CN120940645B - 用于烧结钕铁硼的烧结炉温度梯度控制方法及系统 - Google Patents

Abstract

本发明公开了一种用于烧结钕铁硼的烧结炉温度梯度控制方法及系统，属于粉末冶金及工业炉控制技术领域。该方法旨在解决混合装载烧结时，因工件受热不均导致的磁性能离散和成品率低下的问题。其构建物理信息数字孪生系统，以物理信息图神经网络（PI‑GNN）为预测引擎，多智能体强化学习（MARL）为控制引擎。通过三维扫描获取工件模型并构建系统图模型，实时预测炉内热场，并主动创造和调控非均匀温度梯度场，引导每个工件沿各自的目标温度曲线完成烧结。本发明能提升混合装载产品的性能一致性和成品率，实现柔性化生产，并降低能耗。

Description

用于烧结钕铁硼的烧结炉温度梯度控制方法及系统

技术领域

本发明涉及粉末冶金过程控制监护技术领域，具体涉及用于烧结钕铁硼的烧结炉温度梯度控制方法及系统。

背景技术

烧结钕铁硼（NdFeB）永磁材料因其优异的磁性能，被广泛应用于消费电子、新能源汽车、风力发电、工业电机等关键领域。其主流制造工艺为粉末冶金法，其中，烧结是决定磁体最终性能的关键环节之一。烧结工艺通过将磁粉压坯在保护气氛下加热至主相粉末熔点以下的高温，并保温一段时间，促使粉末颗粒发生扩散、再结晶等物理化学变化，最终实现压坯的致密化，并构筑获得优异永磁性能所必需的显微组织结构。烧结钕铁硼磁体的显微组织主要由提供高饱和磁化强度的主相Nd2Fe14B晶粒和分布于晶粒间界的富钕相构成，后者的形态与分布对磁体的内禀矫顽力至关重要。磁体的最终磁性能，包括剩磁（Br）、内禀矫顽力（Hcj）和最大磁能积（(BH)max），对烧结过程中的温度-时间曲线极为敏感，因此对烧结过程温度场的精确控制，是实现高性能钕铁硼磁体稳定生产的关键技术。

然而，在现有工业生产中，实现大型烧结炉内温度场的绝对均匀是一个长期存在的技术难题。由于热辐射、热对流和热传导在复杂炉体结构中的传递本质上是非均匀的，加之加热元件布局、炉膛几何形状、工件装载方式等因素的影响，炉内不可避免地会形成复杂的温度梯度。传统的炉温控制系统，如比例-积分-微分（PID）控制器，通常依赖于少数几个热电偶的测量值来代表整个温区的平均温度，并以此统一调节所有加热元件的功率。这种控制逻辑基于一个简化假设，即通过控制平均温度可以实现所有工件的均匀受热，但它无法补偿炉内固有的热吸收与热散失的不均衡，也无法对炉内复杂的温度梯度进行有效管理，从根本上导致了产品质量的波动。

为了提高生产效率，工业实践中普遍采用“混合装载烧结”模式，即在同一个烧结批次中，同时处理多种不同规格、尺寸、形状和质量的产品。这种生产方式极大地加剧了温度场非均匀性问题。具有不同热容和比表面积的工件，其吸热和散热速率存在巨大差异。在统一的加热制度下，小尺寸工件可能迅速升温并出现过烧，而大尺寸工件则升温缓慢，可能烧结不充分。采用单一的、全局统一的温控曲线，无法为每一个几何形状各异的工件提供其各自所需的最优热处理历史，直接导致同一批次产品之间显微组织和磁性能的巨大离散性，成品率低，性能一致性差，构成了高混合、柔性化生产模式下的主要技术瓶颈。

一些先进的分析方法，如通过测量烧结后样品的性能来反推炉内温度场分布，本质上是一种离线的、滞后的诊断工具，无法用于烧结过程中的实时动态梯度控制。近年来，人工智能技术虽开始被应用于热工设备的控制，但现有方案大多控制粒度过粗，将整个炉膛划分为少数几个大温区进行建模和控制，缺乏对炉内成百上千个独立工件进行个体化控制的能力。此外，其所采用的物理模型不够精确，难以捕捉大量离散工件之间复杂的、非线性的热交换物理过程，且缺乏对混合装载场景下，每一批次产品组合、装载方式都发生变化的动态适应性。

发明内容

本发明要解决的技术问题在于，提供一种用于烧结钕铁硼的烧结炉温度梯度控制方法及系统，以解决现有烧结工艺中存在的、由于无法对炉内非均匀热场及复杂的温度梯度进行有效管理而导致的产品质量不一致问题，特别是针对混合装载烧结场景下，因工件几何与热学质量各异，传统统一加热模式无法为每个工件提供个性化的热处理历史，从而导致同一批次产品性能离散、成品率低下的技术难题。

