本發(fā)明涉及加熱，尤其涉及一種自動(dòng)溫控加熱方法以及一種自動(dòng)溫控加熱系統(tǒng)。

背景技術(shù)：

1、目前，現(xiàn)有技術(shù)針對(duì)產(chǎn)品的加熱過程，基本都是靠工藝員或者操作工通過人工手動(dòng)監(jiān)控和調(diào)節(jié)加熱參數(shù)，不僅耗費(fèi)大量工時(shí)，且對(duì)于外界變化條件的應(yīng)對(duì)能力，比如早晨、中午、下午和一年四季等溫度的變化，以及加熱塊使用老化的過程等，也因人水平而存在差異。而且，人工通過點(diǎn)檢等手段進(jìn)行監(jiān)控，無法做到及時(shí)性，不能及時(shí)有效的識(shí)別條件變化，往往具有較嚴(yán)重的滯后性，同時(shí)也帶來了產(chǎn)品質(zhì)量的較大波動(dòng)，容易造成質(zhì)量和安全隱患。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問題，本發(fā)明提供了一種自動(dòng)溫控加熱方法及系統(tǒng)，通過人工智能算法監(jiān)控并優(yōu)化材料加熱過程，分別通過深度神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)算法和自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測(cè)和推理，得到對(duì)加熱設(shè)備的加熱控制信號(hào)，實(shí)現(xiàn)對(duì)加熱設(shè)備的智能自動(dòng)控制，大大提升了加熱設(shè)備的監(jiān)控能力和工藝管控能力，提升了產(chǎn)品的加熱質(zhì)量，降低了產(chǎn)品報(bào)廢率，并提升了自動(dòng)化智能化水平。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種自動(dòng)溫控加熱方法，包括：

3、實(shí)時(shí)獲取加熱設(shè)備針對(duì)材料加熱過程的加熱狀態(tài)數(shù)據(jù)，并對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理；

4、采用深度神經(jīng)網(wǎng)絡(luò)對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測(cè)得到加熱控制參數(shù)；

5、采用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)具有時(shí)間序列的歷史加熱狀態(tài)序列數(shù)據(jù)進(jìn)行預(yù)測(cè)得到未來參數(shù)變化值；

6、采用強(qiáng)化學(xué)習(xí)算法基于所述加熱狀態(tài)數(shù)據(jù)的強(qiáng)化反饋，得到對(duì)所述加熱控制參數(shù)的優(yōu)化控制信號(hào)；

7、采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)所述加熱狀態(tài)數(shù)據(jù)和所述加熱控制參數(shù)進(jìn)行模糊推理，自適應(yīng)調(diào)整規(guī)則和權(quán)重，得到模糊控制信號(hào)；

8、綜合所述加熱控制參數(shù)、所述未來參數(shù)變化值、所述優(yōu)化控制信號(hào)和所述模糊控制信號(hào)，通過加權(quán)融合生成針對(duì)所述加熱設(shè)備的加熱控制信號(hào)。

9、在上述技術(shù)方案中，優(yōu)選地，所述實(shí)時(shí)獲取加熱設(shè)備針對(duì)材料加熱過程的加熱狀態(tài)數(shù)據(jù)，并對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，具體過程包括：

10、實(shí)時(shí)獲取所述加熱設(shè)備針對(duì)材料加熱區(qū)域的溫度數(shù)據(jù)、濕度數(shù)據(jù)、壓力數(shù)據(jù)、光照數(shù)據(jù)、風(fēng)速數(shù)據(jù)和材料特性數(shù)據(jù)，作為加熱狀態(tài)數(shù)據(jù)；

11、針對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理；

12、采用卡爾曼濾波、中值濾波和/或滑動(dòng)平均濾波方法對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行濾波處理；

13、對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行異常值檢測(cè)，并將異常數(shù)據(jù)剔除；

14、對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行缺失數(shù)據(jù)檢測(cè)，并對(duì)缺失數(shù)據(jù)通過插值法、前向/后向填充和/或均值填充方法進(jìn)行數(shù)值填充；

15、對(duì)所述加熱狀態(tài)數(shù)據(jù)的時(shí)間特征、滑動(dòng)窗口和統(tǒng)計(jì)特征進(jìn)行特征提??；

16、對(duì)所述加熱狀態(tài)數(shù)據(jù)中的溫度數(shù)據(jù)、濕度數(shù)據(jù)、壓力數(shù)據(jù)、光照數(shù)據(jù)、風(fēng)速數(shù)據(jù)和材料特性數(shù)據(jù)進(jìn)行融合，作為綜合加熱環(huán)境模型數(shù)據(jù)。

17、在上述技術(shù)方案中，優(yōu)選地，所述采用深度神經(jīng)網(wǎng)絡(luò)對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測(cè)得到加熱控制參數(shù)，具體過程包括：

18、采用輸入層、預(yù)設(shè)數(shù)量的隱藏層和輸出層構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，采用均方誤差作為所述深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，采用adam優(yōu)化器對(duì)所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化；

