CN117195747A - 一种磁性材料烘干用均匀热分布优化方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，尤其涉及一种磁性材料烘干用均匀热分布优化方法。首先，收集实时的温度数据，并对温度数据进行数据分析，构建温度分布矩阵，引入动态阈值差分编码策略，提出新的域变换系数选择方法；其次，定义环境状态，基于解压后的温度数据以及湿度和风速数据，进行环境参数定义，构建具体的环境实例，初始化强化学习智能体，调整强化学习参数；最后，构建神经网络模型，引入模糊逻辑，将模糊逻辑的输出与所述神经网络模型融合，训练带有模糊逻辑的神经网络模型，通过训练后的模型预测未来的温度分布，最终获得基于神经网络模型和模糊逻辑优化后的烘干参数。解决了现有技术中烘干效率低，烘干参数不准确的技术问题。

Description

一种磁性材料烘干用均匀热分布优化方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种磁性材料烘干用均匀热分布优化方法。

背景技术

磁性材料是一类在外部磁场作用下表现出磁性特性的材料。它们在科学、工程和日常生活中具有广泛的应用。磁性材料烘干是指将磁性材料（如磁铁、磁性粉末等）在一定的温度和湿度条件下，通过加热和风扇等装置，去除其中的水分或湿气，以提高材料的稳定性和性能。这个过程通常在工业生产、材料制备和科学研究中使用，以确保材料的质量和可用性。磁性材料通常具有复杂的微观结构，其性能高度依赖于烘干过程的均匀性和温度控制。传统烘干方法可能导致磁性材料内部的温度和湿度分布不均匀，从而引起烘干不充分或过度烘干的问题。因此，优化磁性材料的烘干过程对于确保产品性能和质量至关重要，研究和实施均匀热分布的烘干方法在相关领域具有重要意义。这些方法的应用可以提高生产效率、减少能源消耗，并确保磁性材料的一致性和稳定性。

对于磁性材料烘干的研究方法有很多，江阳等人提出的申请号：“CN202110366598.6”，发明名称：“一种带有热风循环风机的磁性材料烘干装置”，包括烘干箱体，烘干箱体的内部底端设有支撑架，支撑架通过热风分配管联接输送槽，输送槽内排列有输送链，输送链连接输送带，输送带上放置磁性材料，热风分配管设有热风喷嘴，烘干箱体的顶部连接排风弯管，排风弯管通过排风机联接热风进管，热风进管设有管道过滤框和管道加热器，热风进管通过供热风机联接供热总管，供热总管穿过烘干箱体的侧壁并且连接热风支管，热风支管连通热风分配管，供热风机的下方设有风机支架，该发明能够对磁性材料进行快速烘干，加热均匀，保障了烘干质量。

但上述技术至少存在如下技术问题：烘干效率低，烘干参数不准确的技术问题。

发明内容

本申请实施例通过提供一种磁性材料烘干用均匀热分布优化方法，解决了现有技术中烘干效率低，烘干参数不准确的技术问题，实现了高效准确烘干的技术效果。

本申请提供了一种磁性材料烘干用均匀热分布优化方法具体包括以下技术方案：

一种磁性材料烘干用均匀热分布优化方法，包括以下步骤：

S1. 从传感器接收实时的温度数据，并对温度数据进行数据分析，构建温度分布矩阵，引入动态阈值差分编码策略，提出新的域变换系数选择方法，得到压缩后的温度数据；

S2. 通过压缩后的温度数据和原始的湿度和风速数据来定义环境状态，基于解压后的温度数据以及湿度和风速数据，进行环境参数定义，进一步构建具体的环境实例，并初始化强化学习智能体，调整强化学习参数；

S3. 构建神经网络模型，引入模糊逻辑，将模糊逻辑的输出与所述神经网络模型融合，训练带有模糊逻辑的神经网络模型，通过训练后的带有模糊逻辑的神经网络模型预测未来的温度分布，最终获得基于神经网络模型和模糊逻辑优化后的烘干参数。

