(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(22)申請日2025.01.03(43)申請公布日2025.02.07地址315806浙江省寧波市北侖區(qū)大碶街(72)發(fā)明人林國棟張玉田張必勝盧鑫有限公司11473GO6F30/27(2GO6F119/08(2020.0(56)對比文件權(quán)利要求書4頁說明書17頁附圖2頁基于能量模型的壓鑄模具熱平衡分布優(yōu)化本發(fā)明提供一種基于能量模型的壓鑄模具模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取,獲得壓鑄模具的時空關(guān)聯(lián)特征；基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡,采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列：根據(jù)所述最優(yōu)溫度場控制序列建立壓鑄模具的分區(qū)域自適應控制策略將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型,獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù),實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制21.基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法，其特征在于，包括：采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征；基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型；將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列；根據(jù)所述最優(yōu)溫度場控制序列建立壓鑄模具的分區(qū)域自適應控制策略；將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列包括：基于壓所述分層優(yōu)化函數(shù)構(gòu)建鑄模具的溫度場優(yōu)化策略網(wǎng)絡，將所述溫度場優(yōu)化策略網(wǎng)絡劃分為溫度場均勻性層、冷卻效率層和能耗控制層，確定評價指標函數(shù)；初始化螞蟻群體位置，將壓鑄模具的溫度場控制參數(shù)編碼為螞蟻位置信息，確定溫度場控制序列，將每只螞蟻位置對應的溫度場控制序列輸入所述溫度場優(yōu)化策略網(wǎng)絡，通過評價指標函數(shù)，計算路徑評價值，根據(jù)所述路徑評價值更新路徑上的信息素濃度，其中信息素增量與路徑評價值呈正相關(guān)；構(gòu)建動態(tài)禁忌表，記錄已搜索的溫度場控制序列，計算新生成的溫度場控制序列與禁忌表中溫度場控制序列的相似度，將相似度高于預設閾值的溫度場控制序列加入所述動態(tài)禁忌表；基于路徑上的信息素濃度和所述動態(tài)禁忌表，計算狀態(tài)轉(zhuǎn)移概率，引導螞蟻群體的搜索方向；在每只螞蟻當前位置附近，構(gòu)建變鄰域搜索結(jié)構(gòu)，所述變鄰域搜索結(jié)構(gòu)包括單參數(shù)調(diào)整空間和多參數(shù)聯(lián)動調(diào)整空間，分別對溫度場控制序列中的參數(shù)進行獨立調(diào)整和組合調(diào)整；將變鄰域搜索結(jié)構(gòu)中生成的溫度場控制序列對應的候選解，輸入所述溫度場優(yōu)化策略網(wǎng)絡，計算各候選解的路徑評價值，選擇路徑評價值最高的溫度場控制序列，更新螞蟻位重復迭代，直至達到預設的最大迭代次數(shù)，得到最優(yōu)溫度場控制序列；將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制3將分區(qū)域自適應控制策略輸入熱分布動態(tài)演化模型，基于能量守恒定律建立壓鑄模具的溫度場狀態(tài)方程，采用卡爾曼濾波算法對所述溫度場狀態(tài)方程進行狀態(tài)估計，通過狀態(tài)估計誤差協(xié)方差矩陣和卡爾曼增益矩陣迭代更新獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性構(gòu)建基于深度強化學習的溫度場控制器，所述溫度場控制器采用雙重網(wǎng)絡架構(gòu)，包括生成控制動作的策略網(wǎng)絡和評估狀態(tài)價值的價值網(wǎng)絡；所述策略網(wǎng)絡和所述價值網(wǎng)絡的狀態(tài)空間包含當前溫度分布、溫度變化率和控制輸入歷史，動作空間包含各區(qū)域的控制參數(shù)調(diào)整量；采用優(yōu)勢演員-評論家算法對所述策略網(wǎng)絡和所述價值網(wǎng)絡進行訓練，基于溫度均勻值和控制穩(wěn)定值構(gòu)建即時獎勵函數(shù)，通過策略損失函數(shù)和價值損失函數(shù)的優(yōu)化，獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入溫度場預測器進行在線修正，根據(jù)修正后的預測結(jié)果構(gòu)建動態(tài)模糊規(guī)則庫，基于溫度偏差和溫度變化率設計模糊控制規(guī)則；采用動態(tài)模糊免疫優(yōu)化算法生成冷卻參數(shù)調(diào)整策略集合，將所述調(diào)整策略集合構(gòu)建為抗體群，并基于溫度控制的誤差計算抗體親和度，通過克隆變異操作，優(yōu)化所述抗體群，最終得到最優(yōu)冷卻控制參數(shù)，智能調(diào)節(jié)壓鑄模具熱分布；采用動態(tài)模糊免疫優(yōu)化算法生成冷卻參數(shù)調(diào)整策略集合，將所述調(diào)整策略集合構(gòu)建為抗體群，并基于溫度控制的誤差計算抗體親和度，通過克隆變異操作，優(yōu)化所述抗體群，最終得到最優(yōu)冷卻控制參數(shù)，智能調(diào)節(jié)壓鑄模具熱分布包括：獲取壓鑄模具的冷卻控制參數(shù)，將所述冷卻控制參數(shù)編碼生成初始抗體群，每個抗體個體包含與所述冷卻控制參數(shù)對應的參數(shù)向量；采集壓鑄模具各測點的實時溫度數(shù)據(jù)，根據(jù)所述實時溫度數(shù)據(jù)計算溫度偏差和溫度偏差變化率，將所述溫度偏差和所述溫度偏差變化率作為輸入變量，建立動態(tài)模糊規(guī)則映射關(guān)系，構(gòu)建溫度場控制的模糊規(guī)則庫；基于所述實時溫度數(shù)據(jù)與目標溫度的偏差的平方和，構(gòu)建溫度控制誤差指標，通過指數(shù)函數(shù)將所述溫度控制誤差指標轉(zhuǎn)換為抗體親和度值，所述指數(shù)函數(shù)包含控制選擇壓力的調(diào)節(jié)系數(shù)，根據(jù)所述抗體親和度值，將抗體群中的抗體個體按照由高到低排序；按照預設的克隆數(shù)量遞減規(guī)則，依次為每個抗體個體分配克隆數(shù)量，生成克隆抗體群，對所述克隆抗體群執(zhí)行高斯變異操作，所述高斯變異的變異步長與抗體親和度值呈反比關(guān)系，得到變異抗計算所述變異抗體群中各抗體個體的親和度值，按照預設的親合度選擇閾值，從所述變異抗體群中確定候選變異抗體個體，以及從初始抗體群中確定候選抗體個體，將候選變異抗體個體和候選候選抗體個體進行合并，生成新一代抗體群，同時在新一代抗體群中，按照預設數(shù)量引入隨機生成的新抗體個體；重復迭代生成新一代抗體群，直到達到預設的迭代次數(shù)，選擇最大的親和度值對應的抗體個體，確定最優(yōu)抗體個體，對所述最優(yōu)抗體個體進行解碼，得到最優(yōu)冷卻控制參數(shù)，調(diào)節(jié)壓鑄模具熱分布。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征4在壓鑄模具表面構(gòu)建溫度傳感器網(wǎng)格陣列，所述溫度傳感器網(wǎng)格陣列包含預設數(shù)量的溫度采集點，記錄溫度值、采集時間戳、空間坐標信息；基于溫度傳感器網(wǎng)格陣列以預設采樣頻率連續(xù)采集溫度數(shù)據(jù)，將所述溫度數(shù)據(jù)整理為時序數(shù)據(jù)集；計算所述時序數(shù)據(jù)集中相鄰溫度采集點之間的溫度梯度向量，計算熱流密度，根據(jù)溫度梯度向量與熱流密度，建立熱能傳遞映射關(guān)系；所述時序數(shù)據(jù)集進行傅里葉變換，獲得溫度場頻域特征，將溫度場頻域特征與溫度梯度向量組合，構(gòu)建第一映射特征向量；基于所述熱能傳遞映射關(guān)系計算熱傳導系數(shù)分布，將所述熱傳導系數(shù)分布與第一映射特征向量組合構(gòu)建第二映射特征向量；將所述第二映射特征向量按照溫度采集點的空間分布排列，構(gòu)建特征向量矩陣；基于所述溫度傳感器網(wǎng)格陣列的空間分布構(gòu)建圖結(jié)構(gòu)，將所述溫度采集點作為圖結(jié)構(gòu)節(jié)點，將所述熱傳導系數(shù)作為圖結(jié)構(gòu)邊權(quán)重；構(gòu)建無監(jiān)督對抗學習網(wǎng)絡，所述無監(jiān)督對抗學習網(wǎng)絡的生成器基于所述特征向量矩陣，生成模擬熱傳遞數(shù)據(jù)，對應的判別器將所述模擬熱傳遞數(shù)據(jù)與所述時序數(shù)據(jù)集進行對比訓練；基于所述圖結(jié)構(gòu)，計算節(jié)點間注意力權(quán)重系數(shù)，將所述注意力權(quán)重系數(shù)與所述熱能傳遞映射關(guān)系進行加權(quán)融合得到熱傳導權(quán)重；根據(jù)所述熱傳導權(quán)重對所述特征向量矩陣進行3.