏差超过2°时，系统会发送角度校准指令，驱动伺服电机进行微调。对于位置控制，系统使用激光即触发位置补偿指令，确保加热器与工件之间保持最佳照射距离。[0070]补偿调整后的设备控制指令通过通信接口发送至红外加热设备的控制单元。控制单元接收指令后，将其解析为具体的硬件驱动信号：功率控制指令转换为功率调节模块的PWM信号，角度控制指令转换为伺服电机的旋转角度信号，位置控制指令转换为XYZ轴步进电机的位移脉冲信号。[0071]控制单元通过10ms的执行周期，连续不断地接收和执行更新后的指令，确保设备运行状态与最优加热控制策略保持高度一致。以一个实际应用案例为例，在复合材料固化过程中，通过上述方法实现的红外加热控制系统能够将工件表面温度控制在设定值±2.5°C范围内，温度均匀性达到±3℃,大幅优于传统控制方法的±8℃误差范围。[0072]该技术方案通过将抽象的最优加热控制策略转化为具体的设备可执行指令，并结合实时监控和偏差补偿机制，实现了红外加热过程的自动化精确控制，能够满足高精度、高[0073]图4为本发明实施例红外加热设备自动化控制指令转换与执行流程图：本流程图展示了一个完整的红外加热控制策略转换与执行过程。首先，系统将最优的加热控制策略转化为具体的设备控制指令，这些指令主要包含三个核心维度：功率控制指令用于精确调节红外灯管的输出功率大小、角度控制指令用于调整红外灯管的照射角度、位置控制指令用于控制红外灯管的空间位置布局。随后，系统会实时监测红外加热设备的执行状态，通过比对实际执行效果与预期目标之间的差异，当检测到执行过程中出现偏差时，系统会启动补偿机制，对设备控制指令的执行参数进行实时动态调整和优化。最后，将经过补偿调整后的设备控制指令传输至红外加热设备的控制执行单元，由控制执行单元负责具体指令的执行操作，从而实现对整个红外加热过程的自动化精确控制，确保加热过程的稳定性和加热效果的均匀性。这种分层次、闭环式的控制方案能够有效提升红外加热过程的控制精度和可靠性。[0074]本发明实施例的第二方面，提供综合多维度的红外加热自动化控制系统，包括：第一单元，用于获取红外加热设备的实时温度数据、红外灯管功率数据及被加热工件的表面温度分布数据；第二单元，用于将所述实时温度数据、所述红外灯管功率数据及所述表面温度分布数据基于深度学习算法进行特征提取，得到红外加热过程的温度特征向量、功率特征向量及温度分布特征向量；第三单元，用于基于所述温度特征向量、所述功率特征向