本發(fā)明涉及均勻磁場，特別是一種基于智能感知的均勻磁場設計系統(tǒng)及方法。

背景技術：

1、磁場模擬裝置在地磁導航等航空航天工程中具有重要應用價值，理想的磁場模擬裝置應在足夠大的空間范圍內產(chǎn)生高度均勻的磁場，因此磁場的均勻性成為評估磁場模擬裝置性能的關鍵指標，近年來隨著磁場模擬裝置在各領域的廣泛應用，其磁場分布的均勻性越來越受到科研工作者的關注，亥姆霍茲線圈是一種最早用于生成均勻磁場的經(jīng)典設計，其原理是通過兩組同軸且間距合適的線圈，通以相同方向的電流來產(chǎn)生均勻磁場，但隨著離中心位置的距離增大，磁場均勻性迅速下降，限制了其在大空間場景中的應用，針對亥姆霍茲線圈的不足，學者們提出了多種改進方案，譬如采用三線圈或四線圈陣列，使磁場在更大空間內保持均勻，擴大均勻磁場的范圍，改變線圈間距或線圈的直徑比例來提升了磁場均勻性。

2、當前的均勻磁場設計方法逐漸引入智能感知和優(yōu)化算法來提升磁場的均勻性和穩(wěn)定性，但是在大規(guī)模線圈組中，當前的均勻磁場設計方式常出現(xiàn)邊緣效應、熱噪聲和外界干擾，導致局部磁場不均勻，現(xiàn)有智能感知方法主要依賴預設的感知點和補償機制，對局部的變化響應不夠精細，同時所采用的優(yōu)化算法如遺傳算法、粒子群優(yōu)化，在面對實時數(shù)據(jù)時，由于計算復雜度和算法響應時間問題，難以快速適應磁場的瞬時變化，在多變量耦合的情況下調節(jié)效率低。

3、為提高局部變化的響應精度，傳統(tǒng)方案采用增加補償線圈調整局部磁場分布，或對局部磁場進行人工調節(jié)，但補償方法缺乏實時性，無法對快速變化的局部磁場進行有效補償，人工調節(jié)又反應速度慢，精度低，為應對磁場變化，傳統(tǒng)方案通過大量離線仿真優(yōu)化參數(shù)，但這些參數(shù)在實際運行時缺乏靈活調整能力，部分利用預設調節(jié)曲線進行參數(shù)調節(jié)的方式也無法動態(tài)響應實時感知數(shù)據(jù)，導致調節(jié)效果局限，因此亟需一種基于智能感知的均勻磁場系統(tǒng)及其設計方法來解決此類問題。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于智能感知的均勻磁場設計系統(tǒng)及方法解決現(xiàn)有基于智能感知的均勻磁場設計在局部補償、實時調節(jié)和精細優(yōu)化上存在響應速度慢、動態(tài)適應能力差、優(yōu)化精度不足的問題。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、一方面，本發(fā)明提供了一種基于智能感知的均勻磁場系統(tǒng)，其包括，

5、智能感知系統(tǒng)，基于部署在磁場區(qū)域內的傳感器陣列，實時采集包括磁場強度、方向、溫度以及外界干擾在內的多維數(shù)據(jù)，并利用數(shù)據(jù)融合技術，將多個傳感器的數(shù)據(jù)進行整合和去噪，同時負責將采集到的數(shù)據(jù)實時傳輸給補償模塊和優(yōu)化模塊；

6、傳感器陣列，由多個分布在磁場區(qū)域內的傳感器組成，用于多點位磁場參數(shù)采集，監(jiān)測環(huán)境參數(shù)；

7、量子模擬系統(tǒng)，用于對采集的磁場數(shù)據(jù)進行微觀層次仿真分析，動態(tài)模擬磁場在不同時間和空間上的演化過程，識別磁場不均勻性和潛在干擾源；