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型包括：基于時空關(guān)聯(lián)特征，提取并計算熱量空間擴散速率、熱量時間累積變化率、模具材料傳熱系數(shù)，組合構(gòu)建狀態(tài)變量向量；基于壓鑄模具的加熱功率參數(shù)與冷卻速率參數(shù)，生成控制變量向量；利用所述狀態(tài)變量向量與所述控制變量向量建立描述壓鑄模具內(nèi)部熱量傳遞規(guī)律的非線性狀態(tài)方程；將所述非線性狀態(tài)方程的求解參數(shù)轉(zhuǎn)換為量子態(tài)編碼，構(gòu)建包含量子位置基因與量子速度基因的初始粒子群，將所述初始粒子群的量子位置基因與量子速度基因代入所述非線性狀態(tài)方程，計算適應度值，基于適應度值確定初始粒子群的個體最優(yōu)解與全局最優(yōu)解；基于所述個體最優(yōu)解與所述全局最優(yōu)解，計算量子旋轉(zhuǎn)角度，基于量子旋轉(zhuǎn)角度，對所述量子位置基因進行量子旋轉(zhuǎn)門操作，獲得交叉后的量子位置基因，對所述量子速度基因進行量子非門操作，獲得變異后的量子速度基因；將所述交叉后的量子位置基因與所述變異后的量子速度基因組合構(gòu)建優(yōu)化粒子群；將所述優(yōu)化粒子群的量子位置基因與量子速度基因代入所述非線性狀態(tài)方程計算新適應度值，根據(jù)所述新適應度值更新個體最優(yōu)解與全局最優(yōu)解，重復迭代更新，直至新適應度值的變化率小于預設的收斂閾值，獲得最優(yōu)解；根據(jù)最優(yōu)解構(gòu)建壓鑄模具在離散時間序列下的溫度狀態(tài)轉(zhuǎn)移矩陣，基于溫度狀態(tài)轉(zhuǎn)移矩陣建立壓鑄模具各區(qū)域間的熱量傳遞響應函數(shù)，將溫度狀態(tài)轉(zhuǎn)移矩陣與所述熱量傳遞響應函數(shù)組合，構(gòu)建壓鑄模具熱分布的動態(tài)演化模型。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)包括：5將熱分布動態(tài)演化模型中的溫度狀態(tài)轉(zhuǎn)移矩陣轉(zhuǎn)換為特征圖，將熱分布動態(tài)演化模型中的熱量傳遞響應函數(shù)轉(zhuǎn)換為時間序列向量，對所述特征圖與所述時間序列向量進行歸一化處理，得到壓鑄模具溫度場預測器的輸入數(shù)據(jù)；構(gòu)建教師網(wǎng)絡與學生網(wǎng)絡構(gòu)成的知識蒸餾框架，所述教師網(wǎng)絡采用深度殘差網(wǎng)絡的結(jié)構(gòu)，所述學生網(wǎng)絡采用三層深度信念網(wǎng)絡的結(jié)構(gòu)，將所述輸入數(shù)據(jù)輸入教師網(wǎng)絡得到溫度場分布軟標簽，以所述溫度場分布軟標簽作為學生網(wǎng)絡的訓練目標，對學生網(wǎng)絡的每一層進行預訓練，采用對比散度算法訓練每一層的受限玻爾茲曼機，將訓練后的學生網(wǎng)絡作為壓鑄模具溫度場預測器的基礎網(wǎng)絡結(jié)構(gòu)，得到壓鑄模具溫度場預測器；將所述壓鑄模具溫度場預測器劃分為多個子預測器，每個所述子預測器負責各自獨立對應的區(qū)域的溫度預測，所述子預測器之間通過注意力機制建立信息傳遞通道；采用多智能體協(xié)同進化算法訓練所述子預測器，構(gòu)建包含局部預測誤差與預測一致性的適應度函數(shù)，基于所述適應度函數(shù)評估所述子預測器的預測性能，將所述預測性能作為進化指標，基于進化指標，優(yōu)化各子預測器的網(wǎng)絡參數(shù)，得到優(yōu)化后的溫度場預測性能指標；根據(jù)所述溫度場預測性能指標構(gòu)建壓鑄模具溫度場的分層優(yōu)化函數(shù)。5.基于能量模型的壓鑄模具熱平衡分布優(yōu)化系統(tǒng)，用于實現(xiàn)前述權(quán)利要求1-4中任一第一單元，用于采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征；基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型；第二單元，用于將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列；根據(jù)所述最優(yōu)溫度場控制序列建立壓鑄模具的分區(qū)域自適應控制策略；第三單元，用于將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制。處理器；用于存儲處理器可執(zhí)行指令的存儲器；其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行權(quán)利要求1至4中任意一項所述的方法。7.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至4中任意一項所述的方法。6技術(shù)領(lǐng)域[0001]本發(fā)明涉及壓鑄模具技術(shù)領(lǐng)域，尤其涉及一種基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法及系統(tǒng)。背景技術(shù)[0002]壓鑄成型是一種高效的金屬零件制造工藝，模具溫度場的均勻性和穩(wěn)定性直接影響壓鑄件的質(zhì)量。壓鑄模具的熱傳遞過程涉及復雜的熱-機耦合效應，包括模具各區(qū)域間的熱量傳導、對流換熱以及輻射換熱等多種傳熱方式。隨著壓鑄工藝要求不斷提高，對模具溫度場控制提出了更高要求，傳統(tǒng)的經(jīng)驗式溫度控制方法已難以滿足高質(zhì)量壓鑄件生產(chǎn)的需[0003]在現(xiàn)有技術(shù)中，壓鑄模具溫度場控制技術(shù)主要存在以下不足：傳統(tǒng)的熱力學模型過于簡化，導致熱能傳遞建模精度不足；缺乏對溫度場時空演化特征的有效提取和表征手段，難以準確描述模具各區(qū)域溫度變化的動態(tài)相互作用關(guān)系；難以處理多區(qū)域間的耦合關(guān)系，無法實現(xiàn)全局溫度場的均衡控制；采用固定的控制規(guī)則，缺乏自適應調(diào)節(jié)能力，難以應對生產(chǎn)過程中的工藝波動和不確定性干擾。[0004]綜上所述，針對現(xiàn)有技術(shù)存在的問題，亟需一種基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法，實現(xiàn)壓鑄模具熱能傳遞過程的精確建模，提供溫度場時空特征的有效提取方法，實現(xiàn)多區(qū)域溫度場的協(xié)同優(yōu)化控制，建立具有自適應能力的實時控制策略，本發(fā)明能夠解決現(xiàn)有技術(shù)中的問題。發(fā)明內(nèi)容[0005]本發(fā)明實施例提供一種基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。[0006]本發(fā)明實施例的第一方面，[0007]提供一種基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法，包括：[0008]采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征；基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型；[0009]將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列；根據(jù)所述最優(yōu)溫度場控制序列建立壓鑄模具的分區(qū)域自適應控制策略；[0010]將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫7度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化[0012]采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征包括：[0013]在壓鑄模具表面構(gòu)建溫度傳感器網(wǎng)格陣列，所述溫度傳感器網(wǎng)格陣列包含預設數(shù)量的溫度采集點，記錄溫度值、采集時間戳、空間坐標信息；基于溫度傳感器網(wǎng)格陣列以預設采樣頻率連續(xù)采集溫度數(shù)據(jù)，將所述溫度數(shù)據(jù)整理為時序數(shù)據(jù)集；計算所述時序數(shù)據(jù)集中相鄰溫度采集點之間的溫度梯度向量，計算熱流密度，根據(jù)溫度梯度向量與熱流密度，建立熱