优选的，所述S1，具体包括：

将接收到的温度数据存储在存储设备中，对温度数据进行数据分析，包括计算平均温度、最高和最低温度。

优选的，在所述S1中，还包括：

对经过数据分析后的温度数据进行整合，构建温度分布矩阵，引入动态阈值差分编码策略对所述温度分布矩阵进行编码处理。

优选的，在所述S1中，还包括：

对编码后的温度数据进行域变换，在域变换后，提出新的域变换系数选择方法。

优选的，在所述S1中，还包括：

所述新的域变换系数选择方法，首先引入衡量域变换系数重要性的指标，再根据所述指标进行域变换系数的选择，最终得到压缩后的温度数据。

优选的，所述S2，具体包括：

通过压缩后的温度数据和原始的湿度和风速数据来定义环境状态，基于解压后的温度数据以及湿度和风速数据，进行环境参数定义，所述环境参数定义包括环境状态定义、动作集定义、奖励函数定义，根据定义好的环境状态、动作集、奖励函数及初始的磁性材料状态，构建具体的环境实例，初始化强化学习智能体，学习优化磁性材料烘干。

优选的，在所述S2中，还包括：

学习优化磁性材料烘干的具体过程如下：

第一步，策略学习前的准备；

第二步，策略学习与迭代；

第三步，策略决策与测试；

第四步，策略微调。

优选的，在所述S2中，还包括：

在所述学习优化磁性材料烘干过程的第二步中，引入基于矩阵分解的动作选择，即矩阵动选法，具体包括：首先，构建环境-动作矩阵，然后，应用矩阵分解，将所述环境-动作矩阵分解为两个低秩矩阵，进一步，基于矩阵分解的结果，进行动作选择。

优选的，所述S3，具体包括：

构建神经网络模型，所述神经网络模型采用循环卷积神经网络架构，引入模糊逻辑，将所述模糊逻辑的输出与所述神经网络模型融合，即将所述模糊逻辑的输出作为神经网络模型的输入特征或者辅助决策工具，训练带有模糊逻辑的神经网络模型，通过训练完的带有模糊逻辑的神经网络模型预测未来的温度分布，并基于所述模糊逻辑的输出，提出烘干参数的调整建议。

有益效果：

本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：

1、本申请通过利用动态阈值差分编码策略确保了在压缩过程中不丢失关键的温度变化信息，使得烘干过程能够基于真实和关键的温度变化来进行，同时，基于重要性的域变换系数选择方法，提供了一种在压缩温度数据时更为高效的策略，使得在解压缩数据时，能够得到近似原始的温度分布，从而确保烘干效果的最优化。

2、本申请通过明确动作集的定义，如温度、湿度、风速的调整，材料的摆放方式和烘干周期的更改，使得系统具备更高的灵活性，能够根据实际情况进行多方面的参数调整，引入基于矩阵分解的动作选择机制，揭示了环境状态与动作之间的潜在联系。矩阵分解为算法提供了更深入的洞察，有助于捕获环境状态和动作之间的主要关系，从而更精确地预测每一步的奖励，进而选择最佳的动作。

3、本申请的技术方案能够有效解决烘干效率低，烘干参数不准确的技术问题，通过利用动态阈值差分编码策略确保了在压缩过程中不丢失关键的温度变化信息，使得烘干过程能够基于真实和关键的温度变化来进行，同时，基于重要性的域变换系数选择方法，提供了一种在压缩温度数据时更为高效的策略，使得在解压缩数据时，能够得到近似原始的温度分布，从而确保烘干效果的最优化；通过明确动作集的定义，如温度、湿度、风速的调整，材料的摆放方式和烘干周期的更改，使得系统具备更高的灵活性，能够根据实际情况进行多方面的参数调整，引入基于矩阵分解的动作选择机制，揭示了环境状态与动作之间的潜在联系。矩阵分解为算法提供了更深入的洞察，有助于捕获环境状态和动作之间的主要关系，从而更精确地预测每一步的奖励，进而选择最佳的动作。