8、補償模塊，根據(jù)智能感知系統(tǒng)反饋，實時調整局部補償線圈的電流或位置；

9、優(yōu)化模塊，采用深度強化學習對系統(tǒng)線圈設計以及補償策略進行優(yōu)化調整，優(yōu)化調整根據(jù)實時反饋進行實時調整。

10、另一方面，本發(fā)明提供了一種基于智能感知的均勻磁場系統(tǒng)的設計方法，包括，

11、步驟s1，智能感知系統(tǒng)部署與數(shù)據(jù)采集，

12、部署智能感知系統(tǒng)以及傳感器陣列，構建磁場分布模型，傳感器陣列實時采集包括磁場的強度、方向、環(huán)境溫度在內的多維感知數(shù)據(jù)，感知數(shù)據(jù)采用多傳感器融合技術進行處理，并進行去噪并標準化；

13、步驟s2，基于量子模擬的磁場微觀分析，

14、將預處理后的感知數(shù)據(jù)輸入量子模擬系統(tǒng)，進行微觀分析，模擬磁場的動態(tài)演化過程，識別磁場中局部不均勻區(qū)域、熱噪聲影響點以及潛在的干擾源，輸出局部不均勻性和干擾源分布區(qū)域，

15、步驟s3，深度強化學習算法優(yōu)化，

16、基于量子模擬分析結果，利用深度強化學習算法對包括電流以及線圈間距在內的線圈參數(shù)進行優(yōu)化，

17、輸出優(yōu)化后的線圈參數(shù)，形成初步優(yōu)化方案，同時建立快速響應模型；

18、步驟s4，局部實時動態(tài)補償，

19、在量子模擬分析識別的關鍵區(qū)域布置局部補償模塊，連接至智能感知系統(tǒng)，

20、智能感知系統(tǒng)將關鍵區(qū)域內的局部偏差數(shù)據(jù)反饋給補償模塊，

21、根據(jù)反饋數(shù)據(jù)，補償模塊動態(tài)調整補償線圈的電流，進行局部磁場補償，實現(xiàn)對快速變化的局部磁場實時響應和修正；

22、步驟s5，有限元仿真與閉環(huán)驗證，

23、將優(yōu)化后的線圈參數(shù)和補償策略輸入有限元仿真軟件進行整體驗證，

24、仿真分析磁場的均勻性、穩(wěn)定性以及對外界干擾的抵抗能力，

25、反饋仿真結果至優(yōu)化模塊，若均勻性指標未滿足，則返回至步驟s3重復調整優(yōu)化參數(shù)，進行迭代優(yōu)化。

26、進一步的，步驟s1進行磁場分布模型構建方式為：

27、將傳感器采集的數(shù)據(jù)進行空間插值和整合，設傳感器陣列由n個傳感器組成，每個傳感器i采集的數(shù)據(jù)為磁場強度bi、方向θi和環(huán)境溫度ti，其中，b(x,y,z)表示在三維坐標系下位置(x,y,z)處的磁場強度，wi表示權重因子，即每個傳感器對該位置的貢獻，權重基于傳感器與該位置的距離及其測量精度判斷，bi表示第i個傳感器的磁場強度測量值；

28、權重其中，α表示衰減因子，di表示第i個傳感器到位置(x,y,z)的距離，其中(xi,yi,zi)是傳感器i的位置坐標，和表示第i和第j個傳感器對(x,y,z)位置處的貢獻，權重隨著距離di和dj增大而快速減?。?/p>

29、進行加權融合，其中，表示融合后的磁場強度，βi表示融合權重，權重其中，σi表示傳感器i的測量噪聲標準差；

30、使用卡爾曼濾波進行數(shù)據(jù)平滑，并進行歸一化處理，數(shù)據(jù)平滑方式：

31、其中，表示時刻k的估計磁場強度，表示時刻k-1的磁場強度估計，kk表示卡爾曼增益，表示當前測量對估計值的修正程度，卡爾曼增益其中，pk-1表示預測誤差的協(xié)方差，r表示測量噪聲的協(xié)方差；

32、標準化：其中，b′表示標準化后的磁場強度，μb表示磁場強度的平均值，σb表示磁場強度的標準差。

33、進一步的，步驟s2中量子模擬系統(tǒng)對磁場的微觀分析方式為：

34、將預處理后的感知數(shù)據(jù)輸入量子模擬系統(tǒng)進行初始化，其中n為傳感器數(shù)量，初始化時，將數(shù)據(jù)映射到量子態(tài)空間；

