摘 要：本发明公开了基于大数据的苎麻纤维烘干环境管理系统，包括数据获取模块、多阶段烘干效果评估模型构建模块、分阶段烘干环境参数优化模块、全局烘干环境参数协同优化模块和苎麻纤维烘干环境智能管理模块。本发明涉及数据处理技术领域，具体是指基于大数据的苎麻纤维烘干环境管理系统，本方案创新性地设计苎麻纤维分阶段评估方法，基于分阶段评估方法设计分阶段与全局烘干环境参数协同优化的双层嵌套优化架构，增强了对各烘干阶段的精准管控；设置特征分裂重组卷积层与动态预映射卷积层，实现了苎麻多阶段烘干效果精准量化评估；采用改进的优化算法，并将分阶段局部烘干环境参数组合作为全局寻优的优化初始基准，提升烘干环境参数寻优准确性。
权利要求书
1.基于大数据的苎麻纤维烘干环境管理系统，其特征在于：包括数据获取模块、多阶段烘干效果评估模型构建模块、分阶段烘干环境参数优化模块、全局烘干环境参数协同优化模块和苎麻纤维烘干环境智能管理模块；
所述数据获取模块，通过数据采集和数据预处理，得到烘干环境管理优化数据；
所述多阶段烘干效果评估模型构建模块，具体为构建共享主干式单目标的烘干效果评估模型，并分别完成各个烘干阶段对应的烘干效果评估模型训练，得到各个烘干阶段训练后的烘干效果评估模型；所述烘干效果评估模型中特征分裂重组卷积层通过伯努利概率规则生成通道选择掩码，对输入一维特征序列进行随机通道分裂，动态预映射卷积层采用融合B样条基函数与激活函数的动态预映射函数进行自适应非线性映射；
所述分阶段烘干环境参数优化模块，具体为采用三函数耦合混沌自适应初始化策略和两阶段非线性概率调控策略对优化算法进行改进，构建得到烘干环境参数优化算法，基于该优化算法，分别获取到各烘干阶段的局部最优烘干环境参数数据并进行整合，得到分阶段局部烘干环境参数组合；
所述全局烘干环境参数协同优化模块，具体为将分阶段局部烘干环境参数组合作为优化初始基准，基于烘干环境参数优化算法得到全局烘干环境参数组合，通过全局寻优与分阶段局部寻优的烘干效果比对，得到全局烘干环境最优参数组合；
所述苎麻纤维烘干环境智能管理模块，具体为基于全局烘干环境最优参数组合，对各阶段烘干环境参数进行统一管控。
2.根据权利要求1所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述多阶段烘干效果评估模型构建模块，具体包括以下步骤：
构建效果评估模型；
构建原麻烘干效果评估模型，具体为基于效果评估模型建立初始原麻烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的原麻烘干数据作为训练样本数据，输入到初始原麻烘干效果评估模型进行模型训练，得到训练后的原麻烘干效果评估模型；
构建脱胶麻烘干效果评估模型，具体为基于效果评估模型建立初始脱胶麻烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的脱胶麻烘干数据作为训练样本数据，输入到初始脱胶麻烘干效果评估模型进行模型训练，得到训练后的脱胶麻烘干效果评估模型；
构建成品纤维烘干效果评估模型，具体为基于效果评估模型建立初始成品纤维烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的成品纤维烘干数据作为训练样本数据，输入到初始成品纤维烘干效果评估模型进行模型训练，得到训练后的成品纤维烘干效果评估模型。
3.根据权利要求2所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述构建效果评估模型，具体包括以下步骤：
设计模型输入层，具体为将烘干环境管理优化数据中单一烘干阶段烘干数据作为模型输入数据，通过进行特征展平处理，将模型输入数据转化为一维特征序列；
设计特征分裂重组卷积层，具体为对一维特征序列，沿特征通道维度进行随机分裂，得到残差特征向量与传输特征向量，并对残差特征向量采用一维卷积操作进行特征强化，最终将强化后的残差特征向量与传输特征向量沿通道维度进行拼接重组，得到自主筛选强化后的核心特征矩阵；
所述随机分裂具体为对输入的一维标准化特征序列，沿特征通道维度，按照预设的伯努利概率规则生成二元通道选择掩码，通过掩码对特征通道进行筛选，将筛选出的非零通道特征提取为残差特征向量，剩余通道特征作为传输特征向量；
设计动态预映射卷积层，具体为采用一维卷积操作，对核心特征矩阵进行局部特征提取，得到局部烘干特征，再采用融合B样条基函数与Swish激活函数的动态预映射函数对局部烘干特征进行自适应非线性变换，得到动态映射特征，最后对动态映射特征依次执行批归一化操作与ReLU激活函数变换，完成全局非线性映射，输出非线性强化特征矩阵；
设计分阶双流特征融合层，具体为双流并行融合结构，先通过逐点卷积分别对核心特征矩阵和非线性强化特征矩阵进行通道维度统一，同时通过多层感知机对统一维度后的核心特征进行强化，随后，对强化后的核心特征与统一维度后的非线性强化特征执行逐元素相乘融合，最后，对融合后的特征通过逐点卷积完成特征优化，输出全局融合烘干特征；
设计效果评估输出层，具体为先通过全局平均池化运算将全局融合烘干特征整合为全局特征，再经全连接层将全局特征映射为初步评分数值，最后通过区间截断函数对初步评分进行范围约束，输出单值烘干效果量化评分数值。
4.根据权利要求1所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述分阶段烘干环境参数优化模块，具体包括以下步骤：
建立烘干环境参数优化算法；
原麻烘干环境参数局部寻优，具体为将原麻烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的原麻烘干效果评估模型，进行原麻烘干环境参数数据动态优化搜索，得到原麻烘干阶段的局部最优烘干环境参数数据；
脱胶麻烘干环境参数局部寻优，具体为将脱胶麻烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的脱胶麻烘干效果评估模型，进行脱胶麻烘干环境参数数据动态优化搜索，得到脱胶麻烘干阶段的局部最优烘干环境参数数据；