为解决上述技术问题，本发明的一方面提供了一种用于烧结钕铁硼的烧结炉温度梯度智能控制方法。该方法的核心在于构建并应用一个物理信息数字孪生（Physics-Informed Digital Twin, PI-DT）系统，该系统以物理信息图神经网络（Physics-InformedGraph Neural Network, PI-GNN）为预测引擎，以多智能体强化学习（Multi-AgentReinforcement Learning, MARL）为控制引擎。该方法并非追求炉内温度场的绝对均匀，而是主动地、智能地创造并调控一个随时间动态变化的、最优的非均匀温度梯度场，其目的是引导混合载荷中的每一个工件，无论其尺寸和形状如何，都能精确地沿着各自的最优热处理轨迹进行烧结，从而实现整个批次产品最终磁性能的高度均匀和最优化。

本发明的控制方法按照以下步骤实施：

步骤一，离线模型训练。步骤一为离线模型训练，用于为后续的在线控制提供高性能的预训练基础模型。该步骤首先进行数据准备，收集历史生产数据，同时可利用高保真度的物理仿真软件，如有限元或计算流体动力学软件，生成在各种虚拟混合装载配置下的烧结过程数据，以扩充和丰富训练数据集，覆盖更广泛的工况。然后，利用所述混合数据集，对物理信息图神经网络（PI-GNN）预测引擎进行训练，使其能够准确预测不同装载和工艺条件下的炉内温度场演化；同时，利用历史生产数据，训练工艺-性能关联子模型，建立温度历史与最终磁性能之间的映射关系；

步骤二，装载与初始化。此步骤在每个实际生产批次开始前执行，旨在为该特定批次构建一个精确的数字化初始状态。该步骤首先将一个混合批次的钕铁硼生坯装载到烧结炉的工装上，然后启动三维扫描系统，对装载完成的工件进行扫描，获取每一个生坯精确的三维几何模型、空间坐标和姿态信息。随后，数字孪生建模模块依据扫描数据和预置的材料物理属性数据库，自动生成该批次初始的、代表整个物理系统的数字孪生图模型，并为每个工件单元或每种规格的工件从工艺库中匹配或生成一条最优的目标温度-时间曲线。

步骤三，实时预测与梯度控制循环。烧结过程开始后，系统进入一个高频的、闭环的实时控制循环，在每个时间步中，系统依次执行以下子步骤以实现动态精确控制。首先是感知子步骤，通过高速数据采集单元从部署在炉内的多模态传感器阵列获取炉内实时的温度、压力等关键物理量数据。其次是更新子步骤，利用最新的传感器数据实时刷新数字孪生图模型中对应节点的动态特征，确保数字模型与物理实体状态的同步。再次是预测子步骤，PI-GNN预测引擎接收当前图状态和上一时刻的加热动作作为输入，向前推演一个预设的时间窗口，预测出未来一系列的系统图状态，包括每个工件单元的温度演化轨迹。随后是决策子步骤，MARL控制引擎接收这些未来预测状态，其包含的多个智能体（每个对应一个可独立控制的加热区）的决策网络根据其局部状态和学习到的协同策略，输出最优的下一时刻加热功率联合动作，该联合动作旨在创造一个最优的温度梯度场，以最大化未来一段时间内的累积期望奖励。最后是执行子步骤，执行单元将所述联合动作分解为对各个独立加热区的具体功率控制信号并下发至物理加热器。此后，系统返回感知子步骤，进入下一个控制循环，直至烧结过程结束。

步骤四，在线学习与自适应。此步骤贯穿整个烧结过程，旨在使系统具备自我修正和持续优化的能力。系统在运行过程中持续地将PI-GNN的温度预测值与下一时刻传感器的实际测量值进行比较，计算两者之间的误差。然后，利用该误差，通过在线学习算法，例如在线梯度下降算法，对PI-GNN模型的网络参数进行微调，以补偿由于炉体老化、性能漂移或模型未完全覆盖的物理现象所带来的预测偏差，从而保证数字孪生模型长期运行的鲁棒性和准确性。

本发明的另一方面提供了一种用于烧结钕铁硼的烧结炉温度梯度智能控制系统，该系统用于执行上述方法，其主要包括物理实体层和数字孪生与控制层。

物理实体层是本发明方法执行的物理基础。其包括一台多温区烧结炉，该烧结炉的加热系统被划分为多个可独立调节功率的加热区，这是实现温度梯度主动控制的前提。该层还包括一个三维扫描系统，用于在装载时精确获取每一个生坯的三维几何模型及其空间位置信息；一个多模态传感器阵列，用于实时获取炉内温度、气氛等关键物理量；以及一个高速数据采集与执行单元，负责采集传感器数据并执行来自数字孪生与控制层的控制指令。

进一步地，为了赋予控制系统更直接、更快速的热流调控能力，所述物理实体层可优选地集成一个或多个主动式多模态热流调控机构。一种优选的机构是动态可控辐射屏蔽阵列，其在炉内关键位置安装由高反射率耐高温材料制成的、可由电机驱动改变角度或位置的动态挡板，使得MARL控制引擎的动作空间扩展至包含对这些挡板的姿态控制，从而能够主动地遮蔽或聚焦特定区域的辐射热流。另一种优选的机构是矩阵式脉冲气氛射流系统，其在炉体内部署一个微型喷嘴阵列，可精确地向特定工件或区域喷射经过预热或预冷的、可控流量的惰性气体，通过局部强制对流实现快速加热或冷却。这些物理执行机构为温度梯度的精确调控提供了除调节加热器功率外的新的物理调控维度。