附图说明

图1为本申请一种磁性材料烘干用均匀热分布优化方法的流程图。

具体实施方式

本申请实施例通过提供一种磁性材料烘干用均匀热分布优化方法，解决了现有技术中烘干效率低，烘干参数不准确的技术问题，总体思路如下：

首先，对磁性材料烘干过程中的数据进行采集，并对采集到的大量温度数据进行实时处理，然后，基于磁性材料烘干中的当前温度实时数据利用强化学习方法实时调整烘干参数，以完成对均匀热分布算法优化；基于历史数据进行预测，进一步优化烘干参数，得到完整的一种磁性材料烘干用均匀热分布优化方法；通过利用动态阈值差分编码策略确保了在压缩过程中不丢失关键的温度变化信息，使得烘干过程能够基于真实和关键的温度变化来进行，同时，基于重要性的域变换系数选择方法，提供了一种在压缩温度数据时更为高效的策略，使得在解压缩数据时，能够得到近似原始的温度分布，从而确保烘干效果的最优化；通过明确动作集的定义，如温度、湿度、风速的调整，材料的摆放方式和烘干周期的更改，使得系统具备更高的灵活性，能够根据实际情况进行多方面的参数调整，引入基于矩阵分解的动作选择机制，揭示了环境状态与动作之间的潜在联系。矩阵分解为算法提供了更深入的洞察，有助于捕获环境状态和动作之间的主要关系，从而更精确地预测每一步的奖励，进而选择最佳的动作。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照附图1，本申请所述一种磁性材料烘干用均匀热分布优化方法，包括以下步骤：

S1. 从传感器接收实时的温度数据，并对温度数据进行数据分析，构建温度分布矩阵，引入动态阈值差分编码策略，提出新的域变换系数选择方法，得到压缩后的温度数据；

为了满足磁性材料烘干过程中高温的需求并确保数据的准确度，首先需要选择可以承受此高温的温度传感器，同时这些传感器应具有较高的响应速度；考虑到烘干炉的大小和形状，一个精确的布局图被绘制出来，此布局图确保整个烘干区域都被均匀覆盖，没有漏掉任何区域。在此过程中，根据传感器的检测范围和烘干炉的特点，特别是需要特殊关注的区域，确定了每个传感器的最佳位置；按照前面设计的布局图，每个传感器被稳定地放置在指定位置，为了确保每个传感器都可以正确传输数据，使用热稳定和耐用的电线和接头进行连接，同时确保所有的电线都引导到数据接收器或中央处理器；

进一步，初始化传感器和数据收集系统，在为每个传感器提供电源后，使用测试设备或软件来检查每个传感器的输出，确保其运行在预期的范围内，为确保数据同步收集，所有传感器的时钟需要进行同步；在确保所有系统准备就绪后，磁性材料被放入烘干炉中，然后启动烘干机，按照预设的参数开始烘干过程，同时，数据收集系统也被启动，持续地从各个传感器接收实时的温度数据；同时，为了确保数据的完整性，所有收集到的数据被安全地存储在数据库或其他存储设备中，随后，进行基本的数据分析，例如计算平均温度、最高和最低温度等，为后续的优化过程提供初步的参考和指导；

得到采集数据参数集合，集合中的任意一个子集可由/>表示，代表第/>个传感器采集到的温度数据子集；

对数据进行整合，构建温度分布矩阵，根据其空间位置进行初步整合，形成温度分布矩阵：

，

其中，元素代表烘干区域中第i行第j列的平均温度，可以使用以下公式来生成温度分布矩阵/>：

，

其中，是落在第i行第j列区域内的传感器数量；/>是落在第i行第j列区域内的第k个传感器的温度读数，/>表示温度分布矩阵/>的维度；/>是烘干炉的长度方向上的测量点数，/>是烘干炉的宽度方向上的测量点数；