成品纤维烘干环境参数局部寻优，具体为将成品纤维烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的成品纤维烘干效果评估模型，进行成品纤维烘干环境参数数据动态优化搜索，得到成品纤维烘干阶段的局部最优烘干环境参数数据；
构建分阶段局部烘干环境参数组合，具体为将原麻烘干阶段、脱胶麻烘干阶段和成品纤维烘干阶段对应的局部最优烘干环境参数数据，按烘干工序顺序依次整合，得到分阶段局部烘干环境参数组合。
5.根据权利要求4所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述建立烘干环境参数优化算法，具体包括以下步骤：
初始化搜索种群，具体为设定各阶段烘干环境参数的合理取值范围，划定参数寻优的约束边界，然后将各阶段烘干环境参数数据作为优化算法中的搜索个体位置向量，通过三函数耦合混沌自适应初始化策略，在参数寻优的约束边界内进行搜索个体位置生成，形成M个搜索个体位置xi，从而完成搜索种群的初始化；所用公式如下：
式中，xi+1表示第i+1个混沌值，xi表示第i个混沌值，λ表示混沌控制参数；
计算搜索个体适应度值，具体为将搜索个体位置对应的单阶段烘干环境参数数据与该阶段数据预处理后的烘干数据，共同输入到训练后的对应阶段烘干效果评估模型中，将模型输出的烘干效果量化评分数值作为搜索个体的适应度值；
计算两阶段非线性概率，具体为根据当前迭代次数与最大迭代次数，通过两阶段非线性函数计算搜索个体觅食策略的选择概率，所用公式如下：
式中，w表示搜索个体觅食策略的选择概率，t表示当前的迭代次数，tmax表示最大迭代次数，k表示非线性调节常数，用于划分两阶段迭代阈值；
搜索个体位置更新，具体为首先生成[0,1]范围内均匀分布的随机数r1，基于搜索个体觅食策略的选择概率判定执行对应觅食策略，若r1<1-ω，则执行螺旋觅食策略，若r1≥1-ω，则执行抛物觅食策略，得到下一代搜索个体位置；
搜索迭代终止，具体为在每一轮迭代结束后，对当前种群中所有搜索个体适应度值进行计算，当搜索个体适应度值高于适应度阈值时或达到最大迭代次数时，终止搜索并获得全局最优搜索个体位置，所述全局最优搜索个体位置，具体指最优烘干环境参数数据。
6.根据权利要求1所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述全局烘干环境参数协同优化模块，具体包括以下步骤：
烘干环境参数全局寻优，具体为将原麻、脱胶麻、成品纤维三阶段烘干环境参数作为烘干环境参数全局寻优变量，并将分阶段局部烘干环境参数组合作为优化初始基准，根据烘干环境参数优化算法，以成品纤维烘干效果评估值作为全局优化目标函数，同时将成品纤维烘干环境参数局部寻优中所得全局最优搜索个体位置对应的适应度值，设定为全烘干环境参数全局寻优中搜索迭代终止的适应度阈值，进行烘干环境参数全局寻优搜索，得到全局烘干环境参数组合；
全局烘干环境最优参数组合获取，具体为若烘干环境参数全局寻优中搜索迭代终止的条件为达到最大迭代次数时，则进行全局寻优与分阶段局部寻优的烘干效果比对，择优选定并输出最终的全局烘干环境最优参数组合。
7.根据权利要求1所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述苎麻纤维烘干环境智能管理模块具体为基于全局烘干环境最优参数组合，对原麻预烘干、脱胶麻中间烘干、成品纤维精准烘干各工序的烘干环境参数进行统一管控，实现苎麻纤维烘干全流程协同与智能闭环管理。
8.根据权利要求1所述的基于大数据的苎麻纤维烘干环境管理系统，其特征在于：所述数据获取模块具体为通过数据采集得到烘干环境管理原始数据，并进行数据预处理，得到烘干环境管理优化数据；所述苎麻纤维烘干环境管理原始数据包括历史烘干环境管理数据和实时烘干环境管理数据；所述历史烘干环境管理数据和实时烘干环境管理数据都包括原麻烘干数据、脱胶麻烘干数据和成品纤维烘干数据；所述数据预处理，具体为对烘干环境管理原始数据进行数据清洗、标准化处理和数据特征选择，得到烘干环境管理优化数据。
技术领域
本发明涉及数据处理技术领域，具体是指基于大数据的苎麻纤维烘干环境管理系统。
背景技术
苎麻纤维烘干环境管理系统是一种面向苎麻加工企业烘干工序的智能化管理系统，通过利用大数据处理技术及人工智能技术，对苎麻纤维烘干过程中的多源环境数据进行采集与数据分析，实现对烘干环境的实时监测与全程管理，为烘干工序管理者提供科学、精准、高效的数据驱动决策支持，提升苎麻纤维烘干效率、保障苎麻纤维品质、降低能耗、减少人工干预。
但是，针对传统苎麻纤维烘干环境管理系统中存在仅单独采用整体单一全局优化或孤立分阶段优化，未开展分阶段与全局的联合协同优化，导致烘干环境参数适配性差、管控逻辑割裂、整体管理效率低下的技术问题；现有适用于烘干效果评估模型中存在无自适应通道筛选与特征分层处理机制，且缺少专用非线性映射结构，导致烘干效果量化评估精度低、泛化性差的技术问题；现有适用于烘干环境参数寻优的方法中存在全局寻优无合理初始基准，以及采用优化算法中收敛速度慢和寻优精度低，导致烘干环境参数寻优准确性低、全局优化方案适配性差的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于大数据的苎麻纤维烘干环境管理系统，针对传统苎麻纤维烘干环境管理系统中存在仅单独采用整体单一全局优化或孤立分阶段优化，未开展分阶段与全局的联合协同优化，导致烘干环境参数适配性差、管控逻辑割裂、整体管理效率低下的技术问题，本方案创新性地设计苎麻纤维分阶段评估方法，基于分阶段评估方法设计分阶段烘干环境参数优化与全局烘干环境参数协同优化的双层嵌套优化架构，提高了烘干效果评估的精准度，提升了烘干环境参数适配性与全流程协同管理效率，增强了对各烘干阶段的精准管控，保障烘干品质稳定，实现各烘干阶段独立烘干环境参数与全链路全