能傳遞映射關(guān)系；[0014]所述時序數(shù)據(jù)集進行傅里葉變換，獲得溫度場頻域特征，將溫度場頻域特征與溫度梯度向量組合，構(gòu)建第一映射特征向量；基于所述熱能傳遞映射關(guān)系計算熱傳導系數(shù)分布，將所述熱傳導系數(shù)分布與第一映射特征向量組合構(gòu)建第二映射特征向量；將所述第二映射特征向量按照溫度采集點的空間分布排列，構(gòu)建特征向量矩陣；[0015]基于所述溫度傳感器網(wǎng)格陣列的空間分布構(gòu)建圖結(jié)構(gòu)，將所述溫度采集點作為圖結(jié)構(gòu)節(jié)點，將所述熱傳導系數(shù)矩陣作為圖結(jié)構(gòu)邊權(quán)重；構(gòu)建無監(jiān)督對抗學習網(wǎng)絡，所述無監(jiān)督對抗學習網(wǎng)絡的生成器基于所述特征向量矩陣，生成模擬熱傳遞數(shù)據(jù)，對應的判別器將所述模擬熱傳遞數(shù)據(jù)與所述時序數(shù)據(jù)集進行對比訓練；[0016]基于所述圖結(jié)構(gòu)，計算節(jié)點間注意力權(quán)重系數(shù)，將所述注意力權(quán)重系數(shù)與所述熱能傳遞映射關(guān)系進行加權(quán)融合得到熱傳導權(quán)重；根據(jù)所述熱傳導權(quán)重對所述特征向量矩陣[0018]基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型包[0019]基于時空關(guān)聯(lián)特征，提取并計算熱量空間擴散速率、熱量時間累積變化率、模具材料傳熱系數(shù)，組合構(gòu)建狀態(tài)變量向量；基于壓鑄模具的加熱功率參數(shù)與冷卻速率參數(shù)，生成控制變量向量；利用所述狀態(tài)變量向量與所述控制變量向量建立描述壓鑄模具內(nèi)部熱量傳遞規(guī)律的非線性狀態(tài)方程；[0020]將所述非線性狀態(tài)方程的求解參數(shù)轉(zhuǎn)換為量子態(tài)編碼，構(gòu)建包含量子位置基因與量子速度基因的初始粒子群，將所述初始粒子群的量子位置基因與量子速度基因代入所述非線性狀態(tài)方程，計算適應度值，基于適應度值確定初始粒子群的個體最優(yōu)解與全局最優(yōu)[0021]基于所述個體最優(yōu)解與所述全局最優(yōu)解，計算量子旋轉(zhuǎn)角度，基于量子旋轉(zhuǎn)角度，對所述量子位置基因進行量子旋轉(zhuǎn)門操作，獲得交叉后的量子位置基因，對所述量子速度基因進行量子非門操作，獲得變異后的量子速度基因；將所述交叉后的量子位置基因與所8述變異后的量子速度基因組合構(gòu)建優(yōu)化粒子群；[0022]將所述優(yōu)化粒子群的量子位置基因與量子速度基因代入所述非線性狀態(tài)方程計算新適應度值，根據(jù)所述新適應度值更新個體最優(yōu)解與全局最優(yōu)解，重復迭代更新，直至新適應度值的變化率小于預設的收斂閾值，獲得最優(yōu)解；[0023]根據(jù)最優(yōu)解構(gòu)建壓鑄模具在離散時間序列下的溫度狀態(tài)轉(zhuǎn)移矩陣，基于溫度狀態(tài)轉(zhuǎn)移矩陣建立壓鑄模具各區(qū)域間的熱量傳遞響應函數(shù)，將溫度狀態(tài)轉(zhuǎn)移矩陣與所述熱量傳遞響應函數(shù)組合，構(gòu)建壓鑄模具熱分布的動態(tài)演化模型。[0024]在一種可選的實施例中，[0025]將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)包括：[0026]將熱分布動態(tài)演化模型中的溫度狀態(tài)轉(zhuǎn)移矩陣轉(zhuǎn)換為特征圖，將熱分布動態(tài)演化模型中的熱量傳遞響應函數(shù)轉(zhuǎn)換為時間序列向量，對所述特征圖與所述時間序列向量進行歸一化處理，得到壓鑄模具溫度場預測器的輸入數(shù)據(jù)；[0027]構(gòu)建教師網(wǎng)絡與學生網(wǎng)絡構(gòu)成的知識蒸餾框架，所述教師網(wǎng)絡采用深度殘差網(wǎng)絡的結(jié)構(gòu)，所述學生網(wǎng)絡采用三層深度信念網(wǎng)絡的結(jié)構(gòu)，將所述輸入數(shù)據(jù)輸入教師網(wǎng)絡得到溫度場分布軟標簽，以所述溫度場分布軟標簽作為學生網(wǎng)絡的訓練目標，對學生網(wǎng)絡的每一層進行預訓練，采用對比散度算法訓練每一層的受限玻爾茲曼機，將訓練后的學生網(wǎng)絡作為壓鑄模具溫度場預測器的基礎網(wǎng)絡結(jié)構(gòu)，得到壓鑄模具溫度場預測器；[0028]將所述壓鑄模具溫度場預測器劃分為多個子預測器，每個所述子預測器負責各自獨立對應的區(qū)域的溫度預測，所述子預測器之間通過注意力機制建立信息傳遞通道；采用多智能體協(xié)同進化算法訓練所述子預測器，構(gòu)建包含局部預測誤差與預測一致性的適應度函數(shù)，基于所述適應度函數(shù)評估所述子預測器的預測性能，將所述預測性能作為進化指標，基于進化指標，優(yōu)化各子預測器的網(wǎng)絡參數(shù)，得到優(yōu)化后的溫度場預測性能指標；根據(jù)所述溫度場預測性能指標構(gòu)建壓鑄模具溫度場的分層優(yōu)化函數(shù)。[0029]在一種可選的實施例中，[0030]基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列包括：[0031]基于壓所述分層優(yōu)化函數(shù)構(gòu)建鑄模具的溫度場優(yōu)化策略網(wǎng)絡，將所述溫度場優(yōu)化策略網(wǎng)絡劃分為溫度場均勻性層、冷卻效率層和能耗控制層，確定評價指標函數(shù)；[0032]初始化螞蟻群體位置，將壓鑄模具的溫度場控制參數(shù)編碼為螞蟻位置信息，確定溫度場控制序列，將每只螞蟻位置對應的溫度場控制序列輸入所述溫度場優(yōu)化策略網(wǎng)絡，通過評價指標函數(shù)，計算路徑評價值，根據(jù)所述路徑評價值更新路徑上的信息素濃度，其中信息素增量與路徑評價值呈正相關(guān)；[0033]構(gòu)建動態(tài)禁忌表，記錄已搜索的溫度場控制序列，計算新生成的溫度場控制序列與禁忌表中溫度場控制序列的相似度，將相似度高于預設閾值的溫度場控制序列加入所述動態(tài)禁忌表；[0034]基于路徑上的信息素濃度和所述動態(tài)禁忌表，計算狀態(tài)轉(zhuǎn)移概率，引導螞蟻群體的搜索方向；9[0035]在每只螞蟻當前位置附近，構(gòu)建變鄰域搜索結(jié)構(gòu)，所述變鄰域搜索結(jié)構(gòu)包括單參數(shù)調(diào)整空間和多參數(shù)聯(lián)動調(diào)整空間，分別對溫度場控制序列中的參數(shù)進行獨立調(diào)整和組合調(diào)整；將變鄰域搜索結(jié)構(gòu)中生成的溫度場控制序列對應的候選解，輸入所述溫度場優(yōu)化策略網(wǎng)絡，計算各候選解的路徑評價值，選擇路徑評價值最高的溫度場控制序列，更新螞蟻位[0036]重復迭代，直至達到預設的最大迭代次數(shù)，得到最優(yōu)溫度場控制序列。[0037]在一種可選的實施例中，[0038]將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制包括：[0039]將分區(qū)域自適應控制策略輸入熱分布動態(tài)演化模型，基于能量守恒定律建立壓鑄模具的溫度場狀態(tài)方程，采用卡爾曼濾波算法對所述溫度場狀態(tài)方程進行狀態(tài)估計，通過狀態(tài)估計誤差協(xié)方差矩陣和卡爾曼增益矩陣迭代更新獲取壓鑄模具的溫度場響應特性；[0040]根據(jù)所述溫度場響應特性構(gòu)建基于深度強化學習的溫度場控制器，所述溫度場控制器采用雙重網(wǎng)絡架構(gòu)，包括生成控制動作的策略網(wǎng)絡和評估狀態(tài)價值的價值網(wǎng)絡；所述策略網(wǎng)絡和所述價值網(wǎng)絡的狀態(tài)空間包含當前溫度分布、溫度變化率和控制輸入歷史，動作空間包含各區(qū)域的控制參數(shù)調(diào)整量；采用優(yōu)勢演員-評論家算法對所述策略網(wǎng)絡和所述價值網(wǎng)絡進行訓練，基于溫度均勻值和控制穩(wěn)定值構(gòu)建即時獎勵函數(shù)，通過策略損失函數(shù)和價值損失函數(shù)的優(yōu)化，獲取壓鑄模具的溫度場變化參數(shù)；[0041]將所述溫度場變化參數(shù)輸入溫度場預測器進行在線修正，根據(jù)修正后的預測結(jié)果構(gòu)建動態(tài)模糊規(guī)則庫，基于溫度偏差和溫度變化率設計模糊控制規(guī)則；采用動態(tài)模糊免疫優(yōu)化算法生成冷卻參數(shù)調(diào)整策略集合，將所述調(diào)整策略集合構(gòu)建為抗體群，并基于溫度控制的誤差計算抗體親和度，通過克隆變異操作，優(yōu)化所述抗體群，最終得到最優(yōu)冷卻控制參[0043]采用動態(tài)模糊免疫優(yōu)化算法生成冷卻參數(shù)調(diào)整策略集合，將所述調(diào)整策略集合構(gòu)建為抗體群，并基于溫度控制的誤