进一步，为了降低数据的冗余度，当温度变化非常微小但仍然关键时，减少键信息的丢失，引入动态阈值差分编码策略对温度分布矩阵进行编码处理：

首先，计算温度的差分值：

，

其中，表示在时间t位置/>的温度差值；/>是在时间t位置/>的温度；其中， /> ；/>；

然后，引入一个动态阈值来决定是否保留这个差分值：

，

其中，是一个动态计算的阈值，它决定了在何种程度的温度变化是重要的；所述动态计算的阈值的计算过程如下：

设定一个滑动窗口大小为 (例如：过去60个时间单位的数据)，使用这窗口内的数据来计算标准差、均值，并基于此来确定/>；

首先，考虑环境温度与磁性材料烘干过程的关系，引入环境温度校正因子：

，

其中，是当前的环境温度，通过环境温度传感器获得，而/>是基准温度，提供一个参考温度以确定当前环境温度与正常条件下的差异，来自经验值；

考虑湿度也影响磁性材料的烘干过程，为了补偿湿度的影响，本申请引入了湿度因子：

，

其中，是当前的环境湿度，通过湿度传感器实时获取；/>是基准湿度，提供一个参考湿度以确定当前环境湿度与正常条件下的差异，来自经验值；

综合考虑上述因素，得到加权的动态阈值公式：

，

其中，表示加权的动态计算的阈值，/>代表过去/>时间单位内的温度差分数据的平均值，提供一个基于历史数据的参考温度差异，定义为：

，

代表过去/>时间单位内的温度差分数据的标准差，表示温度差分数据的波动或变化程度，定义为：

，

是一个预设值，一个权重因子，用于根据实际需求调整标准差的影响程度，根据经验法获得；

上述方法确保只有超过某个动态阈值的关键温度变化会被编码，从而减少了不必要的数据量，同时保留了关键信息；

进一步对编码后的数据进行域变换：

，

其中，是域变换后的系数；/>和/>是修正因子，为了标准化输出，具体有：

，

，

、/>表示域变换系数的位置，即水平位置和垂直位置；/>和；/>、/>表示温度差分矩阵的维度；

进一步，在域变换后，为了选择合适的域变换系数进行存储以平衡数据的有效性与压缩效率，本申请提出了新的域变换系数选择方法：

首先，引入一个衡量域变换系数重要性的指标：

，

其中，是用于遍历系数/>的邻域，邻域的大小和范围根据经验法获得；是计算域变换后的系数与其邻域之间的差值的方式。

再根据这个指标进行域变换系数的选择：

，

其中，是选择阈值，通过交叉验证来确定。

上述方法保证了在压缩后的数据中，关键的域变换系数不会被丢弃。

经过上述过程，得到压缩后的温度数据，所述压缩后的温度数据是由差分值和选择性保存的域变换系数组成的，它代表烘干炉内的温度分布，但其大小远小于原始数据；

为了从压缩后的数据中恢复原始温度数据，需要进行逆域变换，需要注意的是，由于在压缩过程中丢弃了一些系数，恢复出的数据只是原始数据的近似，在逆变换过程中，量化的数据需要首先被反量化。

本申请通过利用动态阈值差分编码策略确保了在压缩过程中不丢失关键的温度变化信息，使得烘干过程能够基于真实和关键的温度变化来进行，同时，基于重要性的域变换系数选择方法，提供了一种在压缩温度数据时更为高效的策略，使得在解压缩数据时，能够得到近似原始的温度分布，从而确保烘干效果的最优化。

S2. 通过压缩后的温度数据和原始的湿度和风速数据来定义环境状态，基于解压后的温度数据以及湿度和风速数据，进行环境参数定义，进一步构建具体的环境实例，并初始化强化学习智能体，调整强化学习参数；

在磁性材料烘干中，由于温度传感器的数量非常大，故采用压缩处理，并通过压缩后的温度数据来定义环境状态；而其他环境参数的数据量相对较小，并且它们的变化不那么频繁，可以只对温度数据进行压缩，而其他环境参数如湿度和风速可以直接使用原始数据，利用原始数据来定义环境状态；

进一步扩展强化学习环境的建立与调整，具体有：

根据烘干炉的设计和结构，确定关键的监测区域，例如顶部、底部、中部等；为每个关键区域安装传感器，收集环境参数；

基于解压后的环境参数数据，以及其他环境参数，进行环境参数定义，所述环境参数定义有环境状态定义、动作集定义、奖励函数定义；

所述环境状态定义，对环境进行明确的描述，定义各区域的环境状态参数，如温度、湿度和风速，增加时间、材料类型、材料厚度；

，

其中，是第i个区域的温度，源于解压后的温度数据；/>是第i个区域的湿度，源于湿度传感器；/>是第i个区域的风速，源于风速计；/>是烘干过程中的时间；/>是磁性材料的类型；/>是磁性材料的厚度；