数字孪生与控制层是实现智能梯度控制的计算核心，主要由数字孪生建模模块、物理信息图神经网络（PI-GNN）预测引擎和多智能体强化学习（MARL）控制引擎构成。

数字孪生建模模块负责将物理烧结系统实时地映射为数字化的、可计算的异构图模型G=(V, E)。在该图中，节点（V）代表系统中的物理实体，并被赋予不同类型，优选地包括：代表钕铁硼生坯离散化单元的工件节点（v_part），代表独立加热元件的加热器节点（v_heater），代表烧结工装离散化单元的工装节点（v_tray），代表炉膛内壁离散化单元的炉壁节点（v_furnace_wall），以及代表炉内气体体积单元的气体节点（v_gas）。图中的边（E）则代表节点间的物理交互，即热量传递路径，并根据热传递机理定义不同类型，优选地包括：用于连接物理接触节点的传导边（e_cond），用于连接固体表面节点和气体节点的对流边（e_conv），以及用于连接两个互有视线的节点的辐射边（e_rad）。每个节点和边都包含描述其物理属性的特征向量，例如工件节点的特征向量可包括材料组分、热导率、比热容、密度、发射率等静态特征，以及温度、预测的晶粒尺寸等动态特征。

本发明的贡献在于，提出了一种基于异构物理图的物理信息图神经网络（PI-GNN）预测引擎。该引擎是数字孪生的物理求解器，负责预测图模型中各节点的未来状态。其网络架构优选地采用图注意力网络（GAT），通过消息传递机制模拟热量在整个系统中的流动和分布。其训练过程受到物理信息约束，即其损失函数不仅包含预测值与真实测量值之间的误差项，还额外加入了一个惩罚任何违反基本热力学定律（如能量守恒）的预测的物理残差项。这种设计确保了模型的预测结果在物理上是合理、自洽的，显著减少了对海量训练数据的依赖，并极大地增强了模型对新的混合装载配置的泛化能力。在PI-GNN的顶层，进一步地集成了一个或多个工艺-性能关联子模型，该子模型以PI-GNN为每个工件节点预测出的完整温度-时间轨迹作为输入，输出该单元预测的最终磁性能，如内禀矫顽力Hcj、剩磁Br等。

本发明的贡献还在于，进一步地，可将所述物理信息图神经网络升级为物理信息多物理场耦合图神经网络（PI-M-GNN），以实现对材料组织演化的更深层次预测与控制。在一种可选的实施方式中工件节点的特征向量被扩展，除热学量外，进一步增加描述局部应力或应变张量、相组成（如核-壳结构中的元素浓度梯度）等关键物理量的状态变量。相应地，PI-M-GNN损失函数中的物理残差项也被扩充，除热力学定律外，额外引入其他公知的物理模型作为约束，例如用于约束晶粒尺寸预测的晶粒长大动力学模型（如Burke-Turnbull方程）、用于预测并规避裂纹风险的热-力耦合模型（如热弹塑性本构方程），以及用于模拟重稀土元素扩散的原子扩散模型（如菲克定律）。

多智能体强化学习（MARL）控制引擎是数字孪生的决策中枢，负责计算出最优的加热控制策略。本发明的一个方面在于，该控制引擎的目标并非传统意义上的追求温度均匀，而是基于高精度预测，主动地创造并调控一个最优的、非均匀的温度梯度场。在该引擎的框架中，每一个可独立控制的加热区被定义为一个独立的智能体。系统的全局状态由数字孪生图在当前时刻的完整信息定义。每个智能体的动作空间是其对应的加热区可以输出的功率水平，以及对其可控制的动态挡板姿态、气氛射流喷嘴开关等物理执行机构的控制指令。其奖励函数被设计为一个精细的多目标函数，其综合考量了工件单元的预测温度与目标温度曲线之间的偏差、预测的最终磁性能与目标规格的接近程度、预测的工件内部应力是否低于开裂阈值，以及所有加热器的总功率输出等多个目标。优选地，该引擎采用多智能体软性演员-评论家（Multi-Agent Soft Actor-Critic, MASAC）算法，并采用中心化训练、去中心化执行（CTDE）的框架，以兼顾学习效率与执行实时性。

与现有技术相比，本发明具有以下有益效果。首先，本发明能够为混合装载批次中的每一个工件提供个性化、最优化的热处理，从根本上解决了因受热不均导致的同一批次内产品性能离散的问题，能够大幅提升产品的一致性和成品率。其次，本发明赋予了极大的生产柔性，使得制造商可以根据订单需求自由组合、混合生产，使得高效、经济的高混合、小批量定制化生产成为可能。再次，本发明通过动态创建非均匀温度梯度场，按需地将热量精确输送到需要的地方，避免了传统控制方式中对整个炉膛进行过热或保温的能源浪费，带来了显著的节能效果。