差計算抗體親和度，通過克隆變異操作，優(yōu)化所述抗體群，最終得到最優(yōu)冷卻控制參數(shù)，智能調(diào)節(jié)壓鑄模具熱分布包括：[0044]獲取壓鑄模具的冷卻控制參數(shù)，將所述冷卻控制參數(shù)編碼生成初始抗體群，每個抗體個體包含與所述冷卻控制參數(shù)對應的參數(shù)向量；[0045]采集壓鑄模具各測點的實時溫度數(shù)據(jù)，根據(jù)所述實時溫度數(shù)據(jù)計算溫度偏差和溫度偏差變化率，將所述溫度偏差和所述溫度偏差變化率作為輸入變量，建立動態(tài)模糊規(guī)則映射關(guān)系，構(gòu)建溫度場控制的模糊規(guī)則庫；[0046]基于所述實時溫度數(shù)據(jù)與目標溫度的偏差的平方和，構(gòu)建溫度控制誤差指標，通過指數(shù)函數(shù)將所述溫度控制誤差指標轉(zhuǎn)換為抗體親和度值，所述指數(shù)函數(shù)包含控制選擇壓力的調(diào)節(jié)系數(shù)，根據(jù)所述抗體親和度值，將抗體群中的抗體個體按照由高到低排序；按照預設的克隆數(shù)量遞減規(guī)則，依次為每個抗體個體分配克隆數(shù)量，生成克隆抗體群，對所述克隆抗體群執(zhí)行高斯變異操作，所述高斯變異的變異步長與抗體親和度值呈反比關(guān)系，得到變異抗體群；[0047]計算所述變異抗體群中各抗體個體的親和度值，按照預設的親合度選擇閾值，從所述變異抗體群中確定候選變異抗體個體，以及從初始抗體群中確定候選抗體個體，將候選變異抗體個體和候選候選抗體個體進行合并，生成新一代抗體群，同時在新一代抗體群中，按照預設數(shù)量引入隨機生成的新抗體個體；[0048]重復迭代生成新一代抗體群，直到達到預設的迭代次數(shù)，選擇最大的親和度值對應的抗體個體，確定最優(yōu)抗體個體，對所述最優(yōu)抗體個體進行解碼，得到最優(yōu)冷卻控制參[0049]本發(fā)明實施例的第二方面，[0050]提供一種基于能量模型的壓鑄模具熱平衡分布優(yōu)化系統(tǒng)，包括：[0051]第一單元，用于采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征；基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型；[0052]第二單元，用于將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列；根據(jù)所述最優(yōu)溫度場控制序列建立壓鑄模具的分區(qū)域自適應控制策略；[0053]第三單元，用于將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制。[0054]本發(fā)明實施例的第三方面，[0057]用于存儲處理器可執(zhí)行指令的存儲器；[0058]其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。[0059]本發(fā)明實施例的第四方面，[0060]提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。[0061]在本發(fā)明實施例中，通過時空關(guān)聯(lián)特征提取和非線性建模，能更準確地預測熱分布情況；動態(tài)演化模型描述了熱分布的時空變化，使系統(tǒng)在控制策略調(diào)整時更具適應性；模型支持溫度場精準控制，減少能耗，延長模具壽命，提升生產(chǎn)效率；通過基于知識蒸餾的深度信念網(wǎng)絡構(gòu)建溫度場預測器，能更精確預測模具溫度場的動態(tài)變化；通過多智能體協(xié)同進化算法和分層優(yōu)化函數(shù)，對溫度場優(yōu)化策略網(wǎng)絡進行訓練，提升溫度控制的精確性和適11應性；采用自適應蟻群禁忌搜索算法生成最優(yōu)溫度控制序列，并據(jù)此制定分區(qū)域自適應控制策略，實現(xiàn)模具的精準熱管理，進一步提升壓鑄質(zhì)量；實時監(jiān)測與反饋調(diào)整，顯著提升了對模具溫度場的控制精度，確保了溫度在各區(qū)域的均勻分布，有效避免了熱不均勻?qū)е碌哪＞邠p耗和產(chǎn)品缺陷；溫度場響應特性與實時數(shù)據(jù)輸入預測器的修正功能，使控制系統(tǒng)能夠適應壓鑄過程中的溫度變化，提高了系統(tǒng)對波動的響應速度和魯棒性；動態(tài)模糊免疫優(yōu)化算法根據(jù)實時數(shù)據(jù)自動調(diào)整冷卻控制參數(shù)，實現(xiàn)冷卻過程的智能化和高效化，減少冷卻時間與能耗。附圖說明[0062]圖1為本發(fā)明實施例基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法的流程示意[0063]圖2為本發(fā)明實施例基于能量模型的壓鑄模具熱平衡分布優(yōu)化系統(tǒng)的結(jié)構(gòu)示意具體實施方式[0064]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。[0065]下面以具體地實施例對本發(fā)明的技術(shù)方案進行詳細說明。下面這幾個具體的實施例可以相互結(jié)合，對于相同或相似的概念或過程可能在某些實施例不再贅述。[0066]圖1為本發(fā)明實施例基于能量模型的壓鑄模具熱平衡分布優(yōu)化方法的流程示意[0067]S101.采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征；基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型；[0068]采集壓鑄模具表面和內(nèi)部的熱分布數(shù)據(jù)，捕捉模具在不同工作狀態(tài)下的溫度變化信息，確保數(shù)據(jù)的完整性和準確性；根據(jù)采集的熱分布數(shù)據(jù)，建立熱能在模具內(nèi)外傳遞的映射關(guān)系，描述熱流和溫度在不同區(qū)域的傳遞規(guī)律；將熱能傳遞映射關(guān)系進行數(shù)學建模，轉(zhuǎn)換為特征向量矩陣，以便能有效輸入到后續(xù)的特征提取網(wǎng)絡中。[0069]將特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡，提取時空關(guān)聯(lián)特征，捕捉模具熱分布的動態(tài)變化和區(qū)域間的關(guān)聯(lián)性；基于提取到的時空關(guān)聯(lián)特征，建立一個非線性狀態(tài)方程，描述模具在不同時間和區(qū)域的熱分布狀態(tài)，以便后續(xù)求解和預測；采用混合粒子群量子遺傳算法求解該非線性狀態(tài)方程，以便構(gòu)建動態(tài)演化模型，精確描述模具熱分布隨時間的變化情況；構(gòu)建熱分布動態(tài)演化模型：利用求解結(jié)果構(gòu)建熱分布動態(tài)演化模型，全面描述模具內(nèi)部熱分布的時空變化規(guī)律，為后續(xù)的溫度控制策略提供依據(jù)。[0070]在本實施例中，通過時空關(guān)聯(lián)特征提取和非線性建模，能更準確地預測熱分布情況；動態(tài)演化模型描述了熱分布的時空變化，使系統(tǒng)在控制策略調(diào)整時更具適應性；模型支[0071]在一種可選的實施例中，采集壓鑄模具熱分布數(shù)據(jù)，建立壓鑄模具的熱能傳遞映射關(guān)系，將所述熱能傳遞映射關(guān)系轉(zhuǎn)換為特征向量矩陣，將所述特征向量矩陣輸入基于無監(jiān)督對抗學習的圖注意力網(wǎng)絡進行特征提取，獲得壓鑄模具的時空關(guān)聯(lián)特征包括：[0072]在壓鑄模具表面構(gòu)建溫度傳感器網(wǎng)格陣列，所述溫度傳感器網(wǎng)格陣列包含預設數(shù)量的溫度采集點，記錄溫度值、采集時間戳、空間坐標信息；基于溫度傳感器網(wǎng)格陣列以預設采樣頻率連續(xù)采集溫度數(shù)據(jù)，將所述溫度數(shù)據(jù)整理為時序數(shù)據(jù)集；計算所述時序數(shù)據(jù)集中相鄰溫度采集點之間的溫度梯度向量，計算熱流密度，根據(jù)溫度梯度向量與熱流密度，建立熱能傳遞映射關(guān)系；[0073]所述時序數(shù)據(jù)集進行傅里葉變換，獲得溫度場頻域特征，將溫度場頻域特征與溫度梯度向量組合，構(gòu)建第一映射特征向量；基于所述熱能傳遞映射關(guān)系計算熱傳導系數(shù)分布，將所述熱傳導系數(shù)分布與第一映射特征向量組合構(gòu)建第二映射特征向量；將所述第二映射特征向量按照溫度采集點的空間分布排列，構(gòu)建特征向量矩陣；[0074]基于所述溫度傳感器網(wǎng)格陣列的空間分布構(gòu)建圖結(jié)構(gòu)，將所述溫度采集點作為圖結(jié)構(gòu)節(jié)點，將所述熱傳導系數(shù)矩陣作為圖結(jié)構(gòu)邊權(quán)重；構(gòu)建無監(jiān)督對抗學習網(wǎng)絡，所述無監(jiān)督對抗學習網(wǎng)絡的生成器基于所述特征向量矩陣，生成模擬熱傳遞數(shù)據(jù)，對應的判別器將所述模擬熱傳遞數(shù)據(jù)與所述時序數(shù)據(jù)集進行對比訓練；[0075]基于所述圖結(jié)構(gòu)，計算節(jié)點間注意力權(quán)重系數(shù)，將所述注意力權(quán)重系數(shù)與所述熱能傳遞映射關(guān)系進行加權(quán)融合得到熱傳導權(quán)重；根據(jù)所述熱傳導權(quán)重對所述特征向量矩陣[0076]具體地，在壓鑄模具表面構(gòu)建溫度傳感器網(wǎng)格陣列，所述溫度傳感器網(wǎng)格陣列采用12x12的矩陣布局方式，相鄰傳感器間距為50毫米，每個傳感器節(jié)點包含溫度采集單元、時間同步單元和三維坐標定位單元。