所述动作集定义，确定可行动作，这些动作将影响磁性材料烘干的效果；可以有增减温度、湿度和风速、更改材料摆放方式、更改烘干周期等动作。

，

其中，表示动作，/>是温度调整值，控制系统的温度设置；/>是湿度调整值，控制系统的湿度设置；/>是风速调整值，控制系统的风速设置；/>是更改材料摆放方式，自动化系统设定；/>是材料厚度调整值，自动化系统设定；/>是更改烘干周期，系统推荐；

所述奖励函数定义，建立评价标准，以确保模型做出的每个动作都与优化目标一致：

，

其中，是温度均匀度，计算自状态向量s中的温度数据；是能耗，计算自传感器和控制系统；/>和/>是权重参数，用于调整奖励函数中不同因子的重要性，根据经验调整；

进一步根据上述定义好的环境状态、动作集、奖励函数及初始的磁性材料状态，构建一个具体的环境实例，并初始化一个强化学习智能体，这个智能体将在接下来的步骤中与环境互动，并学习如何优化磁性材料烘干，具体过程如下：

第一步，策略学习前的准备；Q值矩阵初始化，对于所有状态s和动作a， 初始化：

，

第二步，策略学习与迭代；根据当前的状态s选择动作a；执行动作a，观察新的状态s'，并根据反馈接收奖励R；使用以下公式更新Q值矩阵：

，

其中，是学习率，用于控制新旧信息的融合程度，根据经验调整；/>是未来奖励的折扣因子，控制未来奖励的考虑程度，根据经验调整；/>是新的状态，/>选择的新的执行动作；

得到更新状态：

，

第三步，策略决策与测试；在学习足够多的迭代后，根据当前的Q值表，为每个状态s选择最大化Q值的动作a，形成最终的策略；在实际的磁性材料烘干环境中测试此策略，评估策略的有效性；

第四步，策略微调，根据实际测试的结果，对策略进行必要的微调，如调整学习率、改变奖励函数权重，然后返回第二步，继续策略学习与迭代，直到满足预定的收敛标准或达到预定的迭代次数；

通过上述过程，得到最终优化的烘干参数，这些参数是通过“多参数策略学习”不断迭代与优化得到的，用于指导磁性材料烘干的实际操作；

在第二步根据当前的状态s选择动作a时，考虑到环境状态和动作之间的复杂关系，本申请引入基于矩阵分解的动作选择（矩阵动选法）来揭示它们之间的潜在联系，矩阵的每一行代表一个环境状态，每一列代表一个动作；

首先，构建环境-动作矩阵 E；矩阵E中的任意一个元素可由表示；/>是在状态i下执行动作j所获得的奖励，为正值时，表示在状态i下执行动作j是有益的，为负值时，表示在状态i下执行动作j是不利的，源于历史数据中，每次在状态i执行动作j后的得到的奖励；i是环境状态索引；j是动作索引；

接下来，应用矩阵分解，将矩阵E分解为两个低秩矩阵和V：

，

其中，是 m/>k矩阵，代表每一个环境状态的隐式特征向量；/>是n/>k矩阵，代表每一个动作的隐式特征向量；m是环境状态的总数； n是动作的总数；k是潜在特征的数量，k远小于m和n； />和/>的矩阵乘积提供了对原始奖励矩阵E的一个低秩近似，捕获了状态和动作之间的主要关系，源于对E的矩阵分解；