19、采用預(yù)設(shè)的材料加熱數(shù)據(jù)對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得所述深度神經(jīng)網(wǎng)絡(luò)能夠衡量預(yù)測(cè)參數(shù)和實(shí)際參數(shù)之間的誤差；

20、將所述加熱狀態(tài)數(shù)據(jù)輸入所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到針對(duì)加熱設(shè)備進(jìn)行調(diào)整的加熱控制參數(shù)。

21、在上述技術(shù)方案中，優(yōu)選地，所述采用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)具有時(shí)間序列的歷史加熱狀態(tài)序列數(shù)據(jù)進(jìn)行預(yù)測(cè)得到未來參數(shù)變化值，具體過程包括：

22、采用輸入層、lstm單元和輸出層構(gòu)建所述長(zhǎng)短期記憶網(wǎng)絡(luò)，所述lstm單元通過反向傳播算法和bptt更新權(quán)重；

23、采用預(yù)設(shè)的材料加熱數(shù)據(jù)對(duì)所述長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得所述長(zhǎng)短期記憶網(wǎng)絡(luò)能夠?qū)訜徇^程的參數(shù)變化趨勢(shì)進(jìn)行預(yù)測(cè)；

24、將歷史加熱過程中具有時(shí)間序列的加熱狀態(tài)數(shù)據(jù)構(gòu)建得到所述歷史加熱狀態(tài)序列數(shù)據(jù)；

25、將所述歷史加熱狀態(tài)序列數(shù)據(jù)輸入所述長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到未來參數(shù)變化值。

26、在上述技術(shù)方案中，優(yōu)選地，所述采用強(qiáng)化學(xué)習(xí)算法基于所述加熱狀態(tài)數(shù)據(jù)的強(qiáng)化反饋，得到對(duì)所述加熱控制參數(shù)的優(yōu)化控制信號(hào)，具體過程包括：

27、將所述加熱狀態(tài)數(shù)據(jù)輸入所述強(qiáng)化學(xué)習(xí)算法q-learning，所述強(qiáng)化學(xué)習(xí)算法根據(jù)執(zhí)行當(dāng)前加熱動(dòng)作得到的實(shí)際溫度與目標(biāo)溫度之間的差異計(jì)算獎(jiǎng)勵(lì)函數(shù)，根據(jù)反饋獎(jiǎng)勵(lì)更新q值，并根據(jù)q值得到針對(duì)所述加熱控制參數(shù)進(jìn)行調(diào)整的優(yōu)化控制信號(hào)。

28、在上述技術(shù)方案中，優(yōu)選地，所述采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)所述加熱狀態(tài)數(shù)據(jù)和所述加熱控制參數(shù)進(jìn)行模糊推理，自適應(yīng)調(diào)整規(guī)則和權(quán)重，得到模糊控制信號(hào)，具體過程包括：

29、利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)anfis的模糊邏輯處理不確定性，將所述加熱狀態(tài)數(shù)據(jù)使用模糊化的方法轉(zhuǎn)換為模糊值；

30、結(jié)合預(yù)設(shè)的模糊推理規(guī)則自動(dòng)調(diào)整模糊隸屬度函數(shù)，推導(dǎo)得到針對(duì)加熱設(shè)備的模糊控制信號(hào)。

31、本發(fā)明還提出一種自動(dòng)溫控加熱系統(tǒng)，應(yīng)用如上述技術(shù)方案中任一項(xiàng)公開的自動(dòng)溫控加熱方法，包括：

32、加熱數(shù)據(jù)獲取模塊，用于實(shí)時(shí)獲取加熱設(shè)備針對(duì)材料加熱過程的加熱狀態(tài)數(shù)據(jù)，并對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理；

33、參數(shù)深度預(yù)測(cè)模塊，用于采用深度神經(jīng)網(wǎng)絡(luò)對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測(cè)得到加熱控制參數(shù)；

34、參數(shù)變化預(yù)測(cè)模塊，用于采用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)具有時(shí)間序列的歷史加熱狀態(tài)序列數(shù)據(jù)進(jìn)行預(yù)測(cè)得到未來參數(shù)變化值；

35、參數(shù)強(qiáng)化學(xué)習(xí)模塊，用于采用強(qiáng)化學(xué)習(xí)算法基于所述加熱狀態(tài)數(shù)據(jù)的強(qiáng)化反饋，得到對(duì)所述加熱控制參數(shù)的優(yōu)化控制信號(hào)；

36、模糊推理控制模塊，用于采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)所述加熱狀態(tài)數(shù)據(jù)和所述加熱控制參數(shù)進(jìn)行模糊推理，自適應(yīng)調(diào)整規(guī)則和權(quán)重，得到模糊控制信號(hào)；

37、控制信號(hào)融合模塊，用于綜合所述加熱控制參數(shù)、所述未來參數(shù)變化值、所述優(yōu)化控制信號(hào)和所述模糊控制信號(hào)，通過加權(quán)融合生成針對(duì)所述加熱設(shè)備的加熱控制信號(hào)。