附图说明

图1是本发明实施例提供的一种用于烧结钕铁硼的烧结炉温度梯度智能控制系统的整体架构示意图。

图2是本发明实施例提供的一种用于烧结钕铁硼的烧结炉温度梯度智能控制方法的流程图。

图3是本发明实施例中用于表征烧结炉物理系统的数字孪生异构图模型的示意图。

图4是本发明实施例中，本发明方法与传统PID控制方法在处理混合装载任务时，在关键性能指标上的效果对比图。

图5是本发明实施例中，本发明方法与传统PID控制方法对不同规格工件进行温度曲线跟踪控制的效果对比示意图。

图6是本发明实施例中，用于展示本发明方法主动创造非均匀温度梯度场原理的计算机模拟示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图和具体实施例，对本发明进行进一步的详细描述。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种用于烧结钕铁硼的烧结炉温度梯度智能控制方法。参照图2，该方法主要应用于图1所示的控制系统中，其核心在于构建并应用一个物理信息数字孪生系统，该系统以物理信息图神经网络（PI-GNN）为预测引擎，以多智能体强化学习（MARL）为控制引擎，主动地、智能地创造并调控一个随时间动态变化的、最优的非均匀温度梯度场，其目的是引导混合载荷中的每一个工件都能精确地沿着各自的最优热处理轨迹进行烧结。

该方法的具体实施步骤如下：

步骤S1，离线模型训练。

此步骤在实际生产前进行，旨在为后续的在线控制提供一个高性能的、预训练好的基础模型。

具体地，该步骤首先进行数据准备，优选地包括子步骤S101和S102。在子步骤S101中，收集历史生产数据，该数据包括但不限于：历史批次的工件三维几何模型、空间装载布局数据、各加热区的功率-时间曲线、炉内各测温点的温度-时间曲线、烧结后各规格产品的磁性能检测数据（如剩磁Br、内禀矫顽力Hcj、最大磁能积(BH)max）。在子步骤S102中，为了弥补历史数据可能无法覆盖所有潜在工况的不足，可利用高保真度的物理仿真软件，例如基于有限元法的COMSOL Multiphysics或ANSYS软件，生成在各种虚拟混合装载配置下的烧结过程数据。例如，可以系统性地生成超过1000种不同的虚拟装载场景，涵盖不同尺寸、形状、数量比例的工件组合，以扩充和丰富训练数据集。

然后，利用所述混合数据集，对物理信息图神经网络（PI-GNN）预测引擎进行训练。训练的目标是使其能够根据给定的初始图状态（代表装载情况）和一系列加热动作，准确预测未来一段时间内炉内所有节点的温度演化。其损失函数L_total被设计为包含数据驱动项和物理约束项的加权和，即。其中，L_data是模型预测温度与真实或仿真温度数据之间的均方误差（MSE）；L_phys是物理残差项，用于惩罚违反热力学基本定律的预测，例如，该残差项可被定义为基于图中每个节点的热传导方程（heatequation）计算得出的偏差的范数。该方程的通用形式为，它描述了能量守恒。其中，ρ为密度，c_p为比热容，k为热导率，Q为内热源，T为温度，t为时间。符号“▽·”代表散度算子，“▽”代表梯度算子，这些是矢量微积分中的标准算子，共同描述了热量在空间中的传导过程。权重系数λ是一个超参数，例如可取值在0.01至1.0之间，用于平衡数据拟合度与物理一致性。这种物理信息约束的设计，确保了模型在数据稀疏的区域也能做出物理上合理的推断，极大地增强了模型的泛化能力。

同时，利用历史生产数据中的温度历史与最终性能数据，训练一个或多个工艺-性能关联子模型。该子模型优选地为前馈神经网络或梯度提升决策树（GBDT）模型，其输入为由PI-GNN预测出的单个工件单元的完整温度-时间曲线，输出为该单元的预测磁性能（Hcj,Br等）。这种解耦的训练方式降低了模型复杂度。作为一种替代方案，也可以将工艺-性能关联子模型直接集成到PI-GNN的顶层，进行端到端的联合训练。

步骤S2，装载与初始化。

此步骤在每个实际生产批次开始前执行，为该特定批次构建一个精确的数字化初始状态。

具体地，该步骤首先将一个混合批次的钕铁硼生坯装载到烧结炉的工装（例如钼盘或石墨舟）上。然后，启动部署在炉口或装载区的三维扫描系统，例如一台具有±0.1毫米精度的结构光扫描仪，对装载完成的工件进行扫描，获取每一个生坯精确的三维几何模型、在炉内坐标系下的空间坐标和姿态信息。