进一步，进行动作选择，对于给定的环境状态s，计算其与所有动作的预期奖励：

，

其中，是当前环境状态的隐式特征向量，来自于环境状态转化为隐式特征的转换，该转换是基于/>矩阵的；/>是在状态/>下执行动作/>所预期的奖励，基于矩阵分解的结果；

根据矩阵分解后的结果，可以预测在当前状态下每一个动作可能产生的奖励，通过比较所有的预期奖励，可以选择最佳动作执行；

最终，选择最大值对应的动作/>；

利用矩阵分解技术，能够捕获环境状态和动作之间的主要关系，并据此选择最佳动作以最大化预期奖励。

本申请通过明确动作集的定义，如温度、湿度、风速的调整，材料的摆放方式和烘干周期的更改，使得系统具备更高的灵活性，能够根据实际情况进行多方面的参数调整，引入基于矩阵分解的动作选择机制，揭示了环境状态与动作之间的潜在联系。矩阵分解为算法提供了更深入的洞察，有助于捕获环境状态和动作之间的主要关系，从而更精确地预测每一步的奖励，进而选择最佳的动作。

S3. 构建神经网络模型，引入模糊逻辑，将模糊逻辑的输出与所述神经网络模型融合，训练带有模糊逻辑的神经网络模型，通过训练后的带有模糊逻辑的神经网络模型预测未来的温度分布，最终获得基于神经网络模型和模糊逻辑优化后的烘干参数；

利用预测进一步对一种磁性材料烘干用均匀热分布优化方法中的烘干参数进行优化；

首先，从数据库中获取原始烘干数据，所述原始烘干数据，有步骤S2中的优化烘干参数，历史烘干参数，历史烘干过程中的温度分布数据；使用SQL查询提取历史烘干数据，并对无效或损坏的数据点进行过滤，为了统一数据的尺度，需要对其进行标准化或归一化；为了更好地进行模型训练和验证，数据被分为训练集、验证集和测试集；

进一步，构建神经网络模型，针对处理后的训练数据，选择循环卷积神经网络架构，网络层结构需要根据实际的特征数量来设计，选择ReLU作为其激活函数，为了构建这一模型，选择Keras框架进行初始化；

进一步，考虑到模型的复杂性和非线性特性，引入模糊逻辑进行辅助，首先，设计出与问题相关的模糊逻辑规则，如：“如果当前温度是高的并且湿度是低的，则增加风速”，并针对温度、湿度等输入定义相应的隶属度函数；接着，这些模糊逻辑的输出需要与先前设计的神经网络模型相融合；将模糊逻辑的输出作为神经网络模型的一个输入特征或者辅助决策工具；

进一步，训练神经网络模型，带有模糊逻辑的神经网络模型需要利用处理后的训练和验证数据进行训练，选择Adam优化器进行权重更新，同时，为了防止过拟合，可以设置早停策略，即当验证损失不再降低时，停止训练，根据验证集的表现，适时对模型参数进行微调，确保其具备良好的预测性能；

最后，优化预测；训练完成的模型被用于预测未来的温度分布，当前和历史的烘干参数都被送入模型中获取预测结果；基于模糊逻辑的输出，提出烘干参数的调整建议，以更好地优化烘干过程；为了验证预测的准确性，需要进行模拟验证，这通常是通过使用CFD软件，根据预测参数来模拟烘干过程，模拟结果随后与实际的烘干温度分布进行比较，通过计算MSE指标，评估模型的预测性能。

最终，获得基于神经网络模型和模糊逻辑优化后的烘干参数；

综上所述，便完成了本申请所述的磁性材料烘干中的均匀分布优化算法。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

1、本申请通过利用动态阈值差分编码策略确保了在压缩过程中不丢失关键的温度变化信息，使得烘干过程能够基于真实和关键的温度变化来进行，同时，基于重要性的域变换系数选择方法，提供了一种在压缩温度数据时更为高效的策略，使得在解压缩数据时，能够得到近似原始的温度分布，从而确保烘干效果的最优化。

2、本申请通过明确动作集的定义，如温度、湿度、风速的调整，材料的摆放方式和烘干周期的更改，使得系统具备更高的灵活性，能够根据实际情况进行多方面的参数调整，引入基于矩阵分解的动作选择机制，揭示了环境状态与动作之间的潜在联系。矩阵分解为算法提供了更深入的洞察，有助于捕获环境状态和动作之间的主要关系，从而更精确地预测每一步的奖励，进而选择最佳的动作。