局烘干环境参数优化的有机统一；针对现有适用于烘干效果评估模型中存在无自适应通道筛选与特征分层处理机制，且缺少专用非线性映射结构，导致烘干效果量化评估精度低、泛化性差的技术问题，本方案创新性地设置特征分裂重组卷积层与动态预映射卷积层，提升了烘干核心特征提取质量与输出结果精准度，实现了苎麻多阶段烘干效果精准量化评估，为分阶段烘干参数局部寻优与全局参数协同优化提供可靠的量化支撑；针对现有适用于烘干环境参数寻优的方法中存在全局寻优无合理初始基准，以及采用优化算法中收敛速度慢和寻优精度低，导致烘干环境参数寻优准确性低、全局优化方案适配性差的技术问题，造成苎麻纤维烘干品质不稳定、生产管控效率低的情况，本方案创新性地采用三函数耦合混沌自适应初始化策略和两阶段非线性概率调控策略对优化算法进行改进，构建得到烘干环境参数优化算法，将分阶段局部烘干环境参数组合作为烘干环境参数全局寻优的优化初始基准，提升了烘干环境参数寻优准确性、全局优化方案适配性，实现了苎麻纤维烘干参数精准寻优与全链路苎麻纤维烘干环境协同智能管理。
本发明采取的技术方案如下：本发明提供的基于大数据的苎麻纤维烘干环境管理系统，包括数据获取模块、多阶段烘干效果评估模型构建模块、分阶段烘干环境参数优化模块、全局烘干环境参数协同优化模块和苎麻纤维烘干环境智能管理模块；
所述数据获取模块，具体为通过数据采集和数据预处理，得到烘干环境管理优化数据；
所述多阶段烘干效果评估模型构建模块，具体为构建共享主干式单目标的烘干效果评估模型，依次设置模型输入层、特征分裂重组卷积层、动态预映射卷积层、分阶双流特征融合层以及效果评估输出层，并分别完成原麻、脱胶麻、成品纤维对应的烘干效果评估模型训练，得到各个阶段训练后的烘干效果评估模型；所述特征分裂重组卷积层通过伯努利概率规则生成通道选择掩码，对输入一维特征序列进行随机通道分裂，所述动态预映射卷积层采用融合B样条基函数与激活函数的动态预映射函数进行自适应非线性映射；
所述分阶段烘干环境参数优化模块，具体为采用三函数耦合混沌自适应初始化策略和两阶段非线性概率调控策略对优化算法进行改进，构建得到烘干环境参数优化算法，然后基于该优化算法进行各烘干阶段的烘干环境参数局部寻优，分别获取到各烘干阶段的局部最优烘干环境参数数据，并按烘干工序顺序进行整合，得到分阶段局部烘干环境参数组合；
所述全局烘干环境参数协同优化模块，具体为将分阶段局部烘干环境参数组合作为优化初始基准，通过烘干环境参数优化算法进行烘干环境参数全局寻优，得到全局烘干环境参数组合，再通过全局寻优与分阶段局部寻优的烘干效果比对，获取得到全局烘干环境最优参数组合；
所述苎麻纤维烘干环境智能管理模块，具体为基于全局烘干环境最优参数组合，对各阶段烘干环境参数进行统一管控，实现苎麻纤维全流程烘干环境智能化管理。
进一步地，所述数据获取模块具体为通过数据采集得到烘干环境管理原始数据，并进行数据预处理，得到烘干环境管理优化数据；所述苎麻纤维烘干环境管理原始数据包括历史烘干环境管理数据和实时烘干环境管理数据；所述历史烘干环境管理数据和实时烘干环境管理数据都包括原麻烘干数据、脱胶麻烘干数据和成品纤维烘干数据；
所述数据预处理，具体为对烘干环境管理原始数据进行数据清洗、标准化处理和数据特征选择，得到烘干环境管理优化数据。
进一步地，所述多阶段烘干效果评估模型构建模块，具体包括以下步骤：
构建效果评估模型，具体包括以下步骤：
设计模型输入层，具体为将烘干环境管理优化数据中单一烘干阶段烘干数据作为模型输入数据，通过进行特征展平处理，将模型输入数据转化为一维特征序列；
设计特征分裂重组卷积层，具体为对一维特征序列，沿特征通道维度进行随机分裂，得到残差特征向量与传输特征向量，并对残差特征向量采用一维卷积操作进行特征强化，最终将强化后的残差特征向量与传输特征向量沿通道维度进行拼接重组，得到自主筛选强化后的核心特征矩阵；
所述随机分裂具体为对输入的一维标准化特征序列，沿特征通道维度，按照预设的伯努利概率规则生成二元通道选择掩码，通过掩码对特征通道进行筛选，将筛选出的非零通道特征提取为残差特征向量，剩余通道特征作为传输特征向量；
设计动态预映射卷积层，具体为采用一维卷积操作，对核心特征矩阵进行局部特征提取，得到局部烘干特征，再采用融合B样条基函数与Swish激活函数的动态预映射函数对局部烘干特征进行自适应非线性变换，得到动态映射特征，最后对动态映射特征依次执行批归一化操作与ReLU激活函数变换，完成全局非线性映射，输出非线性强化特征矩阵；
设计分阶双流特征融合层，具体为双流并行融合结构，先通过逐点卷积分别对核心特征矩阵和非线性强化特征矩阵进行通道维度统一，同时通过多层感知机对统一维度后的核心特征进行强化，随后，对强化后的核心特征与统一维度后的非线性强化特征执行逐元素相乘融合，最后，对融合后的特征通过逐点卷积完成特征优化，输出全局融合烘干特征；
设计效果评估输出层，具体为先通过全局平均池化运算将全局融合烘干特征整合为全局特征，再经全连接层将全局特征映射为初步评分数值，最后通过区间截断函数对初步评分进行范围约束，输出单值烘干效果量化评分数值；
构建原麻烘干效果评估模型，具体为基于效果评估模型建立初始原麻烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的原麻烘干数据作为训练样本数据，输入到初始原麻烘干效果评估模型进行模型训练，得到训练后的原麻烘干效果评估模型；
构建脱胶麻烘干效果评估模型，具体为基于效果评估模型建立初始脱胶麻烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的脱胶麻烘干数据作为训练样本数据，输入到初始脱胶麻烘干效果评估模型进行模型训练，得到训练后的脱胶麻烘干效果评估模型；
构建成品纤维烘干效果评估模型，具体为基于效果评估模型建立初始成品纤维烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的成品纤维烘干数据作为训练样本数据，输入到初始成品纤维烘干效果评估模型进行模型训练，得到训练后的成品纤维烘干效果评估模型。