随后，数字孪生建模模块依据扫描数据和预置的材料物理属性数据库，自动生成该批次初始的、代表整个物理系统的数字孪生图模型G=(V, E)，如图3所示。例如，一个包含100个小工件和20个大工件的批次，可能会被离散化为一个包含数千个工件节点（v_part）和数百个工装节点（v_tray）、炉壁节点（v_furnace_wall）的复杂图模型。节点间的边（E）根据物理邻近关系和视线可达性自动生成，例如，通过射线追踪算法计算各固体表面节点间的辐射角系数，以确定辐射边（e_rad）的权重。

最后，系统为每个工件单元或每种规格的工件从工艺库中匹配或生成一条最优的目标温度-时间曲线。例如，对于一个需要高矫顽力的薄壁环形磁体，系统会为其匹配一条在富钕相共晶点附近保温时间更长的目标曲线；而对于一个需要高剩磁的大尺寸块状磁体，系统会为其匹配一条升温速率较慢、烧结峰值温度稍高的目标曲线。这些目标曲线将作为后续控制过程的基准。

步骤S3，实时预测与梯度控制循环。

烧结过程开始后，系统进入一个高频的、闭环的实时控制循环，例如，该循环的周期可设置为1秒。在每个时间步中，系统依次执行以下子步骤以实现动态精确控制。

子步骤S301，感知。高速数据采集单元以不低于1Hz的频率，从部署在炉内的多模态传感器阵列（例如，包含20个S型热电偶和4个双色红外测温仪）获取炉内实时的温度、压力等关键物理量数据。

其次是子步骤S302，更新。利用最新的传感器数据实时刷新数字孪生图模型中对应节点的动态特征。例如，将热电偶T5测得的温度值850.2℃，更新到图模型中与该热电偶物理位置最接近的炉壁节点v_furnace_wall_5的温度特征上。

再次是子步骤S303，预测。预训练好的PI-GNN预测引擎接收当前更新后的图状态G_t和上一时刻的加热动作A_{t-1}作为输入，通过其内在的图注意力消息传递机制，模拟热量在整个系统中的传导、对流和辐射过程，向前推演一个预设的时间窗口（例如，未来10分钟），预测出未来一系列的系统图状态G_{t+1}, ..., G_{t+H}，该预测结果包括每个工件单元在未来10分钟内的温度演化轨迹。

随后是子步骤S304，决策。多智能体强化学习（MARL）控制引擎接收这些未来预测状态。在该引擎中，每个独立加热区被定义为一个智能体。所有智能体根据一个共享的全局奖励函数进行决策，该奖励函数R_t被设计为一个精细的多目标函数，例如：R_t = w1R_tracking + w2R_performance + w3R_stress + w4R_energy。其中，R_tracking是所有工件节点的预测温度与各自目标温度曲线之间的负均方根误差；R_performance是基于工艺-性能子模型预测出的最终磁性能与目标值接近度的函数；R_stress是一个巨大的负惩罚项，当任意工件单元的预测热应力（可由PI-M-GNN模型预测）超过材料的开裂阈值时触发；R_energy是所有加热器总功率输出的负值，以鼓励节能。各权重系数w1至w4用于平衡不同控制目标。优选地，该引擎采用多智能体软性演员-评论家（MASAC）算法，每个智能体的决策网络（演员网络）根据其局部观测（例如，其负责区域内的工件温度和目标温度）和从中心化评论家网络获取的全局价值信息，输出最优的下一时刻加热功率。所有智能体的动作构成一个联合动作向量A_t，例如 A_t = [P_1, P_2, ..., P_N]，其中P_i是第i个加热区的功率设定值，N为加热区总数。

最后是子步骤S305，执行。执行单元将所述联合动作A_t分解为对各个独立加热区的具体功率控制信号，并通过可编程逻辑控制器（PLC）或数字模拟转换卡下发至物理加热器的功率调节器（例如可控硅整流器）。

此后，系统返回感知子步骤S301，进入下一个控制循环，直至烧结工艺曲线全部执行完毕。作为一种替代方案，决策步骤S304可以采用如多智能体深度确定性策略梯度（MADDPG）等其他MARL算法。

步骤S4，在线学习与自适应。

此步骤贯穿整个烧结过程，旨在使系统具备自我修正和持续优化的能力。

具体地，系统在运行过程中持续地将PI-GNN在t时刻对t+1时刻的温度预测值，与在t+1时刻由传感器实际测量到的真实值进行比较，计算两者之间的预测误差。然后，利用该误差，通过在线学习算法，例如带有小学习率（如1e-5）的在线梯度下降算法，对PI-GNN模型的网络参数进行微调。

例如，若系统发现炉体右侧区域的温度预测值持续性地比实际测量值高出5℃，这可能意味着该区域的炉壁保温性能因老化而下降。在线学习机制会自动调整与该区域炉壁节点相关的模型参数（例如，等效热导率或对外的对流换热系数），使得模型的预测逐渐趋近于真实情况。这种机制保证了数字孪生模型能够补偿由于炉体老化、性能漂移或模型未完全覆盖的物理现象所带来的预测偏差，从而保证了数字孪生模型长期运行的鲁棒性和准确性。作为一种替代方案，可以采用扩展卡尔曼滤波器（EKF）来融合模型预测与传感器测量，实现对系统状态的更优估计和模型参数的在线校正。