溫度采集單元的測量范圍為0-800攝氏度，測量精度為±0.1攝氏度；時間同步單元記錄毫秒級時間戳；三維坐標定位單元記錄傳感器在模具表面的空間位置坐標，坐標精度為0.1毫米。[0077]以100赫茲的采樣頻率連續(xù)采集溫度數(shù)據(jù)，每個傳感器節(jié)點在一個壓鑄周期內(nèi)采集1000個溫度數(shù)據(jù)點，形成包含時間戳、空間坐標、溫度值的多維時序數(shù)據(jù)集。對相鄰溫度采集點之間的溫度差值進行計算，獲得x方向、y方向的溫度梯度分量，結(jié)合傳感器間距得到溫度梯度向量。基于溫度梯度向量計算熱流密度，通過溫度梯度向量與熱流密度的比值關(guān)系建立熱能傳遞映射函數(shù)。[0078]對時序數(shù)據(jù)集進行快速傅里葉變換處理，提取溫度場的頻域特征，包含主頻分量、諧波分量、相位信息。將頻域特征與溫度梯度向量按照傳感器節(jié)點位置一一對應，構(gòu)建144維的第一映射特征向量?；跓崮軅鬟f映射函數(shù)計算得到144x144的熱傳導系數(shù)分布矩陣，將熱傳導系數(shù)分布矩陣與第一映射特征向量組合，構(gòu)建包含熱傳導特性的第二映射特征向量。按照溫度傳感器的12x12空間分布將第二映射特征向量重排，形成特征向量矩陣。[0079]以溫度傳感器網(wǎng)格陣列為基礎構(gòu)建圖結(jié)構(gòu)，144個傳感器節(jié)點作為圖的頂點，相鄰節(jié)點之間建立連接邊，邊的權(quán)重設置為對應的熱傳導系數(shù)。構(gòu)建包含生成器和判別器的對抗學習網(wǎng)絡架構(gòu)，生成器輸入特征向量矩陣，通過多層卷積神經(jīng)網(wǎng)絡生成模擬的熱傳遞數(shù)據(jù)序列，判別器將生成的模擬數(shù)據(jù)與實際采集的時序數(shù)據(jù)集進行對比，計算判別損失并反向傳播優(yōu)化網(wǎng)絡參數(shù)。[0080]在圖結(jié)構(gòu)中，計算每對相連節(jié)點之間的注意力得分，得到144x144的注意力權(quán)重系數(shù)矩陣。將注意力權(quán)重系數(shù)與熱能傳遞映射函數(shù)進行加權(quán)組合，權(quán)重系數(shù)為0.6和0.4,得到綜合的熱傳導權(quán)重。利用熱傳導權(quán)重對特征向量矩陣中的每個元素進行加權(quán)重構(gòu)，生成融合時間演化特征和空間關(guān)聯(lián)特征的時空特征表示。[0081]在實際應用中，對于典型的壓鑄模具，單個壓鑄周期為30秒，采集得到144x1000的溫度時序數(shù)據(jù)矩陣。經(jīng)過傅里葉變換后得到主頻成分為0.033赫茲，包含3-5個顯著諧波分量。溫度梯度向量的幅值范圍為0.5-2.0攝氏度/毫米，熱流密度的數(shù)值范圍為50-200千瓦/平方米。最終重構(gòu)的時空特征能夠準確表征壓鑄過程中的溫度場動態(tài)演化規(guī)律，為模具溫度場精確控制提供依據(jù)。[0082]在本實施例中，傳感器網(wǎng)格陣列和高精度數(shù)據(jù)采集確保了溫度場的細致監(jiān)測，捕捉壓鑄模具表面溫度的細微變化；通過溫度梯度與熱流密度的計算，準確建立了熱能傳遞映射，提升了溫度場模型的準確性；頻域分析和對抗學習網(wǎng)絡結(jié)合圖注意力機制，生成時空特征表示，有助于更深入理解溫度場在時間和空間上的動態(tài)變化；生成的高維特征向量矩陣提供了全面的時空特征，為溫度場的精確控制和調(diào)節(jié)提供了重要參考依據(jù)，改善模具質(zhì)量并延長模具壽命；通過快速傅里葉變換和特征向量重排，系統(tǒng)能夠高效處理大量溫度數(shù)[0083]在一種可選的實施例中，基于所述時空關(guān)聯(lián)特征建立壓鑄模具熱分布的非線性狀態(tài)方程，采用混合粒子群量子遺傳算法對所述非線性狀態(tài)方程進行求解，構(gòu)建壓鑄模具的熱分布動態(tài)演化模型包括：[0084]基于時空關(guān)聯(lián)特征，提取并計算熱量空間擴散速率、熱量時間累積變化率、模具材料傳熱系數(shù)，組合構(gòu)建狀態(tài)變量向量；基于壓鑄模具的加熱功率參數(shù)與冷卻速率參數(shù)，生成控制變量向量；利用所述狀態(tài)變量向量與所述控制變量向量建立描述壓鑄模具內(nèi)部熱量傳遞規(guī)律的非線性狀態(tài)方程；[0085]將所述非線性狀態(tài)方程的求解參數(shù)轉(zhuǎn)換為量子態(tài)編碼，構(gòu)建包含量子位置基因與量子速度基因的初始粒子群，將所述初始粒子群的量子位置基因與量子速度基因代入所述非線性狀態(tài)方程，計算適應度值，基于適應度值確定初始粒子群的個體最優(yōu)解與全局最優(yōu)[0086]基于所述個體最優(yōu)解與所述全局最優(yōu)解，計算量子旋轉(zhuǎn)角度，基于量子旋轉(zhuǎn)角度，對所述量子位置基因進行量子旋轉(zhuǎn)門操作，獲得交叉后的量子位置基因，對所述量子速度基因進行量子非門操作，獲得變異后的量子速度基因；將所述交叉后的量子位置基因與所述變異后的量子速度基因組合構(gòu)建優(yōu)化粒子群；[0087]將所述優(yōu)化粒子群的量子位置基因與量子速度基因代入所述非線性狀態(tài)方程計算新適應度值，根據(jù)所述新適應度值更新個體最優(yōu)解與全局最優(yōu)解，重復迭代更新，直至新適應度值的變化率小于預設的收斂閾值，獲得最優(yōu)解；[0088]根據(jù)最優(yōu)解構(gòu)建壓鑄模具在離散時間序列下的溫度狀態(tài)轉(zhuǎn)移矩陣，基于溫度狀態(tài)轉(zhuǎn)移矩陣建立壓鑄模具各區(qū)域間的熱量傳遞響應函數(shù)，將溫度狀態(tài)轉(zhuǎn)移矩陣與所述熱量傳遞響應函數(shù)組合，構(gòu)建壓鑄模具熱分布的動態(tài)演化模型。[0089]從時空關(guān)聯(lián)特征中提取熱量傳遞特性參數(shù)，包括熱量空間擴散速率、熱量時間累積變化率和模具材料傳熱系數(shù)。熱量空間擴散速率反映熱量在模具各區(qū)域間的傳播快慢，取值范圍為0.5-2.0米/秒；熱量時間累積變化率表征單位時間內(nèi)的熱量積累程度，取值范圍為20-100千焦/秒；模具材料傳熱系數(shù)描述材料導熱性能，典型值為30-50瓦/米·開。將這三個參數(shù)組合構(gòu)成一個九維狀態(tài)變量向量，用于表征模具的熱力學狀態(tài)。[0090]獲取壓鑄模具的工藝控制參數(shù)，包括加熱功率參數(shù)與冷卻速率參數(shù)。加熱功率參數(shù)包含加熱器功率、加熱時間、加熱區(qū)域分布，功率范圍為10-50千瓦，加熱時間為5-15秒；冷卻速率參數(shù)包含冷卻介質(zhì)流量、冷卻通道尺寸、冷卻時間，流量范圍為10-30升/分鐘，冷卻時間為10-30秒。將這些參數(shù)整合為六維控制變量向量?；跔顟B(tài)變量向量與控制變量向量，建立描述壓鑄模具內(nèi)部熱量傳遞規(guī)律的非線性狀態(tài)方程。[0091]采用量子編碼方式表示非線性狀態(tài)方程的求解參數(shù)，每個參數(shù)用8位量子比特編碼。構(gòu)建包含100個粒子的初始粒子群，每個粒子包含量子位置基因和量子速度基因。量子位置基因表示參數(shù)取值，量子速度基因表示參數(shù)變化方向和步長。將初始粒子群的基因信息代入非線性狀態(tài)方程，計算每個粒子的適應度值，適應度值采用溫度場預測誤差的倒數(shù)?；谶m應度值確定每個粒子的個體歷史最優(yōu)位置和整個群體的全局最優(yōu)位置。[0092]根據(jù)個體最優(yōu)位置與全局最優(yōu)位置之間的差異，計算量子旋轉(zhuǎn)角度，角度范圍為0.01π到0.05π。對量子位置基因執(zhí)行量子旋轉(zhuǎn)門操作，通過調(diào)整量子比特的相位實現(xiàn)基因交叉；對量子速度基因執(zhí)行量子非門操作，通過翻轉(zhuǎn)量子比特實現(xiàn)基因變異。將交叉后的量子位置基因與變異后的量子速度基因重新組合，構(gòu)建優(yōu)化后的粒子群。[0093]將優(yōu)化粒子群的基因信息代入非線性狀態(tài)方程計算新的適應度值，更新個體最優(yōu)位置和全局最優(yōu)位置。當連續(xù)50代迭代中適應度值的相對變化率小于0.1%時，認為優(yōu)化過程收斂，獲得最優(yōu)解。典型優(yōu)化過程需要200-300代迭代才能收斂。