进一步地，所述分阶段烘干环境参数优化模块，具体包括以下步骤：
建立烘干环境参数优化算法，具体采用改进的优化算法对烘干环境参数进行动态优化搜索，获得各阶段的局部最优烘干环境参数数据；包括以下步骤：
初始化搜索种群，具体为设定各阶段烘干环境参数的合理取值范围，划定参数寻优的约束边界，然后将各阶段烘干环境参数数据作为优化算法中的搜索个体位置向量，通过三函数耦合混沌自适应初始化策略，在参数寻优的约束边界内进行搜索个体位置生成，形成M个搜索个体位置Xi，从而完成搜索种群的初始化；所用公式如下：
式中，xi+1表示第i+1个混沌值，xi表示第i个混沌值，λ表示混沌控制参数；
计算搜索个体适应度值，具体为将搜索个体位置对应的单阶段烘干环境参数数据与该阶段数据预处理后的烘干数据，共同输入到训练后的对应阶段烘干效果评估模型中，将模型输出的烘干效果量化评分数值作为搜索个体的适应度值；
计算两阶段非线性概率，具体为根据当前迭代次数与最大迭代次数，通过两阶段非线性函数计算搜索个体觅食策略的选择概率，所用公式如下：
式中，ω表示搜索个体觅食策略的选择概率，t表示当前的迭代次数，tmax表示最大迭代次数，k表示非线性调节常数，用于划分两阶段迭代阈值；
搜索个体位置更新，具体为首先生成[0,1]范围内均匀分布的随机数r1，基于搜索个体觅食策略的选择概率判定执行对应觅食策略，若r1<1-ω，则执行螺旋觅食策略，若r1≥1-ω，则执行抛物觅食策略，得到下一代搜索个体位置；
搜索迭代终止，具体为在每一轮迭代结束后，对当前种群中所有搜索个体适应度值进行计算，当搜索个体适应度值高于适应度阈值时或达到最大迭代次数时，终止搜索并获得全局最优搜索个体位置，所述全局最优搜索个体位置，具体指最优烘干环境参数数据；
原麻烘干环境参数局部寻优，具体为将原麻烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的原麻烘干效果评估模型，进行原麻烘干环境参数数据动态优化搜索，得到原麻烘干阶段的局部最优烘干环境参数数据；
脱胶麻烘干环境参数局部寻优，具体为将脱胶麻烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的脱胶麻烘干效果评估模型，进行脱胶麻烘干环境参数数据动态优化搜索，得到脱胶麻烘干阶段的局部最优烘干环境参数数据；
成品纤维烘干环境参数局部寻优，具体为将成品纤维烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的成品纤维烘干效果评估模型，进行成品纤维烘干环境参数数据动态优化搜索，得到成品纤维烘干阶段的局部最优烘干环境参数数据；
构建分阶段局部烘干环境参数组合，具体为将原麻烘干阶段、脱胶麻烘干阶段和成品纤维烘干阶段对应的局部最优烘干环境参数数据，按烘干工序顺序依次整合，得到分阶段局部烘干环境参数组合。
进一步地，所述全局烘干环境参数协同优化模块，具体包括以下步骤：
烘干环境参数全局寻优，具体为将原麻、脱胶麻、成品纤维三阶段烘干环境参数作为烘干环境参数全局寻优变量，并将分阶段局部烘干环境参数组合作为优化初始基准，根据烘干环境参数优化算法，以成品纤维烘干效果评估值作为全局优化目标函数，同时将成品纤维烘干环境参数局部寻优中所得全局最优搜索个体位置对应的适应度值，设定为全烘干环境参数全局寻优中搜索迭代终止的适应度阈值，进行烘干环境参数全局寻优搜索，得到全局烘干环境参数组合；
全局烘干环境最优参数组合获取，具体为若烘干环境参数全局寻优中搜索迭代终止的条件为达到最大迭代次数时，则进行全局寻优与分阶段局部寻优的烘干效果比对，择优选定并输出最终的全局烘干环境最优参数组合。
进一步地，所述苎麻纤维烘干环境智能管理模块具体为基于全局烘干环境最优参数组合，对原麻预烘干、脱胶麻中间烘干、成品纤维精准烘干各工序的烘干环境参数进行统一管控，实现苎麻纤维烘干全流程协同与智能闭环管理。
采用上述方案本发明取得的有益效果如下：
（1）针对传统苎麻纤维烘干环境管理系统中存在仅单独采用整体单一全局优化或孤立分阶段优化，未开展分阶段与全局的联合协同优化，导致烘干环境参数适配性差、管控逻辑割裂、整体管理效率低下的技术问题，造成烘干品质不稳定、烘干品质与生产效率低，本方案创新性地设计苎麻纤维分阶段评估方法，基于分阶段评估方法设计分阶段烘干环境参数优化与全局烘干环境参数协同优化的双层嵌套优化架构，通过对各烘干阶段分别开展专属评估，结合分阶段参数优化与全局协同优化相结合的方式，提高了烘干效果评估的精准度，提升了烘干环境参数适配性与全流程协同管理效率，增强了对各烘干阶段的精准管控，保障烘干品质稳定，实现各烘干阶段独立烘干环境参数与全链路全局烘干环境参数优化的有机统一，达成苎麻纤维烘干全流程协同化、精准化、高效化闭环管理。
（2）针对现有适用于烘干效果评估模型中存在无自适应通道筛选与特征分层处理机制，且缺少专用非线性映射结构，导致烘干效果量化评估精度低、泛化性差的技术问题，本方案创新性地设置特征分裂重组卷积层与动态预映射卷积层，特征分裂重组卷积层通过伯努利概率规则生成通道掩码，对一维特征序列进行随机通道分裂，区分残差特征与传输特征并卷积强化后拼接重组；动态预映射卷积层提取局部烘干特征，依托融合B样条基函数与激活函数的动态预映射函数做自适应非线性映射，提高了模型对烘干环境噪声的抑制能力与冗余特征自主筛选剔除能力，增强了模型对烘干复杂非线性耦合规律及过渡阶段特征的拟合表征能力，提升了烘干核心特征提取质量与输出结果精准度，实现了苎麻多阶段烘干效果精准量化评估，为分阶段烘干参数局部寻优与全局参数协同优化提供可靠的量化支撑。