实施例2

本实施例提供一种用于烧结钕铁硼的烧结炉温度梯度智能控制系统，该系统用于执行实施例1所述的方法。参照图1，该系统主要包括物理实体层100和数字孪生与控制层200。

物理实体层100是本发明方法执行的物理基础。其包括一台多温区烧结炉110，该烧结炉的加热系统被划分为多个（例如，24个）可独立调节功率的加热区，每个加热区配备独立的加热元件111和功率控制器。该层还包括一个位于装载区的三维扫描系统120，用于在装载时精确获取每一个生坯的三维几何模型及其空间位置信息；一个多模态传感器阵列130，其包含密集部署在炉膛内部的热电偶、红外测温仪等传感器，用于实时获取炉内温度、气氛等关键物理量；以及一个高速数据采集与执行单元140，它由数据采集卡和PLC构成，负责以高频率（如1Hz）采集传感器数据并将其上传至数字孪生与控制层200，同时接收来自数字孪生与控制层200的控制指令并驱动各加热区的功率控制器。

进一步地，为了赋予控制系统更直接、更快速的热流调控能力，所述物理实体层100可优选地集成一个或多个主动式多模态热流调控机构150。一种优选的机构是动态可控辐射屏蔽阵列，其在炉内关键位置安装由高反射率耐高温材料（如钼合金）制成的、可由微型步进电机驱动改变角度或位置的动态挡板，使得MARL控制引擎的动作空间扩展至包含对这些挡板的姿态控制，从而能够主动地遮蔽或聚焦特定区域的辐射热流。另一种优选的机构是矩阵式脉冲气氛射流系统，其在炉体内部署一个微型喷嘴阵列，可精确地向特定工件或区域喷射经过预热或预冷的、可控流量的惰性气体（如氩气），通过局部强制对流实现快速局部加热或冷却。

数字孪生与控制层200是实现智能梯度控制的计算核心，通常部署在高性能工业计算机或服务器上。其主要由数字孪生建模模块210、物理信息图神经网络（PI-GNN）预测引擎220和多智能体强化学习（MARL）控制引擎230构成。

数字孪生建模模块210负责将物理烧结系统实时地映射为数字化的、可计算的异构图模型G=(V, E)，如实施例1的步骤S2和图3所示。在该图中，节点V代表系统中的物理实体，并被赋予不同类型，优选地包括：代表钕铁硼生坯离散化单元的工件节点v_part，代表独立加热元件的加热器节点v_heater，代表烧结工装离散化单元的工装节点v_tray，代表炉膛内壁离散化单元的炉壁节点v_furnace_wall，以及代表炉内气体体积单元的气体节点v_gas。图中的边E则代表节点间的物理交互，即热量传递路径，并根据热传递机理定义不同类型，优选地包括：用于连接物理接触节点的传导边e_cond，用于连接固体表面节点和气体节点的对流边e_conv，以及用于连接两个互有视线的节点的辐射边e_rad。每个节点和边都包含描述其物理属性的特征向量，例如工件节点的特征向量可包括材料组分、热导率、比热容、密度、发射率等静态特征，以及温度、预测的晶粒尺寸等动态特征。

物理信息图神经网络（PI-GNN）预测引擎220是数字孪生的物理求解器，其网络架构优选地采用图注意力网络（GAT），通过学习到的注意力权重模拟不同物理实体间热量交换的强度。其训练过程受到物理信息约束，如实施例1的步骤S1所述。进一步地，可将所述PI-GNN预测引擎升级为物理信息多物理场耦合图神经网络（PI-M-GNN），以实现对材料组织演化的更精确预测与控制。在一种可选的实施方式中工件节点的特征向量被扩展，除热学量外，进一步增加描述局部应力张量、相组成等关键物理量的状态变量。相应地，PI-M-GNN损失函数中的物理残差项也被扩充，除热力学定律外，额外引入其他公认的物理模型作为约束，例如用于约束晶粒尺寸预测的Burke-Turnbull方程，或用于模拟重稀土元素扩散的菲克第二定律。

多智能体强化学习（MARL）控制引擎230是数字孪生的决策中枢。如实施例1的步骤S3所述，该引擎的目标并非追求温度均匀，而是基于高精度预测，主动地创造并调控一个非均匀的温度梯度场。优选地，该引擎采用中心化训练、去中心化执行（CTDE）的框架。在离线的中心化训练阶段，所有智能体的策略和价值网络在一个全局视角下进行联合训练，可以高效地学习协同策略；在在线的去中心化执行阶段，每个智能体仅需根据其局部观测和自身已训练好的策略网络即可快速做出决策，满足了工业控制的实时性要求。

