【技术实现步骤摘要】
本专利技术涉及大面源黑体温度控制，具体为一种大面源黑体多通道均衡加热方法、装置及介质。
技术介绍
1、在黑体温度控制领域，大面源温控系统因其在红外成像、目标模拟、热测试等领域的重要应用而备受关注。然而，在实际操作中，系统性能的优化和均衡性控制是实现高精度温控的关键挑战。大面源温控系统通常采用多通道设计，如64路温控（8×8阵列），每个通道独立加热，实现整体温度的控制。然而，由于热干扰、通道差异和环境因素的复杂性，各通道的升温速率难以完全一致，这对系统的均衡性和稳定性提出了较高要求。热干扰是影响温控系统性能的核心因素之一。其主要表现为通道间的热传导效应以及外界环境对升温过程的影响。热传导效应使得一个通道的温度变化直接或间接影响其邻近通道的温度变化。例如，当某通道升温较快时，邻近通道可能因热传递而升温加快，反之亦然。此外，热传递的路径和强度受通道物理结构、热阻分布等因素的制约，导致热干扰效应呈现显著的不均匀性。而环境因素如风速、湿度和环境温度波动，则进一步增加了系统控温的不确定性，使得单通道的加热模式难以满足整体系统的均衡要求。
2、针对这一问题，目前尚未有抑制的方法。
技术实现思路
1、本专利技术的目的在于提供一种大面源黑体多通道均衡加热方法、装置及介质，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种大面源黑体多通道均衡加热方法，包括以下步骤：
4、s1，数据获取：通过黑体仿真系统生成大面源
5、s2，问题建模：将大面源黑体多通道加热均衡问题建模为一个多智能体协作优化问题，定义每个通道的状态、动作和奖励函数，建立通道间的动态关联机制，确保多路升温速率趋于一致；
6、s3，均衡控制策略设计：采用基于强化学习的多通道协同控制策略，通过动态调整各通道的占空比，优化通道间的升温速率偏差；设计联合奖励机制，平衡全局均温效果与局部温差最小化目标；
7、s4，模型训练：以强化学习dqn模型为基础构建多通道均衡控制模型，然后利用仿真加热数据集对多通道均衡控制模型进行训练；通过目标函数优化提升通道间升温速率的同步性；随后在真实加热数据集上验证多通道均衡控制模型的性能，评估多通道均衡控制模型在复杂环境下的稳定性与鲁棒性；
8、s5，验证与调整：使用s1的真实加热数据集对多通道均衡控制模型进行验证，分析均温效果及升温过程中的温差变化，比较实际与目标温度的偏差；根据验证结果动态调整多通道均衡控制模型的策略和模型参数，提高均衡加热的精度；
9、s6，迭代优化：基于仿真与真实环境的验证反馈，反复执行建模、训练、验证的迭代流程，优化多通道均衡控制模型，使其在不同功率输出下均能高效、精准地实现大面源黑体的均衡加热。
10、进一步地，所述s2包括以下步骤：
11、s2.1，将大面源黑体的多通道加热均衡问题建模为多智能体协作优化问题，每个加热通道被视为一个独立智能体，智能体之间通过动态关联机制协作完成整体均衡升温任务；在状态空间设计上，每个智能体的状态包括当前温度ti、升温速率以及当前占空比dutycyclei，形成状态向量si=[ti,ri,dutycyclei]；
12、s2.2，动作空间定义为对占空比的调整，确保加热过程控制灵活性；
13、s2.3，奖励函数采用联合设计，目标是优化全局升温速率的一致性和局部温差的最小化；其中，升温速率一致性通过量化，为所有通道的平均升温速率；温度精确性则通过－∣ti－tgoal∣衡量；其中，ti为当前温度，tgoal为目标温度；
14、最终联合奖励函数reward形式为：
15、
16、其中α和β为调节系数；
17、通过全局速率平均值传递通道间的信息，确保多通道均衡控制模型的计算效率。
18、进一步地，所述s3包括：
19、s3.1，均衡控制策略基于深度q网络算法，深度q网络算法利用神经网络对q值函数进行近似，用于选择最优动作；在策略设计上，输入为每个通道的当前状态si=[ti,ri,dutycyclei]，输出为每个可能动作的q值；通过选择q值最大的动作，智能体动态调整占空比，从而优化加热过程；
20、s3.2，q值更新遵循贝尔曼方程：
21、