（3）针对现有适用于烘干环境参数寻优的方法中存在全局寻优无合理初始基准，以及采用的优化算法中收敛速度慢和寻优精度低，导致烘干环境参数寻优准确性低、全局优化方案适配性差的技术问题，造成苎麻纤维烘干品质不稳定、生产管控效率低的情况，本方案创新性地采用三函数耦合混沌自适应初始化策略和两阶段非线性概率调控策略对优化算法进行改进，构建得到烘干环境参数优化算法，解决传统算法收敛慢、精度低的性能缺陷，将分阶段局部烘干环境参数组合作为烘干环境参数全局寻优的优化初始基准，在局部最优解邻域内开展全局协同搜索，解决全局寻优无合理基准、适配性差的架构缺陷，提高了优化算法初始种群分布均匀性与全局寻优收敛速度，增强了算法全局探索与局部开发的平衡能力及全局优化结果的工艺可行性，提升了烘干环境参数寻优准确性、全局优化方案适配性，实现了苎麻纤维烘干参数精准寻优与全链路苎麻纤维烘干环境协同智能管理。
附图说明
图1为本发明提供的基于大数据的苎麻纤维烘干环境管理系统的模块示意图；
图1
图2为多阶段烘干效果评估模型构建模块的流程示意图；
图2
图3为分阶段烘干环境参数优化模块的流程示意图；
图3
图4为多阶段烘干效果评估模型构建模块中构建效果评估模型的流程示意图；
图4
图5为分阶段烘干环境参数优化模块中建立烘干环境参数优化算法的流程示意图；
图5
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于大数据的苎麻纤维烘干环境管理系统，包括数据获取模块、多阶段烘干效果评估模型构建模块、分阶段烘干环境参数优化模块、全局烘干环境参数协同优化模块和苎麻纤维烘干环境智能管理模块；
所述数据获取模块，用于采集实现苎麻纤维烘干环境管理所需的原始数据，具体为通过进行数据采集和数据预处理，得到烘干环境管理优化数据，并将数据发送至多阶段烘干效果评估模型构建模块、分阶段烘干环境参数优化模块、全局烘干环境参数协同优化模块；
所述多阶段烘干效果评估模型构建模块接收数据获取模块发送的数据，具体为构建共享主干式单目标的烘干效果评估模型，依次设置模型输入层、特征分裂重组卷积层、动态预映射卷积层、分阶双流特征融合层以及效果评估输出层，并分别完成原麻、脱胶麻、成品纤维对应的烘干效果评估模型训练，得到各个阶段训练后的烘干效果评估模型；所述特征分裂重组卷积层通过伯努利概率规则生成通道选择掩码，对输入一维特征序列进行随机通道分裂，所述动态预映射卷积层采用融合B样条基函数与激活函数的动态预映射函数进行自适应非线性映射，并将数据发送至分阶段烘干环境参数优化模块和全局烘干环境参数协同优化模块；
所述分阶段烘干环境参数优化模块接收数据获取模块和多阶段烘干效果评估模型构建模块发送的数据，具体为采用三函数耦合混沌自适应初始化策略和两阶段非线性概率调控策略对优化算法进行改进，构建得到烘干环境参数优化算法，然后基于该优化算法进行各烘干阶段的烘干环境参数局部寻优，分别获取到各烘干阶段的局部最优烘干环境参数数据，并按烘干工序顺序进行整合，得到分阶段局部烘干环境参数组合，并将数据发送至全局烘干环境参数协同优化模块；
所述全局烘干环境参数协同优化模块接收数据获取模块、多阶段烘干效果评估模型构建模块和分阶段烘干环境参数优化模块发送的数据，具体为将分阶段局部烘干环境参数组合作为优化初始基准，通过烘干环境参数优化算法进行烘干环境参数全局寻优，得到全局烘干环境参数组合，再通过全局寻优与分阶段局部寻优的烘干效果比对，获取得到全局烘干环境最优参数组合，并将数据发送至苎麻纤维烘干环境智能管理模块；
所述苎麻纤维烘干环境智能管理模块接收全局烘干环境参数协同优化模块发送的数据，具体为基于全局烘干环境最优参数组合，对各阶段烘干环境参数进行统一管控，实现苎麻纤维全流程烘干环境智能化管理。
通过执行上述操作，针对传统苎麻纤维烘干环境管理系统中存在仅单独采用整体单一全局优化或孤立分阶段优化，未开展分阶段与全局的联合协同优化，导致烘干环境参数适配性差、管控逻辑割裂、整体管理效率低下的技术问题，造成烘干品质不稳定、烘干品质与生产效率低的情况，本方案创新性地设计苎麻纤维分阶段评估方法，基于分阶段评估方法设计分阶段烘干环境参数优化与全局烘干环境参数协同优化的双层嵌套优化架构，通过对各烘干阶段分别开展专属评估，结合分阶段参数优化与全局协同优化相结合的方式，提高了烘干效果评估的精准度，提升了烘干环境参数适配性与全流程协同管理效率，增强了对各烘干阶段的精准管控，保障烘干品质稳定，实现各烘干阶段独立烘干环境参数与全链路全局烘干环境参数优化的有机统一，达成苎麻纤维烘干全流程协同化、精准化、高效化闭环管理。
实施例二，参阅图1，该实施例基于上述实施例，所述数据获取模块具体为从苎麻纤维烘干生产管理系统中，进行采集苎麻纤维烘干环境管理所需的原始数据，得到烘干环境管理原始数据，并进行数据预处理，得到烘干环境管理优化数据；所述苎麻纤维烘干环境管理原始数据包括历史烘干环境管理数据和实时烘干环境管理数据；所述历史烘干环境管理数据和实时烘干环境管理数据都包括原麻烘干数据、脱胶麻烘干数据和成品纤维烘干数据；
所述数据预处理，用于对苎麻纤维烘干环境管理原始数据进行全流程规范化加工，消除数据噪声、统一数值尺度、筛选核心有效特征；具体为对烘干环境管理原始数据进行数据清洗、标准化处理和数据特征选择，得到烘干环境管理优化数据；
所述原麻烘干数据，用于为原麻预烘干阶段的烘干效果评估模型训练、局部参数寻优、防霉与纤维损伤风险预判提供基础数据支撑，包括原麻批次基础属性数据和原麻烘干环境参数数据；
所述原麻批次基础属性数据包括品种、产地、收割周期、初始含水率均值、初始含水率极差、胶质总量、胶质成分占比、纤维细度、纤维束固有强度和束状结构完整性；
所述原麻烘干环境参数数据包括烘干温度、烘干湿度、烘干风速和烘干时长；
所述脱胶麻烘干数据，用于为脱胶麻中间烘干阶段的烘干效果评估模型训练、局部参数寻优，同时承接原麻烘干数据、衔接成品纤维烘干数据，为全链路烘干效果的因果关联建模提供承上启下的核心特征输入，包括原麻烘干数据、历史原麻烘干效果评估结果、脱胶麻烘干环境参数数据和脱胶麻烘干基础数据；
所述脱胶麻烘干基础数据包括对应批次原麻水溶性胶质占比、对应批次原麻非水溶性胶质占比、脱胶麻铺料厚度、脱胶麻铺料均匀度、脱胶麻装载重量、脱胶麻初始蓬松度、预设脱胶类型、预设煮炼碱浓度、预设煮炼温度、预设煮炼时长、预设水洗次数、预设离心脱水转速和预设离心脱水时长；