实施例3

本实施例旨在展示本发明方法及系统在处理一个典型且在传统广义语音学地中困难的高混合度、高性能烧结钕铁硼生产任务时的具体应用与效果。该任务要求在同一烧结批次中，同时生产两种性能和尺寸规格迥异的磁体：产品A为一批用于高端智能手机摄像头音圈马达（VCM）的N52SH级薄壁环形磁体（外径8mm，壁厚0.5mm，高3mm），共计800件，其核心性能要求为高内禀矫顽力（Hcj ≥ 20 kOe）；产品B为一批用于新能源汽车驱动电机的N48H级瓦片形磁体（长60mm，宽30mm，厚10mm），共计50件，其核心性能要求为高剩磁（Br ≥1.38 T）和高磁能积，同时对热应力导致的开裂极其敏感。

在该生产任务开始前，首先执行装载与初始化步骤。工人将800件产品A和50件产品B按照生产计划混合装载于多个钼舟上，并送入烧结炉的装载区。三维扫描系统120对全部工件进行快速扫描，在90秒内完成了所有生坯的三维建模和空间定位。数字孪生建模模块210随即启动，依据扫描数据和材料数据库，自动构建了一个包含850个工件实体、12个钼舟、36个加热区、炉膛内壁和炉内气氛在内的，共计超过12000个节点和数百万条边的复杂数字孪生异构图模型。系统为产品A匹配了一条旨在优化富钕（Nd-rich）晶界相分布的目标温度曲线，其特点是在1060℃烧结峰值温度后，于900℃附近设置了一个较长的二次保温平台以促进晶界相的均匀析出和包裹。而为产品B匹配的目标曲线则采用了更平缓的升温速率（≤ 8℃/分钟）以降低热应力，并设定了稍高的烧结峰值温度（1080℃）以保证充分致密化，获得高剩磁。

烧结过程开始后，系统进入实时预测与梯度控制循环。在升温至约950℃的关键阶段，PI-GNN预测引擎220根据实时更新的图模型状态，提前15分钟预测出：由于热容和比表面积极大差异，位于炉膛中央区域的产品A（薄壁环）的升温速率将远超其目标曲线，有出现过烧和晶粒异常长大的风险；而位于炉膛两侧、相对靠近炉门的产品B（大瓦片）则升温滞后，有烧结不充分的风险。接收到此预测信息后，部署了MASAC算法的MARL控制引擎230立即做出决策。它输出的联合动作向量A_t并非全局性地调高或调低功率，而是生成了一个高度非均匀的功率分布：它显著降低了炉膛中央顶部和底部共8个加热区的输出功率，同时将两侧的12个加热区的功率提升至额定功率的95%。这一系列动作主动地在炉内创造了一个中心区域温度较低、两侧区域温度较高的瞬时温度梯度场。这个梯度场的作用是，降低升温过快的产品A的升温速率，同时提高升温滞后的产品B的升温速率，从而将两种差异巨大的工件的实际温度轨迹，都向其各自的目标曲线上调整。

为了更直观地说明该过程，请参见附图5和附图6。附图6通过计算机模拟示意图，清晰地展示了本发明方法所主动创造的非均匀温度梯度场（图6右侧子图），其中心区域温度显著低于两侧，这与传统PID控制下相对均匀但无法兼顾所有工件的温度场（图6左侧子图）形成鲜明对比。正是得益于这种精确的梯度调控，如附图5所示，本发明能够使尺寸迥异的产品A和产品B的实际温度曲线（分别为曲线A-实测和曲线B-实测）均高度贴合其各自的目标温度曲线（曲线A-目标和曲线B-目标），从而实现了对不同工件的个性化、最优化热处理。

烧结过程结束后，对产品进行抽样检测。结果显示，采用本发明方法生产的该批次产品，产品A（VCM环）的内禀矫顽力Hcj平均值为20.5 kOe，标准差仅为0.2 kOe，成品率达到99.2%。产品B（电机瓦片）的剩磁Br平均值为1.39 T，标准差为0.015 T，且未发现任何因热应力导致的微裂纹，成品率达到98%。作为对比，采用传统PID控制的对照组批次，虽然采用了折中的工艺曲线，但产品A的Hcj标准差达0.9 kOe，大量样品因过烧而性能不达标，成品率85%；产品B则有8%的比例因烧结不充分或热应力开裂而报废。此外，经统计，本发明实施例的整个烧结过程总能耗相比对照组降低了约14%，这是因为热量被精确地输送到最需要的地方，避免了为迁就升温最慢的工件而对整个炉膛进行的长时间、高功率的无效加热。

请参见附图4，该效果对比图汇总并直观地展示了上述关键性能指标。从图中可以清晰地看出，相较于传统PID方法，本发明方法在两种产品的成品率和性能一致性（体现为更低的关键性能标准差，Std. Dev.）上均表现出压倒性优势，并且在总能耗上实现了显著降低，充分证明了本发明的有益效果。

本发明通过上述方法及系统，能够为混合装载批次中的每一个工件提供个性化、优化的热处理，解决了因受热不均导致的同一批次内产品性能离散的问题，能够提升产品的一致性和成品率，并赋予生产较高的柔性，同时通过精确的按需供热实现节能效果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的保护范围之内。