35、其中，ψ0表示初始量子態(tài)，即磁場的初始分布，n表示傳感器的數(shù)量，表示相位因子，φi與傳感器位置和磁場方向相關，|bi,θi,ti>表示傳感器i采集的數(shù)據(jù)；

36、進行磁場動態(tài)演化模擬，使用時間依賴的薛定諤方程模擬磁場的動態(tài)演化，量子態(tài)的演化用哈密頓量h(t)控制，模擬磁場的時間變化和擾動影響，演化公式：其中，ψ(t)表示時間t時的量子態(tài)，表示約化普朗克常數(shù)，表示偏導數(shù)；

37、h(t)＝h0+hdisturb(t)，表示總哈密頓量，由初始系統(tǒng)哈密頓量h0和擾動項hdisturb(t)組成，擾動項hdisturb(t)代表熱噪聲和外界干擾的動態(tài)影響，

38、其中，m表示擾動源的數(shù)量，γk(t)表示擾動強度，隨時間變化，σk表示pauli矩陣，表示磁場的局部擾動形式。

39、進一步的，步驟s2中量子模擬系統(tǒng)對磁場的微觀分析方式還包括：

40、進行不均勻性、熱噪聲和干擾源識別，基于觀測態(tài)的局部演化計算磁場分布的概率密度函數(shù)p(x,y,z)，識別不均勻區(qū)域和干擾源，概率密度p(x,y,z)＝|<x,y,z|ψ(t)>|2，其中，p(x,y,z)表示在位置(x,y,z)處的磁場分布概率，|x,y,z>表示空間坐標下的位置態(tài)；

41、不均勻性識別δb(x,y,z)＝|btarget-∫vp(x,y,z)b(x,y,z)dv|，其中，δb(x,y,z)表示在位置(x,y,z)處與目標磁場的偏差，btarget表示目標磁場強度，∫v·表示對體積v進行積分，計算局部磁場分布的平均值，以此識別出局部不均勻性和干擾源的分布區(qū)域。

42、進一步的，步驟s3中，基于量子模擬分析結果，利用深度強化學習優(yōu)化線圈參數(shù)方式為：

43、將量子模擬結果作為強化學習的環(huán)境狀態(tài)輸入，設定初始參數(shù)，包括電流i0和線圈間距d0，并計算初始磁場均勻性指標，狀態(tài)空間定義為：

44、st＝{b(x,y,z),δb(x,y,z),i,d}，其中，st表示狀態(tài)向量，即當前時刻t的系統(tǒng)狀態(tài)，b(x,y,z)表示位置(x,y,z)處的磁場強度，δb(x,y,z)表示位置(x,y,z)處的磁場不均勻性偏差，i表示當前線圈的電流，d表示當前線圈間距；

45、利用策略網(wǎng)絡π(at|st)選擇動作at，優(yōu)化線圈參數(shù)，最大化獎勵函數(shù)r，策略更新公式為at＝πθ(st)，其中，at表示當前時刻的動作，即電流i和線圈間距d的調整值，πθ表示策略網(wǎng)絡，參數(shù)為θ；

46、獎勵函數(shù)為r＝-α∑(x,y,z)|δb(x,y,z)|-β(i2+d2)，其中，r表示獎勵值，目標是最大化r，α、β表示權重參數(shù)，分別控制均勻性和參數(shù)調整的影響，|δb(x,y,z)|表示不均勻性絕對值；

47、根據(jù)當前策略πθ，執(zhí)行動作調整電流和線圈間距，并獲得新的狀態(tài)st+1和獎勵r，狀態(tài)轉移公式為st+1＝f(st,at)，其中，st+1表示執(zhí)行動作后的新狀態(tài)，f表示狀態(tài)轉移函數(shù)。