效果调研：

本申请的技术方案能够有效解决烘干效率低，烘干参数不准确的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过利用动态阈值差分编码策略确保了在压缩过程中不丢失关键的温度变化信息，使得烘干过程能够基于真实和关键的温度变化来进行，同时，基于重要性的域变换系数选择方法，提供了一种在压缩温度数据时更为高效的策略，使得在解压缩数据时，能够得到近似原始的温度分布，从而确保烘干效果的最优化；通过明确动作集的定义，如温度、湿度、风速的调整，材料的摆放方式和烘干周期的更改，使得系统具备更高的灵活性，能够根据实际情况进行多方面的参数调整，引入基于矩阵分解的动作选择机制，揭示了环境状态与动作之间的潜在联系。矩阵分解为算法提供了更深入的洞察，有助于捕获环境状态和动作之间的主要关系，从而更精确地预测每一步的奖励，进而选择最佳的动作。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种磁性材料烘干用均匀热分布优化方法，其特征在于，包括以下步骤：

S1. 从传感器接收实时的温度数据，并对温度数据进行数据分析，构建温度分布矩阵，引入动态阈值差分编码策略，提出新的域变换系数选择方法，得到压缩后的温度数据；

S2. 通过压缩后的温度数据和原始的湿度和风速数据来定义环境状态，基于解压后的温度数据以及湿度和风速数据，进行环境参数定义，进一步构建具体的环境实例，并初始化强化学习智能体，调整强化学习参数；

S3. 构建神经网络模型，引入模糊逻辑，将模糊逻辑的输出与所述神经网络模型融合，训练带有模糊逻辑的神经网络模型，通过训练后的带有模糊逻辑的神经网络模型预测未来的温度分布，最终获得基于神经网络模型和模糊逻辑优化后的烘干参数。

2.根据权利要求1所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，所述S1，具体包括：

将接收到的温度数据存储在存储设备中，对温度数据进行数据分析，包括计算平均温度、最高和最低温度。

3.根据权利要求2所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，在所述S1中，还包括：

对经过数据分析后的温度数据进行整合，构建温度分布矩阵，引入动态阈值差分编码策略对所述温度分布矩阵进行编码处理。

4.根据权利要求3所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，在所述S1中，还包括：

对编码后的温度数据进行域变换，在域变换后，提出新的域变换系数选择方法。

5.根据权利要求4所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，在所述S1中，还包括：

所述新的域变换系数选择方法，首先引入衡量域变换系数重要性的指标，再根据所述指标进行域变换系数的选择，最终得到压缩后的温度数据。

6.根据权利要求1所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，所述S2，具体包括：

通过压缩后的温度数据和原始的湿度和风速数据来定义环境状态，基于解压后的温度数据以及湿度和风速数据，进行环境参数定义，所述环境参数定义包括环境状态定义、动作集定义、奖励函数定义，根据定义好的环境状态、动作集、奖励函数及初始的磁性材料状态，构建具体的环境实例，初始化强化学习智能体，学习优化磁性材料烘干。

7.根据权利要求6所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，在所述S2中，还包括：

学习优化磁性材料烘干的具体过程如下：

第一步，策略学习前的准备；

第二步，策略学习与迭代；

第三步，策略决策与测试；

第四步，策略微调。

8.根据权利要求7所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，在所述S2中，还包括：

在所述学习优化磁性材料烘干过程的第二步中，引入基于矩阵分解的动作选择，即矩阵动选法，具体包括：首先，构建环境-动作矩阵，然后，应用矩阵分解，将所述环境-动作矩阵分解为两个低秩矩阵，进一步，基于矩阵分解的结果，进行动作选择。

9.根据权利要求1所述的一种磁性材料烘干用均匀热分布优化方法，其特征在于，所述S3，具体包括：

构建神经网络模型，所述神经网络模型采用循环卷积神经网络架构，引入模糊逻辑，将所述模糊逻辑的输出与所述神经网络模型融合，即将所述模糊逻辑的输出作为神经网络模型的输入特征或者辅助决策工具，训练带有模糊逻辑的神经网络模型，通过训练完的带有模糊逻辑的神经网络模型预测未来的温度分布，并基于所述模糊逻辑的输出，提出烘干参数的调整建议。