[0094]基于最優(yōu)解構(gòu)建100x100的溫度狀態(tài)轉(zhuǎn)移矩陣，矩陣元素表示相鄰時刻模具各區(qū)域間的溫度傳遞關(guān)系。溫度狀態(tài)轉(zhuǎn)移矩陣的特征值分布范圍為0.85-1.15,反映系統(tǒng)的穩(wěn)定性。利用溫度狀態(tài)轉(zhuǎn)移矩陣建立各區(qū)域間的熱量傳遞響應函數(shù)，響應函數(shù)的上升時間為1-3秒，調(diào)節(jié)時間為5-8秒。將溫度狀態(tài)轉(zhuǎn)移矩陣與熱量傳遞響應函數(shù)組合，得到能夠準確預測壓鑄模具溫度場動態(tài)演化的數(shù)學模型。[0095]在實際應用驗證中，該模型對模具溫度場的預測誤差小于3%,能夠有效捕捉熱量傳遞的動態(tài)特性，為實現(xiàn)精確的溫度場控制提供可靠的理論依據(jù)。模型預測的溫度場分布與實際測量結(jié)果具有良好的一致性，驗證了建模方法的有效性和實用性。[0096]在本實施例中，通過量子編碼優(yōu)化和溫度狀態(tài)轉(zhuǎn)移矩陣的應用，模型的溫度場預測誤差小于3%,保證了預測結(jié)果的準確性；提取熱量空間擴散速率、時間累積變化率和材料傳熱系數(shù)等關(guān)鍵參數(shù)，模型能夠有效表征模具內(nèi)熱量的時空傳遞規(guī)律；采用量子旋轉(zhuǎn)門和量子非門操作優(yōu)化粒子群，提升求解效率，使優(yōu)化在200-300代內(nèi)即可實現(xiàn)收斂；溫度狀態(tài)轉(zhuǎn)移矩陣和熱量傳遞響應函數(shù)反映了系統(tǒng)穩(wěn)定性，為區(qū)域間熱量傳遞提供了平穩(wěn)響應，有助于保持壓鑄過程中溫度分布的均勻；模型能夠預測溫度場的動態(tài)演化過程，為壓鑄模具的溫度場精確控制提供了可靠依據(jù)，有效提升模具的加工質(zhì)量和壽命。[0097]S102.將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)；基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列；根據(jù)所述最優(yōu)溫度場控制序列建立壓鑄模具的分區(qū)域自適應控制策略；[0098]在本實施例中，通過基于知識蒸餾的深度信念網(wǎng)絡構(gòu)建溫度場預測器，能更精確預測模具溫度場的動態(tài)變化；通過多智能體協(xié)同進化算法和分層優(yōu)化函數(shù)，對溫度場優(yōu)化策略網(wǎng)絡進行訓練，提升溫度控制的精確性和適應性；采用自適應蟻群禁忌搜索算法生成最優(yōu)溫度控制序列，并據(jù)此制定分區(qū)域自適應控制策略，實現(xiàn)模具的精準熱管理，進一步提升壓鑄質(zhì)量；分區(qū)域控制減少了溫度調(diào)節(jié)響應時間，有助于快速適應壓鑄過程中溫度變化，提高生產(chǎn)效率和模具壽命。[0099]在一種可選的實施例中，將所述熱分布動態(tài)演化模型輸入基于知識蒸餾的深度信念網(wǎng)絡，構(gòu)建壓鑄模具溫度場預測器；采用多智能體協(xié)同進化算法對所述溫度場預測器進行訓練，確定壓鑄模具溫度場的分層優(yōu)化函數(shù)包括：[0100]將熱分布動態(tài)演化模型中的溫度狀態(tài)轉(zhuǎn)移矩陣轉(zhuǎn)換為特征圖，將熱分布動態(tài)演化模型中的熱量傳遞響應函數(shù)轉(zhuǎn)換為時間序列向量，對所述特征圖與所述時間序列向量進行歸一化處理，得到壓鑄模具溫度場預測器的輸入數(shù)據(jù)；[0101]構(gòu)建教師網(wǎng)絡與學生網(wǎng)絡構(gòu)成的知識蒸餾框架，所述教師網(wǎng)絡采用深度殘差網(wǎng)絡的結(jié)構(gòu)，所述學生網(wǎng)絡采用三層深度信念網(wǎng)絡的結(jié)構(gòu)，將所述輸入數(shù)據(jù)輸入教師網(wǎng)絡得到溫度場分布軟標簽，以所述溫度場分布軟標簽作為學生網(wǎng)絡的訓練目標，對學生網(wǎng)絡的每一層進行預訓練，采用對比散度算法訓練每一層的受限玻爾茲曼機，將訓練后的學生網(wǎng)絡作為壓鑄模具溫度場預測器的基礎網(wǎng)絡結(jié)構(gòu)，得到壓鑄模具溫度場預測器；[0102]將所述壓鑄模具溫度場預測器劃分為多個子預測器，每個所述子預測器負責各自獨立對應的區(qū)域的溫度預測，所述子預測器之間通過注意力機制建立信息傳遞通道；采用多智能體協(xié)同進化算法訓練所述子預測器，構(gòu)建包含局部預測誤差與預測一致性的適應度函數(shù)，基于所述適應度函數(shù)評估所述子預測器的預測性能，將所述預測性能作為進化指標，基于進化指標，優(yōu)化各子預測器的網(wǎng)絡參數(shù)，得到優(yōu)化后的溫度場預測性能指標；根據(jù)所述溫度場預測性能指標構(gòu)建壓鑄模具溫度場的分層優(yōu)化函數(shù)。[0103]具體地，對熱分布動態(tài)演化模型中的100x100溫度狀態(tài)轉(zhuǎn)移矩陣進行處理，通過卷積操作將其轉(zhuǎn)換為64通道的特征圖，每個通道的尺寸為32x32.將熱量傳遞響應函數(shù)在時間維度上采樣為1000個點，構(gòu)成時間序列向量。對特征圖和時間序列向量進行最大最小值歸一化處理，將數(shù)值范圍統(tǒng)一縮放到0到1之間，作為溫度場預測器的標準化輸入數(shù)據(jù)。[0104]構(gòu)建基于知識蒸餾框架的溫度場預測網(wǎng)絡，其中教師網(wǎng)絡采用50層深度殘差網(wǎng)絡結(jié)構(gòu)，包含5個殘差塊，每個殘差塊包含10層卷積層，卷積核大小為3x3,通道數(shù)從64遞增至512。學生網(wǎng)絡采用三層深度信念網(wǎng)絡結(jié)構(gòu)，第一層包含1024個神經(jīng)元，第二層包含512個神經(jīng)元，第三層包含256個神經(jīng)元。將歸一化后的輸入數(shù)據(jù)送入教師網(wǎng)絡，得到溫度場分布的軟標簽預測結(jié)果。[0105]對學生網(wǎng)絡采用逐層預訓練策略，每一層都構(gòu)建受限玻爾茲曼機結(jié)構(gòu)。第一層受限玻爾茲曼機的可見層單元數(shù)與輸入數(shù)據(jù)維度相同，隱層單元數(shù)為1024;第二層的可見層單元數(shù)為1024,隱層單元數(shù)為512;第三層的可見層單元數(shù)為512,隱層單元數(shù)為256.采用對比散度算法訓練每層受限玻爾茲曼機，學習率設置為0.01,動量因子為0.9,訓練輪次為100輪。將訓練完成的三層網(wǎng)絡疊加組合，構(gòu)成壓鑄模具溫度場預測器的基礎網(wǎng)絡結(jié)構(gòu)。[0106]將壓鑄模具表面劃分為16個預測區(qū)域，每個區(qū)域?qū)粋€子預測器。子預測器繼承基礎網(wǎng)絡結(jié)構(gòu)，輸入為對應區(qū)域的局部特征。相鄰子預測器之間構(gòu)建多頭注意力機制的信息傳遞通道，注意力頭數(shù)為8,每個注意力頭的維度為32,用于捕獲區(qū)域間的溫度場關(guān)聯(lián)性。[0107]采用多智能體協(xié)同進化算法訓練16個子預測器，種群規(guī)模設置為50,進化代數(shù)為200代。構(gòu)建適應度函數(shù)評估子預測器性能，適應度函數(shù)包含兩個組成部分：局部預測誤差占比為60%,預測一致性占比為40%。局部預測誤差采用平均絕對誤差計算，預測一致性通過相鄰區(qū)域預測值的相關(guān)系數(shù)計算。[0108]在進化過程中，每10代對子預測器的網(wǎng)絡參數(shù)進行一次交叉操作和變異操作。交叉操作采用均勻交叉方式，交叉概率為0.8;變異操作采用高斯變異方式，變異概率為0.1,變異強度為0.05.基于適應度函數(shù)評估交叉變異后的預測性能，保留性能優(yōu)秀的個體進入下一代進化。[0109]經(jīng)過200代進化優(yōu)化后，子預測器的平均預測誤差降低到1.5%以下，相鄰區(qū)域預測值的相關(guān)系數(shù)提升至0.95以上。將優(yōu)化后的預測性能指標整合為分層優(yōu)化函數(shù)，用于指導壓鑄模具溫度場的精確控制。分層優(yōu)化函數(shù)在宏觀層面反映整體溫度場分布特征，在微觀層面體現(xiàn)局部溫度梯度變化規(guī)律。[0110]在本實施例中，通過知識蒸餾框架、分區(qū)域子預測器和多智能體協(xié)同進化算法的結(jié)合，預測誤差降低到1.5%以下，顯著提升了溫度場預測的精確度；采用多頭注意力機制捕獲相鄰預測區(qū)域的溫度關(guān)聯(lián)，使得相鄰區(qū)域的預測一致性相關(guān)系數(shù)達到0.95以上，有助于實現(xiàn)整體溫度場的協(xié)調(diào)控制；進化代數(shù)優(yōu)化和交叉變異操作使得訓練過程更加高效，確保快速收斂到最優(yōu)解，提高了子預測器在動態(tài)環(huán)境下的適應性和穩(wěn)定性；分層優(yōu)化函數(shù)綜合宏觀溫度場分布與局部溫度梯度細節(jié)，為壓鑄模具的精確溫度場控制提供多層次指導，提升壓鑄工藝的質(zhì)量與穩(wěn)定性。