Claims (8)

1.一种用于烧结钕铁硼的烧结炉温度梯度控制方法，其特征在于，包括以下步骤：

步骤一，离线模型训练：基于历史生产数据与物理仿真数据，对一物理信息图神经网络预测引擎及一工艺-性能关联子模型进行训练，其中，所述物理信息图神经网络预测引擎用于预测烧结炉内温度场演化，所述工艺-性能关联子模型用于建立工件的温度历史与最终磁性能之间的映射关系；

步骤二，装载与初始化：获取烧结炉内混合装载的钕铁硼生坯的三维几何模型与空间位置信息，并依据所述信息生成一个表征烧结炉物理系统的数字孪生图模型；

步骤三，实时预测与梯度控制：在烧结过程中，进入实时控制循环，在每一时间步内，

感知并更新所述数字孪生图模型的状态；

利用预训练的所述物理信息图神经网络预测引擎，根据当前图模型状态和上一时刻的加热动作，预测所述烧结炉内各钕铁硼生坯未来的温度演化轨迹；

利用多智能体强化学习控制引擎，根据所述预测的温度演化轨迹及由所述工艺-性能关联子模型预测的最终磁性能，计算加热联合动作以生成一非均匀温度梯度场，以引导每一个钕铁硼生坯沿其各自的目标热处理轨迹进行烧结；

执行所述加热联合动作；

所述物理信息图神经网络预测引擎的训练过程受到物理信息约束，其损失函数包括数据驱动项和物理残差项，所述物理残差项用于惩罚违反热力学定律的预测结果；

所述多智能体强化学习控制引擎将烧结炉内每一个可独立控制的加热区定义为一个独立的智能体，并采用多目标奖励函数进行决策，所述多目标奖励函数综合考量以下至少一项或多项的组合：各工件单元的预测温度与目标温度曲线之间的偏差、预测的最终磁性能与目标值的接近程度、预测的工件内部热应力是否低于开裂阈值、以及所有加热器的总功率输出。

2.根据权利要求1所述的方法，其特征在于，所述步骤二中，获取所述钕铁硼生坯的三维几何模型与空间位置信息，具体包括：

将所述钕铁硼生坯装载到烧结炉的工装上后，启动三维扫描系统，对装载完成的所述钕铁硼生坯进行扫描，以获取每一个生坯精确的三维几何模型、空间坐标和姿态信息。

3.根据权利要求1所述的方法，其特征在于，所述数字孪生图模型为异构图模型，其中：

图的节点包括代表钕铁硼生坯离散化单元的工件节点、代表独立加热元件的加热器节点、代表烧结工装离散化单元的工装节点、代表炉膛内壁离散化单元的炉壁节点、以及代表炉内气体体积单元的气体节点；

图的边代表所述节点间的热量传递路径，包括代表物理接触热传递的传导边、代表固体与气体间热传递的对流边、以及代表表面间辐射热传递的辐射边。

4.根据权利要求3所述的方法，其特征在于，所述多智能体强化学习控制引擎采用中心化训练、去中心化执行的框架。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括步骤四，在线学习与自适应：

在烧结过程中，将所述物理信息图神经网络预测引擎的温度预测值与下一时刻传感器的实际测量值进行比较，计算两者之间的误差，并利用该误差对所述物理信息图神经网络预测引擎的网络参数进行在线微调。

6.根据权利要求3所述的方法，其特征在于，所述物理信息图神经网络预测引擎为物理信息多物理场耦合图神经网络，其物理残差项还引入选自晶粒长大动力学模型、热-力耦合模型、原子扩散模型中的至少一种物理模型作为约束。

7.根据权利要求1所述的方法，其特征在于，所述加热联合动作还包括对主动式多模态热流调控机构的控制指令，所述主动式多模态热流调控机构为动态可控辐射屏蔽阵列或矩阵式脉冲气氛射流系统。

8.一种用于烧结钕铁硼的烧结炉温度梯度控制系统，应用如权利要求1-7任一项所述的一种用于烧结钕铁硼的烧结炉温度梯度控制方法，其特征在于，包括：

一台具有多个可独立调节功率的加热区的多温区烧结炉；

一个数字孪生建模模块，用于获取烧结炉内混合装载的钕铁硼生坯的三维几何模型与空间位置信息，并生成一个表征所述烧结炉物理系统的数字孪生图模型；

一个经过离线训练的物理信息图神经网络预测引擎，用于根据当前图模型状态和上一时刻的加热动作，预测所述烧结炉内各钕铁硼生坯未来的温度演化轨迹；

一个多智能体强化学习控制引擎，用于结合所述预测的温度演化轨迹以及一预训练的工艺-性能关联子模型对最终磁性能的预测，计算出旨在创造最优非均匀温度梯度场的加热联合动作，以引导每一个钕铁硼生坯沿其各自的最优热处理轨迹进行烧结；

一个数据采集与执行单元，用于从所述烧结炉内的传感器采集数据以更新图模型状态，并执行所述加热联合动作。