所述脱胶麻烘干环境参数数据包括烘干温度、烘干湿度、烘干风速和烘干时长；
所述成品纤维烘干数据，用于成品纤维精准烘干阶段的烘干效果评估模型训练、全链路全局参数优化，同时作为全链路烘干环境管理优化效果的最终验证与目标锚点，包括原麻烘干数据、脱胶麻烘干数据、历史原麻烘干效果评估结果、历史脱胶麻烘干效果评估结果、成品纤维烘干基础数据和成品纤维烘干环境参数数据；
所述成品纤维烘干基础数据包括成品纤维铺料厚度、成品纤维铺料均匀度、成品纤维铺料面密度、铺料厚度极差、烘干层间装载间距、成品纤维装载重量、成品纤维初始蓬松度、纤维束离散度、纤维平均长度、纤维长度变异系数、纤维线密度、纤维短绒率、纤维卷曲度、纤维含油率；
所述成品纤维烘干环境参数数据包括烘干温度、烘干湿度、烘干风速和烘干时长；
所述历史烘干环境管理数据还包括历史原麻烘干效果评估结果、历史脱胶麻烘干效果评估结果和成品纤维烘干效果评估结果；
所述烘干效果评估结果具体为[0,100]区间内的单值量化评分数值，数值越趋近于100，代表对应阶段的烘干效果越优；数值越趋近于0，代表对应阶段的烘干效果越差；
所述数据清洗，用于去除苎麻纤维烘干原始数据中的无效、错误、不完整数据，消除采集过程中的数据噪声与逻辑矛盾，具体为对原始数据进行缺失值填补和异常值剔除；
所述缺失值填补具体为通过均值填充方法对存在缺失的数值进行补全；所述异常值剔除具体为通过四分位距方法对原始数据中存在的极端数值进行检测与剔除；
所述标准化处理，用于统一不同维度特征的数值尺度；具体为首先采用标签编码方法，将原始数据中的类别字段按照类别取值映射为对应的整数值，然后采用Z-Score标准化方法对所有连续变量进行标准化处理，使各连续变量满足统一的数值尺度范围；
所述特征选择，用于从预处理后的全量特征中，筛选出对苎麻纤维各阶段烘干效果评估具有强相关性、高贡献度的核心特征，剔除冗余特征、无关特征，具体为运用Pearson相关性分析方法，计算各特征与对应阶段烘干效果评估值的线性相关系数，筛选出相关系数绝对值大于预设阈值的核心特征，最终得到用于多阶段烘干效果评估模型训练与参数寻优的烘干环境管理优化特征集。
实施例三，参阅图1、图2和图4，该实施例基于上述实施例，所述多阶段烘干效果评估模型构建模块，用于构建苎麻纤维三阶段烘干效果评估模型，具体包括以下步骤：
构建效果评估模型，用于构建适配苎麻纤维三阶段全链路烘干的共享主干式单目标烘干效果通用评估模型；具体包括以下步骤：
设计模型输入层，用于为后续神经网络的特征提取与模型训练提供标准化输入；具体为将烘干环境管理优化数据中单一烘干阶段烘干数据作为模型输入数据，通过进行特征展平处理，将模型输入数据转化为适配神经网络输入的一维特征序列；
所述模型输入数据可为烘干环境管理优化数据中单一烘干阶段烘干数据，分别为原麻烘干数据、脱胶麻烘干数据和成品纤维烘干数据；
设计特征分裂重组卷积层，用于解决苎麻烘干特征易受环境噪声干扰、人工特征筛选冗余度高、核心烘干影响因素识别自主性不足的技术问题，弱化噪声、冗余特征对烘干效果评估结果的干扰；具体为对输入的一维特征序列，沿特征通道维度进行随机分裂，得到残差特征向量与传输特征向量，并对残差特征向量采用一维卷积操作进行特征强化，最终将强化后的残差特征向量与传输特征向量沿通道维度进行拼接重组，得到自主筛选强化后的核心特征矩阵；
所述随机分裂具体为对输入的一维标准化特征序列，沿特征通道维度，按照预设的伯努利概率规则生成二元通道选择掩码，通过掩码对特征通道进行筛选，将筛选出的非零通道特征提取为残差特征向量，剩余通道特征作为传输特征向量；其中，所述残差特征向量承载对烘干效果起核心作用的特征信息，所述传输特征向量承载烘干过程的基础属性信息；所用公式如下：
式中，mi表示第i特征通道对应的通道选择掩码，为服从伯努利分布的二元数值，取值为1时保留对应通道特征，取值为0时屏蔽对应通道特征，m表示全通道掩码向量，由所有通道的mi按特征通道顺序排列组成，维度与输入特征的通道总数一致，rand(•)表示生成0到1之间均匀分布随机数的操作，p表示通道选择概率，c表示特征分裂控制系数，⊙表示逐元素相乘运算，用于实现掩码对特征通道的筛选，Xin表示特征分裂重组卷积层接收的输入的一维标准化特征序列，Xmask表示掩码加权后的特征矩阵，E(•)表示非零通道提取运算，用于提取掩码筛选后的有效核心特征，Xres表示残差特征向量，Xtrans表示传输特征向量，Kernel3(•)表示卷积核尺寸为3×1、步长为1、填充为1的一维卷积操作，Con cat(•)表示通道维度拼接操作，Yhexin表示核心特征矩阵；
设计动态预映射卷积层，用于对局部烘干特征进行自适应非线性拟合，精准刻画复杂烘干规律，提升模型对非稳态烘干工况的适配能力与评估精度，强化对脱胶麻承上启下的过渡阶段特征的拟合能力，具体为采用一维卷积操作，对核心特征矩阵进行局部特征提取，得到局部烘干特征，再采用融合B样条基函数与Swish激活函数的动态预映射函数对局部烘干特征进行自适应非线性变换，得到动态映射特征，最后对动态映射特征依次执行批归一化操作与ReLU激活函数变换，完成全局非线性映射，输出非线性强化特征矩阵；所用公式如下：
式中，Yfxx表示非线性强化特征矩阵，Kernel1d,i(•)表示卷积核尺寸为1×1、步长为1、填充为1的一维卷积操作，用于提取第d个通道、第i个位置的局部烘干特征，Drd,i(•)表示第d个通道、第i个位置局部烘干特征的动态预映射函数，BN(•)表示批归一化操作，BS(•)表示B样条基函数，Bk(•)表示第k个B样条基函数，X表示函数输入变量，D表示输入核心特征矩阵的总通道数，L表示输入核心特征矩阵的特征序列长度，w1表示Swish激活函数分支的可学习权重系数，w2表示B样条基函数分支的可学习权重系数，wk表示第k个基础B样条基函数的可学习权重系数；