[0111]在一種可選的實施例中，基于所述分層優(yōu)化函數(shù)構(gòu)建壓鑄模具的溫度場優(yōu)化策略網(wǎng)絡，采用基于禁忌搜索的自適應蟻群優(yōu)化算法生成壓鑄模具的最優(yōu)溫度場控制序列包[0112]基于壓所述分層優(yōu)化函數(shù)構(gòu)建鑄模具的溫度場優(yōu)化策略網(wǎng)絡，將所述溫度場優(yōu)化策略網(wǎng)絡劃分為溫度場均勻性層、冷卻效率層和能耗控制層，確定評價指標函數(shù)；[0113]初始化螞蟻群體位置，將壓鑄模具的溫度場控制參數(shù)編碼為螞蟻位置信息，確定溫度場控制序列，將每只螞蟻位置對應的溫度場控制序列輸入所述溫度場優(yōu)化策略網(wǎng)絡，通過評價指標函數(shù)，計算路徑評價值，根據(jù)所述路徑評價值更新路徑上的信息素濃度，其中信息素增量與路徑評價值呈正相關(guān)；[0114]構(gòu)建動態(tài)禁忌表，記錄已搜索的溫度場控制序列，計算新生成的溫度場控制序列與禁忌表中溫度場控制序列的相似度，將相似度高于預設閾值的溫度場控制序列加入所述動態(tài)禁忌表；[0115]基于路徑上的信息素濃度和所述動態(tài)禁忌表，計算狀態(tài)轉(zhuǎn)移概率，引導螞蟻群體的搜索方向；[0116]在每只螞蟻當前位置附近，構(gòu)建變鄰域搜索結(jié)構(gòu)，所述變鄰域搜索結(jié)構(gòu)包括單參數(shù)調(diào)整空間和多參數(shù)聯(lián)動調(diào)整空間，分別對溫度場控制序列中的參數(shù)進行獨立調(diào)整和組合調(diào)整；將變鄰域搜索結(jié)構(gòu)中生成的溫度場控制序列對應的候選解，輸入所述溫度場優(yōu)化策略網(wǎng)絡，計算各候選解的路徑評價值，選擇路徑評價值最高的溫度場控制序列，更新螞蟻位[0118]具體地，構(gòu)建三層結(jié)構(gòu)的溫度場優(yōu)化策略網(wǎng)絡，溫度場均勻性層關(guān)注模具表面溫度分布的一致性，采用16個測溫點的溫度標準差作為評價指標，標準差閾值設為3攝氏度；冷卻效率層關(guān)注降溫速率和冷卻時間，要求降溫速率不超過50攝氏度/秒，冷卻時間控制在15-30秒范圍內(nèi)；能耗控制層關(guān)注加熱功率和冷卻水流量，加熱功率限制在40千瓦以內(nèi)，冷卻水流量限制在25升/分鐘以內(nèi)。將三層評價指標按照4:3:3的權(quán)重比例組合，構(gòu)建綜合評價指標函數(shù)。[0119]創(chuàng)建包含100只螞蟻的蟻群，每只螞蟻的位置信息包含10個溫度場控制參數(shù)：加熱控制周期、比例系數(shù)、積分時間。將這些參數(shù)編碼為200位二進制串，構(gòu)成溫度場控制序列。初始化時，在參數(shù)可行域內(nèi)隨機生成螞蟻位置，可行域邊界根據(jù)工藝要求確定。[0120]將每只螞蟻對應的溫度場控制序列輸入優(yōu)化策略網(wǎng)絡，計算路徑評價值。路徑評價值越高，表明控制效果越好。根據(jù)路徑評價值更新路徑上的信息素濃度，信息素揮發(fā)系數(shù)設為0.1,信息素增量與路徑評價值成正比，比例系數(shù)為0.2.信息素濃度的更新周期為10次迭代。[0121]動態(tài)禁忌表采用環(huán)形隊列結(jié)構(gòu)，最大容量為1000個控制序列。對新生成的控制序列，計算與禁忌表中已有序列的漢明距離，若最小漢明距離小于控制序列長度的5%,則將該序列加入禁忌表。當禁忌表達到最大容量時，刪除最早加入的序列。每50次迭代更新一次禁[0122]基于路徑信息素濃度和禁忌表信息，計算狀態(tài)轉(zhuǎn)移概率。信息素濃度對轉(zhuǎn)移概率的影響權(quán)重為0.7,禁忌表信息的影響權(quán)重為0.3.轉(zhuǎn)移概率越大的方向，螞蟻選擇該方向進行搜索的可能性越大。每次迭代中，有20%的螞蟻進行隨機搜索，以增加算法的探索能力。[0123]在螞蟻當前位置周圍構(gòu)建變鄰域搜索結(jié)構(gòu)。單參數(shù)調(diào)整空間針對每個控制參數(shù)，在當前值附近以5%的步長進行上下浮動；多參數(shù)聯(lián)動調(diào)整空間選取相關(guān)性強的參數(shù)組合，如加熱功率與加熱時間、冷卻水流量與冷卻時間等，同時調(diào)整這些參數(shù)。從變鄰域結(jié)構(gòu)中隨機生成50個候選解，計算其路徑評價值，選擇評價值最高的候選解更新螞蟻位置。[0124]算法迭代300次后終止，獲得最優(yōu)溫度場控制序列。[0125]在本實施例中，通過設置溫度標準差閾值和溫度控制參數(shù)，保障模具表面溫度分布的一致性，減少溫差引起的質(zhì)量問題；冷卻效率層的速率和時間限制確保冷卻過程平穩(wěn)、快速，滿足工藝需求且避免因冷卻過快而導致的材料應力問題；能耗控制層有效地限制了加熱和冷卻功率，實現(xiàn)節(jié)能操作，同時確保溫度控制精度，優(yōu)化了資源使用；蟻群算法結(jié)合禁忌搜索和動態(tài)信息素濃度更新，防止了局部最優(yōu)，確保了溫度控制參數(shù)在多次迭代后逐漸趨于最優(yōu)解，優(yōu)化結(jié)果的穩(wěn)定性提升；通過隨機搜索和變鄰域搜索策略，既增加了算法的全局探索能力，又細化了局部調(diào)整，有助于獲得[0126]S103.將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制。[0127]在本實施例中，實時監(jiān)測與反饋調(diào)整，顯著提升了對模具溫度場的控制精度，確保了溫度在各區(qū)域的均勻分布，有效避免了熱不均勻?qū)е碌哪＞邠p耗和產(chǎn)品缺陷；溫度場響應特性與實時數(shù)據(jù)輸入預測器的修正功能，使控制系統(tǒng)能夠適應壓鑄過程中的溫度變化，提高了系統(tǒng)對波動的響應速度和魯棒性；動態(tài)模糊免疫優(yōu)化算法根據(jù)實時數(shù)據(jù)自動調(diào)整冷卻控制參數(shù)，實現(xiàn)冷卻過程的智能化和高效化，減少冷卻時間與能耗；優(yōu)化后的溫度場分布控制減少了模具的熱疲勞，降低了熱應力，提高了模具使用壽命和生產(chǎn)穩(wěn)定性。[0128]在一種可選的實施例中，將所述分區(qū)域自適應控制策略輸入所述熱分布動態(tài)演化模型，獲取壓鑄模具的溫度場響應特性；根據(jù)所述溫度場響應特性，構(gòu)建基于深度強化學習的溫度場控制器，采用實時獲取壓鑄模具的溫度場變化參數(shù)；將所述溫度場變化參數(shù)輸入所述溫度場預測器進行在線修正，采用動態(tài)模糊免疫優(yōu)化算法調(diào)整冷卻控制參數(shù)，實現(xiàn)壓鑄模具熱分布的智能優(yōu)化控制包括：[0129]將分區(qū)域自適應控制策略輸入熱分布動態(tài)演化模型，基于能量守恒定律建立壓鑄模具的溫度場狀態(tài)方程，采用卡爾曼濾波算法對所述溫度場狀態(tài)方程進行狀態(tài)估計，通過狀態(tài)估計誤差協(xié)方差矩陣和卡爾曼增益矩陣迭代更新獲取壓鑄模具的溫度場響應特性；[0130]根據(jù)所述溫度場響應特性構(gòu)建基于深度強化學習的溫度場控制器，所述溫度場控制器采用雙重網(wǎng)絡架構(gòu)，包括生成控制動作的策略網(wǎng)絡和評估狀態(tài)價值的價值網(wǎng)絡；所述策略網(wǎng)絡和所述價值網(wǎng)絡的狀態(tài)空間包含當前溫度分布、溫度變化率和控制輸入歷史，動作空間包含各區(qū)域的控制參數(shù)調(diào)整量；采用優(yōu)勢演員-評論家算法對所述策略網(wǎng)絡和所述價值網(wǎng)絡進行訓練，基于溫度均勻值和控制穩(wěn)定值構(gòu)建即時獎勵函數(shù)，通過策略損失函數(shù)和價值損失函數(shù)的優(yōu)化，獲取壓鑄模具的溫度場變化參數(shù)；[0131]將所述溫度場變化參數(shù)輸入溫度場預測器進行在線修正，根據(jù)修正后的預測結(jié)果構(gòu)建動態(tài)模糊規(guī)則庫，基于溫度偏差和溫度變化率設計模糊控制規(guī)則；采用動態(tài)模糊免疫優(yōu)化算法生成冷卻參數(shù)調(diào)整策略集合，將所述調(diào)整策略集合構(gòu)建為抗體群，并基于溫度控制的誤差計算抗體親和度，通過克隆變異操作，優(yōu)化所述抗體群，最終得到最優(yōu)冷卻控制參[0132]將壓鑄模具表面劃分為16個控制區(qū)域，每個區(qū)域配置獨立的加熱和冷卻通道，實現(xiàn)分區(qū)域溫度調(diào)控?；谀芰渴睾愣山囟葓鰻顟B(tài)方程，狀態(tài)變量包括各區(qū)域溫度值、熱流密度和邊界熱交換系數(shù)。采用卡爾曼濾波算法進行狀態(tài)估計，觀測數(shù)據(jù)來自埋設在模具表面的溫度傳感器實時采集值，采樣周期為100毫秒。[0133]通過迭代計算狀態(tài)估計誤差協(xié)方差矩陣和卡爾曼增益矩陣，獲取溫度場響應特性。誤差協(xié)方差矩陣的初始值設為單位矩陣，系統(tǒng)噪聲協(xié)方差矩陣和測量噪聲協(xié)方差矩陣分別設為0.01和0.05倍的單位矩陣。經(jīng)過1000次迭代后，狀態(tài)估計的均方根誤差降低到2攝氏度以內(nèi)。