38、在上述技術(shù)方案中，優(yōu)選地，所述加熱數(shù)據(jù)獲取模塊具體用于：

39、實(shí)時(shí)獲取所述加熱設(shè)備針對(duì)材料加熱區(qū)域的溫度數(shù)據(jù)、濕度數(shù)據(jù)、壓力數(shù)據(jù)、光照數(shù)據(jù)、風(fēng)速數(shù)據(jù)和材料特性數(shù)據(jù)，作為加熱狀態(tài)數(shù)據(jù)；

40、針對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理；

41、采用卡爾曼濾波、中值濾波和/或滑動(dòng)平均濾波方法對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行濾波處理；

42、對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行異常值檢測(cè)，并將異常數(shù)據(jù)剔除；

43、對(duì)所述加熱狀態(tài)數(shù)據(jù)進(jìn)行缺失數(shù)據(jù)檢測(cè)，并對(duì)缺失數(shù)據(jù)通過插值法、前向/后向填充和/或均值填充方法進(jìn)行數(shù)值填充；

44、對(duì)所述加熱狀態(tài)數(shù)據(jù)的時(shí)間特征、滑動(dòng)窗口和統(tǒng)計(jì)特征進(jìn)行特征提??；

45、對(duì)所述加熱狀態(tài)數(shù)據(jù)中的溫度數(shù)據(jù)、濕度數(shù)據(jù)、壓力數(shù)據(jù)、光照數(shù)據(jù)、風(fēng)速數(shù)據(jù)和材料特性數(shù)據(jù)進(jìn)行融合，作為綜合加熱環(huán)境模型數(shù)據(jù)。

46、在上述技術(shù)方案中，優(yōu)選地，所述參數(shù)深度預(yù)測(cè)模塊具體用于：

47、采用輸入層、預(yù)設(shè)數(shù)量的隱藏層和輸出層構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，采用均方誤差作為所述深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，采用adam優(yōu)化器對(duì)所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化；

48、采用預(yù)設(shè)的材料加熱數(shù)據(jù)對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得所述深度神經(jīng)網(wǎng)絡(luò)能夠衡量預(yù)測(cè)參數(shù)和實(shí)際參數(shù)之間的誤差；

49、將所述加熱狀態(tài)數(shù)據(jù)輸入所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到針對(duì)加熱設(shè)備進(jìn)行調(diào)整的加熱控制參數(shù)；

50、所述參數(shù)變化預(yù)測(cè)模塊具體用于：

51、采用輸入層、lstm單元和輸出層構(gòu)建所述長(zhǎng)短期記憶網(wǎng)絡(luò)，所述lstm單元通過反向傳播算法和bptt更新權(quán)重；

52、采用預(yù)設(shè)的材料加熱數(shù)據(jù)對(duì)所述長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得所述長(zhǎng)短期記憶網(wǎng)絡(luò)能夠?qū)訜徇^程的參數(shù)變化趨勢(shì)進(jìn)行預(yù)測(cè)；

53、將歷史加熱過程中具有時(shí)間序列的加熱狀態(tài)數(shù)據(jù)構(gòu)建得到所述歷史加熱狀態(tài)序列數(shù)據(jù)；

54、將所述歷史加熱狀態(tài)序列數(shù)據(jù)輸入所述長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，得到未來參數(shù)變化值。

55、在上述技術(shù)方案中，優(yōu)選地，所述參數(shù)強(qiáng)化學(xué)習(xí)模塊具體用于：

56、將所述加熱狀態(tài)數(shù)據(jù)輸入所述強(qiáng)化學(xué)習(xí)算法q-learning，所述強(qiáng)化學(xué)習(xí)算法根據(jù)執(zhí)行當(dāng)前加熱動(dòng)作得到的實(shí)際溫度與目標(biāo)溫度之間的差異計(jì)算獎(jiǎng)勵(lì)函數(shù)，根據(jù)反饋獎(jiǎng)勵(lì)更新q值，并根據(jù)q值得到針對(duì)所述加熱控制參數(shù)進(jìn)行調(diào)整的優(yōu)化控制信號(hào)；

57、模糊推理控制模塊具體用于：

58、利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)anfis的模糊邏輯處理不確定性，將所述加熱狀態(tài)數(shù)據(jù)使用模糊化的方法轉(zhuǎn)換為模糊值；

59、結(jié)合預(yù)設(shè)的模糊推理規(guī)則自動(dòng)調(diào)整模糊隸屬度函數(shù)，推導(dǎo)得到針對(duì)加熱設(shè)備的模糊控制信號(hào)。

60、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：通過人工智能算法監(jiān)控并優(yōu)化材料加熱過程，分別通過深度神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)算法和自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)加熱狀態(tài)數(shù)據(jù)進(jìn)行預(yù)測(cè)和推理，得到對(duì)加熱設(shè)備的加熱控制信號(hào)，實(shí)現(xiàn)對(duì)加熱設(shè)備的智能自動(dòng)控制，大大提升了加熱設(shè)備的監(jiān)控能力和工藝管控能力，提升了產(chǎn)品的加熱質(zhì)量，降低了產(chǎn)品報(bào)廢率，并提升了自動(dòng)化智能化水平。