22、其中，si为当前状态，st为更新后的状态，at为当前动作，a’表示下一状态可能选取的动作，η为学习率，γ为折扣因子，max表示取最大值；
23、s3.3，均衡控制策略采用贪婪方法。
24、进一步地，所述s3.3中贪婪方法包括：以概率随机选择动作，以的概率选择最大q值对应的动作，并逐渐减少，以提升策略利用的效率。
25、进一步地，所述s4包括以下步骤：
26、s4.1，在仿真加热数据集训练中，通过黑体仿真系统生成多通道温度-时间数据，并将其作为强化学习环境的输入；在训练过程中，对仿真加热数据集添加噪声；
27、训练过程从初始化所有通道的状态开始，智能体基于当前状态st和策略网络选择当前动作at，并根据环境模拟反馈奖励rt和更新后的状态st+1；通过多次迭代，优化目标网络以提升均衡控制策略性能；训练过程中引入经验回放机制，将状态转移数据(st,at,rt,st+1)存入经验池，并随机采样用于训练，减少样本相关性；使用目标网络固定q值目标，提升训练的稳定性；
28、s4.2，在真实加热数据集验证中，将仿真训练得到的多通道均衡控制模型应用于实际温控系统，重点评估均温效果、升温速率一致性以及目标温度精确性；评估指标包括升温速率的均方误差和局部温差的绝对值偏差。
29、进一步地，所述s4.1中按照下式添加噪声：
30、
31、式中，stotal表示总噪声，c表示比例常数，tcenter表示中心黑体的温度，t1-t8表示中心黑体周围八个黑体的温度。
32、本专利技术还提供一种大面源黑体多通道均衡加热装置，包括一个或多个处理器，用于实现如上所述的一种大面源黑体多通道均衡加热方法。
33、本专利技术还提供一种可读存储介质，其上存储有程序，该程序被处理器执行时，实现如上所述的一种大面源黑体多通道均衡加热方法。
34、与现有技术相比，本专利技术的有益效果是：本专利技术实现了增强各通道升温速率的一致性，同时减少了热干扰的影响，提升了大面源黑体的整体温控系统性能。为温控技术的发展提供了新的研究方向和应用前景。
本文档来自技高网...【技术保护点】
1.一种大面源黑体多通道均衡加热方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种大面源黑体多通道均衡加热方法，其特征在于，所述S2包括以下步骤：
3.如权利要求1所述的一种大面源黑体多通道均衡加热方法，其特征在于，所述S3包括：
4.如权利要求3所述的一种大面源黑体多通道均衡加热方法，其特征在于，S3.3中贪婪方法包括：以概率随机选择动作，以的概率选择最大Q值对应的动作，并逐渐减少，以提升策略利用的效率。
5.如权利要求1所述的一种大面源黑体多通道均衡加热方法，其特征在于，所述S4包括以下步骤：
6.如权利要求4所述的一种大面源黑体多通道均衡加热方法，其特征在于，所述S4.1中按照下式添加噪声：
7.一种大面源黑体多通道均衡加热装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-6中任一项所述的一种大面源黑体多通道均衡加热方法。
8.一种可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-6中任一项所述的一种大面源黑体多通道均衡加热方法。
【技术特征摘要】
1.一种大面源黑体多通道均衡加热方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种大面源黑体多通道均衡加热方法，其特征在于，所述s2包括以下步骤：
3.如权利要求1所述的一种大面源黑体多通道均衡加热方法，其特征在于，所述s3包括：
4.如权利要求3所述的一种大面源黑体多通道均衡加热方法，其特征在于，s3.3中贪婪方法包括：以概率随机选择动作，以的概率选择最大q值对应的动作，并逐渐减少，以提升策略利用的效率。
5.如权利要求1所述的...
【专利技术属性】
技术研发人员：亓洪兴，杨文航，刘世界，徐霖，张阳阳，朱首正，何欣，王建宇，李春来，金海军，金柯，
申请(专利权)人：国科大杭州高等研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。