48、進一步的，步驟s3中，利用深度強化學習優(yōu)化線圈參數(shù)方式還包括：

49、采用梯度提升策略網(wǎng)絡參數(shù)θ，策略梯度更新公式為其中，θt+1表示更新后的策略參數(shù)，η表示學習率，表示獎勵的梯度期望；

50、建立快速響應模型，在環(huán)境變化時，調整線圈參數(shù)，快速響應模型為：其中，表示快速響應的預估動作，g表示快速響應網(wǎng)絡，通過訓練調整對磁場狀態(tài)的響應速度，利用深度強化學習方法優(yōu)化線圈的電流和間距，形成初步優(yōu)化方案，同時建立快速響應模型實現(xiàn)實時的參數(shù)調整。

51、進一步的，步驟s4中，關鍵區(qū)域即局部不均勻性和干擾源分布區(qū)域。

52、進一步的，步驟s4中，根據(jù)反饋數(shù)據(jù)動態(tài)調整補償線圈的電流進行局部磁場補償方式為：

53、智能感知系統(tǒng)基于實時采集的局部磁場偏差δb(x,y,z)，將數(shù)據(jù)反饋給補償控制模塊，偏差公式δb(x,y,z)＝bmeasured(x,y,z)-btarget，其中，δb(x,y,z)表示位置(x,y,z)處的磁場偏差，bmeasured(x,y,z)表示實際測量的磁場強度，btarget表示目標磁場強度；

54、根據(jù)反饋的磁場偏差，計算需要補償?shù)碾娏髡{整量δi，補償電流與偏差量采用比例積分微分pid控制，補償電流其中，δi(t)表示時間t時刻的補償電流調整量，kp,ki,kd分別為比例、積分和微分增益系數(shù)，δb(t)表示當前時刻的磁場偏差，表示磁場偏差的積分，即累計偏差，表示磁場偏差的導數(shù)，即變化速率；

55、將計算得到的電流調整量δi(t)作用于補償線圈，調節(jié)后的電流i(t)用于補償磁場偏差，電流調整過程表示為i(t)＝ibase+δi(t)，其中，i(t)表示當前時刻補償線圈的電流，ibase表示補償線圈的初始設定電流。

56、進一步的，步驟s4中，進行局部磁場補償方式還包括：

57、基于調整的電流i(t)計算調整后局部磁場bcomp(x,y,z)，補償效果反饋回智能感知系統(tǒng)，磁場補償公式為其中，bcomp(x,y,z)表示補償后的磁場強度，k表示常數(shù)，r表示補償線圈的半徑，r表示線圈中心到補償位置的距離；

58、持續(xù)監(jiān)控δb(x,y,z)，根據(jù)最新的偏差調整補償電流，動態(tài)反饋方式為：

59、δbnew＝δbold-bcomp(x,y,z)，其中，δbnew表示經(jīng)過補償后的新的磁場偏差，δbold表示補償前的磁場偏差；根據(jù)實時反饋數(shù)據(jù)動態(tài)調整補償線圈的電流，實現(xiàn)對局部磁場的快速、精準補償，從而提高磁場的整體均勻性和穩(wěn)定性。

60、本發(fā)明有益效果為：

61、本發(fā)明，通過智能感知系統(tǒng)和深度強化學習算法實時檢測和分析磁場的局部偏差，采用動態(tài)調整補償線圈電流，實現(xiàn)精細化的磁場補償，將pid控制與智能反饋結合，對快速變化的局部磁場做出迅速精準調整。

62、本發(fā)明，通過量子模擬分析識別局部不均勻性、熱噪聲和潛在干擾源，結合深度強化學習對線圈參數(shù)進行優(yōu)化，調整電流和線圈間距以最大化磁場的均勻性，顯著提高了磁場的均勻性和穩(wěn)定性。

63、本發(fā)明，通過實時監(jiān)測和分析磁場變化，識別外界干擾源并進行補償調整，增強對熱噪聲和外部擾動的抵抗能力。

64、本發(fā)明，大幅減少對人工調節(jié)的依賴，通過智能感知系統(tǒng)、強化學習優(yōu)化和快速響應模型，形成全自動的參數(shù)調整和優(yōu)化過程，能夠快速適應不同磁場需求。