设计分阶双流特征融合层，用于对核心烘干特征与非线性强化特征进行深度融合，实现多维度烘干特征的互补增强与全局抽象表达，解决单一特征分支提取不全面、特征信息利用不充分的技术问题，提升模型对苎麻烘干复杂规律的整体表征能力与评估稳定性，具体为双流并行融合结构，先通过逐点卷积分别对核心特征矩阵和非线性强化特征矩阵进行通道维度统一，同时通过多层感知机对统一维度后的核心特征进行强化，随后，对强化后的核心特征与统一维度后的非线性强化特征执行逐元素相乘融合，最后，对融合后的特征通过逐点卷积完成特征优化，输出全局融合烘干特征；所用公式如下：
式中，Xp1表示核心特征矩阵经逐点卷积统一维度后的中间特征，Xp2表示非线性强化特征矩阵经逐点卷积统一维度后的中间特征，PWConv(•)表示卷积核尺寸为1×1的逐点卷积操作，MLP(·)表示多层感知机，Ybranch1表示核心特征经MLP全局交互增强后的输出特征，Yfusion表示全局融合烘干特征；
设计效果评估输出层，用于转化为符合[0,100]区间要求的单值烘干效果量化评分，实现苎麻烘干效果的端到端量化评估，为后续烘干环境参数优化提供精准、可靠的评估依据，具体为先通过全局平均池化运算将全局融合烘干特征整合为全局特征，再经全连接层将全局特征映射为初步评分数值，最后通过区间截断函数对初步评分进行范围约束，输出[0,100]区间内的单值烘干效果量化评分数值；所用公式如下：
式中，Sout表示效果评估输出层输出的单值烘干效果量化评分数值，数值越趋近于100代表烘干效果越优，GAP(·)表示全局平均池化运算操作，FC(•)表示全连接层运算操作，Clip(•)表示区间截断函数；
构建原麻烘干效果评估模型，用于实现对原麻预烘干阶段烘干品质、纤维损伤程度及防霉效果的量化打分评估，为原麻烘干环境参数局部寻优、烘干工况合规性判定以及后续脱胶麻烘干效果关联建模提供量化依据与模型支撑，具体为基于效果评估模型建立初始原麻烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的原麻烘干数据作为训练样本数据，输入到初始原麻烘干效果评估模型进行模型训练，得到训练后的原麻烘干效果评估模型；
所述模型训练具体为采用均方误差损失函数，并通过反向传播算法和梯度下降优化方法，对效果评估模型的权重矩阵与偏置参数进行迭代更新，通过多轮迭代不断优化模型参数，当达到预设的最大训练次数或损失函数值收敛至设定阈值时，则停止迭代训练；
构建脱胶麻烘干效果评估模型，用于实现对脱胶麻中间烘干阶段干燥均匀性、纤维脆断风险及烘干效率的量化打分评估，具体为基于效果评估模型建立初始脱胶麻烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的脱胶麻烘干数据作为训练样本数据，输入到初始脱胶麻烘干效果评估模型进行模型训练，得到训练后的脱胶麻烘干效果评估模型；
构建成品纤维烘干效果评估模型，用于实现对成品纤维精准烘干阶段回潮率控制精度、纤维可纺性、品质均匀性及综合能耗水平的最终量化打分评估，具体为基于效果评估模型建立初始成品纤维烘干效果评估模型，并将烘干环境管理优化数据中历史烘干环境管理数据的成品纤维数据作为训练样本数据，输入到初始成品纤维烘干效果评估模型进行模型训练，得到训练后的成品纤维烘干效果评估模型。
通过执行上述操作，针对现有适用于烘干效果评估模型中存在无自适应通道筛选与特征分层处理机制，且缺少专用非线性映射结构，导致烘干效果量化评估精度低、泛化性差的技术问题，本方案创新性地设置特征分裂重组卷积层与动态预映射卷积层，特征分裂重组卷积层通过伯努利概率规则生成通道掩码，对一维特征序列进行随机通道分裂，区分残差特征与传输特征并卷积强化后拼接重组；动态预映射卷积层提取局部烘干特征，依托融合B样条基函数与激活函数的动态预映射函数做自适应非线性映射，提高了模型对烘干环境噪声的抑制能力与冗余特征自主筛选剔除能力，增强了模型对烘干复杂非线性耦合规律及过渡阶段特征的拟合表征能力，提升了烘干核心特征提取质量与输出结果精准度，实现了苎麻多阶段烘干效果精准量化评估，为分阶段烘干参数局部寻优与全局参数协同优化提供可靠的量化支撑。
实施例四，参阅图1、图3和图5，该实施例基于上述实施例，所述分阶段烘干环境参数优化模块，用于基于各阶段烘干效果评估模型，针对原麻预烘干、脱胶麻中间烘干、成品纤维精准烘干三个阶段，分别开展烘干环境参数局部寻优，筛选各阶段烘干效果最优的参数组合，为后续全链路全局参数协同优化提供局部最优锚点，解决现有技术烘干参数盲目设定、分阶段参数脱节、烘干效果与能耗失衡的痛点；具体包括以下步骤：
建立烘干环境参数优化算法，用于实现对原麻预烘干、脱胶麻中间烘干、成品纤维精准烘干三个阶段烘干环境参数的动态、高效寻优，筛选出各阶段烘干效果最优的最优烘干环境参数组合，具体采用改进的优化算法对烘干环境参数进行动态优化搜索，获得各阶段的局部最优烘干环境参数数据；包括以下步骤：
初始化搜索种群，具体为设定各阶段烘干环境参数的合理取值范围，划定参数寻优的约束边界，然后将各阶段烘干环境参数数据作为优化算法中的搜索个体位置向量，通过三函数耦合混沌自适应初始化策略，在参数寻优的约束边界内进行搜索个体位置生成，形成M个搜索个体位置xi，从而完成搜索种群的初始化；所用公式如下：
所述搜索个体位置向量对应一组完整的单阶段烘干环境参数数据；
式中，xi+1表示第i+1个混沌值，xi表示第i个混沌值，入表示混沌控制参数，用于调控混沌遍历性与收敛性，保证种群分布均匀无冗余，取值范围为(0,2]范围内的随机性参数，ub表示参数寻优的约束边界的上边界，lb表示参数寻优的约束边界的下边界，Xi表示第i个搜索个体位置；
计算搜索个体适应度值，具体为将搜索个体位置对应的单阶段烘干环境参数数据与该阶段数据预处理后的烘干数据，共同输入到训练后的对应阶段烘干效果评估模型中，将模型输出的烘干效果量化评分数值作为搜索个体的适应度值；
计算两阶段非线性概率，用于动态平衡算法全局探索与局部开发能力，提升烘干参数寻优速度与定位精度，避免算法早熟收敛；具体为根据当前迭代次数与最大迭代次数，通过两阶段非线性函数计算搜索个体觅食策略的选择概率，所用公式如下：