[0134]構(gòu)建雙重網(wǎng)絡架構(gòu)的深度強化學習控制器，包括策略網(wǎng)絡和價值網(wǎng)絡。策略網(wǎng)絡采用四層全連接神經(jīng)網(wǎng)絡結(jié)構(gòu)：輸入層1024個神經(jīng)元，兩個隱層分別為512和256個神經(jīng)元，輸出層48個神經(jīng)元對應16個區(qū)域的加熱功率、冷卻水流量和通道開度調(diào)整量。價值網(wǎng)絡采用三層結(jié)構(gòu)：輸入層1024個神經(jīng)元，隱層512個神經(jīng)元，輸出層1個神經(jīng)元用于狀態(tài)價值評估。[0135]狀態(tài)空間維度為1024,包含16個區(qū)域的當前溫度值、前三個時刻的溫度變化率、最近10次控制輸入歷史。動作空間維度為48,對應各區(qū)域三個控制參數(shù)的調(diào)整量，加熱功率調(diào)整范圍為正負5千瓦，冷卻水流量調(diào)整范圍為正負2升/分鐘，通道開度調(diào)整范圍為正負10%。[0136]采用優(yōu)勢演員-評論家算法訓練雙重網(wǎng)絡，即時獎勵函數(shù)基于溫度均勻性和控制穩(wěn)定性構(gòu)建。溫度均勻性用16個區(qū)域溫度值的標準差表征，標準差越小獎勵越大；控制穩(wěn)定性用控制參數(shù)調(diào)整量的平方和表征，調(diào)整量越小獎勵越大。獎勵權(quán)重比例為7:3。[0137]優(yōu)勢演員-評論家算法在訓練過程中，包含策略網(wǎng)絡和價值網(wǎng)絡兩個核心組件。策略網(wǎng)絡負責生成控制動作，價值網(wǎng)絡負責評估狀態(tài)價值，兩個網(wǎng)絡交互配合完成訓練過程。[0138]即時獎勵函數(shù)的構(gòu)建考慮兩個關(guān)鍵指標：溫度均勻值和控制穩(wěn)定值。溫度均勻值通過計算16個控制區(qū)域的溫度偏差來表征，具體方法是將各區(qū)域?qū)嶋H溫度與目標溫度的差值絕對值求和，該值越小表明溫度場越均勻?？刂品€(wěn)定值則通過計算連續(xù)三次控制動作的變化幅度來表征，具體方法是將前后兩次控制參數(shù)調(diào)整量的差值絕對值求和，該值越小表明控制越穩(wěn)定。[0139]在實際應用中，設定溫度均勻值的目標閾值為5攝氏度，控制穩(wěn)定值的目標閾值為調(diào)整量的10%。當溫度均勻值小于5攝氏度且控制穩(wěn)定值小于10%時，給予正向獎勵值1.0;當其中一項超出閾值時，給予負向獎勵值-0.5;當兩項均超出閾值時，給予負向獎勵值-1.0。[0140]策略損失函數(shù)用于優(yōu)化策略網(wǎng)絡，其設計思路是使網(wǎng)絡生成的控制動作能夠最大化未來累積獎勵。具體實現(xiàn)時，首先計算當前狀態(tài)下執(zhí)行某個動作所獲得的優(yōu)勢值，優(yōu)勢值等于實際獲得的累積獎勵減去價值網(wǎng)絡預測的狀態(tài)價值。若優(yōu)勢值為正，表明該動作優(yōu)于平均水平，訓練時增大該動作的輸出概率；若優(yōu)勢值為負，則減小該動作的輸出概率。[0141]價值損失函數(shù)用于優(yōu)化價值網(wǎng)絡，其設計思路是使網(wǎng)絡準確預測每個狀態(tài)的價值。具體實現(xiàn)時，計算價值網(wǎng)絡輸出的預測值與實際獲得的累積獎勵之間的偏差，通過減小這個偏差來優(yōu)化網(wǎng)絡參數(shù)。[0142]在訓練過程中，采用交替優(yōu)化的方式：首先固定價值網(wǎng)絡，優(yōu)化策略網(wǎng)絡若干步；然后固定策略網(wǎng)絡，優(yōu)化價值網(wǎng)絡若干步。優(yōu)化步長根據(jù)訓練進度動態(tài)調(diào)整，訓練初期采用較大步長如0.001,訓練后期逐步減小到0.0001,以確保收斂穩(wěn)定性。[0143]具體實施時，每輪訓練收集1000個狀態(tài)-動作-獎勵樣本，將樣本隨機分成10個批次。對每個批次，首先用價值網(wǎng)絡計算狀態(tài)價值，然后結(jié)合實際獲得的獎勵計算優(yōu)勢值，最后分別更新策略網(wǎng)絡和價值網(wǎng)絡的參數(shù)。重復該過程直至收斂，一般需要5000-10000輪訓練。[0144]為避免局部最優(yōu)，訓練過程中引入探索機制：策略網(wǎng)絡生成的控制動作會疊加一個隨機擾動，擾動強度隨訓練進行逐步降低，從初始的20%降至最終的5放機制存儲歷史訓練樣本，每次隨機抽取歷史樣本與新樣本混合訓練，提高樣本利用效率和訓練穩(wěn)定性。[0145]經(jīng)過訓練優(yōu)化后，策略網(wǎng)絡能夠根據(jù)當前溫度場狀態(tài)輸出合適的控制動作，實現(xiàn)溫度場的精確調(diào)控。在典型工況下，控制動作的準確率可達85%以上，溫度場調(diào)節(jié)時間縮短[0146]訓練采用經(jīng)驗回放機制，經(jīng)驗池容量為10000,每次采樣批次大小為128。策略網(wǎng)絡和價值網(wǎng)絡的學習率分別設為0.0001和0.0002,折扣因子為0.99。訓練持續(xù)10000輪，當連續(xù)100輪平均獎勵值變化小于1%時停止訓練。[0147]將訓練得到的溫度場變化參數(shù)輸入溫度場預測器進行在線修正。構(gòu)建包含49條模糊規(guī)則的動態(tài)規(guī)則庫，基于溫度偏差和溫度變化率設計控制規(guī)則。溫度偏差分為七個等級，溫度變化率分為七個等級，控制輸出分為七個等級。[0148]采用動態(tài)模糊免疫算法優(yōu)化冷卻控制參數(shù)。初始化100個抗體，每個抗體包含48個基因位，對應16個區(qū)域的冷卻控制參數(shù)。抗體親和度通過溫度控制誤差的倒數(shù)計算，誤差越小親和度越高。選擇親和度最高的20個抗體進行克隆擴增，克隆數(shù)與親和度成正比。[0149]對克隆產(chǎn)生的抗體進行高斯變異操作，變異概率為0.1,變異強度與親和度成反比。變異后的抗體群經(jīng)過抑制計算，保留親和度高且相似度低的抗體。重復克隆、變異和抑制操作50代，得到最優(yōu)冷卻控制參數(shù)組合。[0150]在本實施例中，基于深度強化學習和分區(qū)域控制，能在復雜溫度場下自動調(diào)節(jié)各區(qū)域溫度，最終實現(xiàn)溫度均勻性目標，溫差控制在5攝氏度以內(nèi)；卡爾曼濾波實時估計溫度狀態(tài)，提升了溫度場控制的響應速度，調(diào)節(jié)時間縮短至15秒以內(nèi)，滿足生產(chǎn)節(jié)拍要求；動態(tài)模糊免疫算法在冷卻參數(shù)優(yōu)化中靈活調(diào)整控制參數(shù)，保證了冷卻過程穩(wěn)定性，同時減少了能耗，降低了冷卻時間和能源消耗；該控制策略能夠適應溫度場波動，并在在線狀態(tài)下進行預測器修正，在復雜工況下保持高控制精度和強魯棒性。[0151]在一種可選的實施例中，采用動態(tài)模糊免疫優(yōu)化算法生成冷卻參數(shù)調(diào)整策略集合，將所述調(diào)整策略集合構(gòu)建為抗體群，并基于溫度控制的誤差計算抗體親和度，通過克隆變異操作，優(yōu)化所述抗體群，最終得到最優(yōu)冷卻控制參數(shù)，智能調(diào)節(jié)壓鑄模具熱分布包括：[0152]獲取壓鑄模具的冷卻控制參數(shù)，將所述冷卻控制參數(shù)編碼生成初始抗體群，每個抗體個體包含與所述冷卻控制參數(shù)對應的參數(shù)向量；[0153]采集壓鑄模具各測點的實時溫度數(shù)據(jù)，根據(jù)所述實時溫度數(shù)據(jù)計算溫度偏差和溫度偏差變化率，將所述溫度偏差和所述溫度偏差變化率作為輸入變量，建立動態(tài)模糊規(guī)則映射關(guān)系，構(gòu)建溫度場控制的模糊規(guī)則庫；[0154]基于所述實時溫度數(shù)據(jù)與目標溫度的偏差的平方和，構(gòu)建溫度控制誤差指標，通過指數(shù)函數(shù)將所述溫度控制誤差指標轉(zhuǎn)換為抗體親和度值，所述指數(shù)函數(shù)包含控制選擇壓力的調(diào)節(jié)系數(shù)，根據(jù)所述抗體親和度值，將抗體群中的抗體個體按照由高到低排序；按照預設的克隆數(shù)量遞減規(guī)則，依次為每個抗體個體分配克隆數(shù)量，生成克隆抗體群，對所述克隆抗體群執(zhí)行高斯變異操作，所述高斯變異的變異步長與抗體親和度值呈反比關(guān)系，得到變[0155]計算所述變異抗體群中各抗體個體的親和度值，按照預設的親合度選擇閾值，從所述變異抗體群中確定候選變異抗體個體，以及從初始抗體群中確定候選抗體個體，將候選變異抗體個體和候選候選抗體個體進行合并，生成新一代抗體群，同時在新一代抗體群中，按照預設數(shù)量引入隨機生成的新抗體個體；[0156]重復迭代生成新一代抗體群，直到達到預設的迭代次數(shù)，選擇最大的親和度值對應的抗體個體，確定最優(yōu)抗體個體，對所述最優(yōu)抗體個體進行解碼，得到最優(yōu)冷卻控制參[0157]首先獲取壓鑄模具的初始冷卻控制參數(shù)，包括16個控制區(qū)域的冷卻水流量、冷卻通道開度和冷卻時間三類參數(shù)。將這些參數(shù)編碼為48維向量，每個參數(shù)采用8位二進制編