式中，ω表示搜索个体觅食策略的选择概率，t表示当前的迭代次数，tmax表示最大迭代次数，k表示非线性调节常数，用于划分两阶段迭代阈值；
搜索个体位置更新，用于完成烘干环境参数搜索个体的位置迭代更新，在参数约束边界内稳定开展寻优，逐步逼近最优烘干参数组合；具体为首先生成[0,1]范围内均匀分布的随机数r1，基于搜索个体觅食策略的选择概率判定执行对应觅食策略，若r1<1-ω，则执行螺旋觅食策略，若r1≥1-ω，则执行抛物觅食策略，得到下一代搜索个体位置；
所述螺旋觅食策略，用于进行大范围全局探索，快速拓展参数寻优空间，锁定搜索个体最优位置的潜在分布区域；具体为先计算动态螺旋权重系数，再通过随机数判定位置更新导向，择取以当前迭代最优搜索个体位置为引导或以随机搜索个体位置为引导，进行搜索个体位置更新，得到下一代搜索个体位置；所用公式如下：
式中，α1和α2表示螺旋觅食动态权重系数，用于平衡最优个体与当前个体的位置影响权重，Xtbest表示第t次迭代中的最优搜索个体位置，xit表示第t次迭代中第i个搜索个体位置，xit+1表示第t+1次迭代中第i个搜索个体位置，β表示螺旋收敛系数，调控螺旋觅食的收敛速度，取值范围为[0,1]，Xrt表示第t次迭代中随机搜索个体位置；
所述抛物觅食策略，用于进行小范围局部精细开发，在已锁定的潜在最优区域内精准寻优，提升最优烘干参数组合的定位精度；具体为先计算动态抛物收敛系数，结合随机方向因子与随机数完成搜索个体位置更新，得到下一代搜索个体位置；所用公式如下：
式中，p表示抛物收敛系数，tf表示方向因子，固定取值为-1或1，用于调控位置更新方向，r2和r3都表示[0,1]范围内均匀分布的随机数；
搜索迭代终止，具体为在每一轮迭代结束后，对当前种群中所有搜索个体适应度值进行计算，当搜索个体适应度值高于适应度阈值时或达到最大迭代次数时，终止搜索并获得全局最优搜索个体位置，所述全局最优搜索个体位置，具体指最优烘干环境参数数据；
原麻烘干环境参数局部寻优，用于实现对原麻烘干环境参数的精准局部寻优，筛选出该阶段烘干效果最优、且符合原麻防霉要求、纤维损伤控制标准的局部最优参数组合，为原麻预烘干工艺精准调控提供依据，同时为全局烘干环境参数协同优化提供基础锚点，具体为将原麻烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的原麻烘干效果评估模型，进行原麻烘干环境参数数据动态优化搜索，得到原麻烘干阶段的局部最优烘干环境参数数据；
脱胶麻烘干环境参数局部寻优，用于实现对脱胶麻烘干环境参数的精准局部寻优，筛选出该阶段烘干效果最优、且符合脱胶麻干燥均匀性要求、纤维脆断控制标准的局部最优参数组合，为脱胶麻烘干工艺调控提供依据，同时为全局烘干环境参数协同优化提供基础锚点；具体为将脱胶麻烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的脱胶麻烘干效果评估模型，进行脱胶麻烘干环境参数数据动态优化搜索，得到脱胶麻烘干阶段的局部最优烘干环境参数数据；
成品纤维烘干环境参数局部寻优，用于实现对成品纤维烘干环境参数的精准局部寻优，筛选出该阶段烘干效果最优、且符合成品纤维回潮率控制精度、可纺性要求、品质均匀性标准的局部最优参数组合，为成品纤维烘干工艺调控提供依据，同时为全局烘干环境参数协同优化提供基础锚点，具体为将成品纤维烘干环境参数作为可寻优变量，通过烘干环境参数优化算法和训练后的成品纤维烘干效果评估模型，进行成品纤维烘干环境参数数据动态优化搜索，得到成品纤维烘干阶段的局部最优烘干环境参数数据；
构建分阶段局部烘干环境参数组合，具体为将原麻烘干阶段、脱胶麻烘干阶段和成品纤维烘干阶段对应的局部最优烘干环境参数数据，按烘干工序顺序依次整合，得到分阶段局部烘干环境参数组合。
通过执行上述操作，针对现有适用于烘干环境参数寻优的方法中存在全局寻优无合理初始基准，以及采用优化算法中收敛速度慢和寻优精度低，导致烘干环境参数寻优准确性低、全局优化方案适配性差的技术问题，造成苎麻纤维烘干品质不稳定、生产管控效率低的情况，本方案创新性地采用三函数耦合混沌自适应初始化策略和两阶段非线性概率调控策略对优化算法进行改进，构建得到烘干环境参数优化算法，解决传统算法收敛慢、精度低的性能缺陷，将分阶段局部烘干环境参数组合作为烘干环境参数全局寻优的优化初始基准，在局部最优解邻域内开展全局协同搜索，解决全局寻优无合理基准、适配性差的架构缺陷，提高了优化算法初始种群分布均匀性与全局寻优收敛速度，增强了算法全局探索与局部开发的平衡能力及全局优化结果的工艺可行性，提升了烘干环境参数寻优准确性、全局优化方案适配性，实现了苎麻纤维烘干参数精准寻优与全链路苎麻纤维烘干环境协同智能管理。
实施例五，参阅图1，该实施例基于上述实施例，所述全局烘干环境参数协同优化模块，用于打破原麻预烘干、脱胶麻中间烘干、成品纤维精准烘干各阶段参数局部寻优相互独立、工序割裂的局限，以全链路整体烘干效果最优为核心目标，实现多工序烘干环境参数的全局协同匹配与整体优化；具体包括以下步骤：
烘干环境参数全局寻优，具体为将原麻、脱胶麻、成品纤维三阶段烘干环境参数作为烘干环境参数全局寻优变量，并将分阶段局部烘干环境参数组合作为优化初始基准，根据烘干环境参数优化算法，以成品纤维烘干效果评估值作为全局优化目标函数，同时将成品纤维烘干环境参数局部寻优中所得全局最优搜索个体位置对应的适应度值，设定为全烘干环境参数全局寻优中搜索迭代终止的适应度阈值，进行烘干环境参数全局寻优搜索，得到全局烘干环境参数组合；
所述优化初始基准具体为在烘干环境参数优化算法的初始化搜索种群中，将分阶段局部烘干环境参数集组合作为基准初值，以该基准初值为参照中心生成初始搜索个体，完成全烘干环境参数全局寻优中搜索种群的初始化构建；
全局烘干环境最优参数组合获取，具体为若烘干环境参数全局寻优中搜索迭代终止的条件为达到最大迭代次数时，则进行全局寻优与分阶段局部寻优的烘干效果比对，择优选定并输出最终的全局烘干环境最优参数组合；
所述全局寻优与分阶段局部寻优的烘干效果比对具体为若烘干环境参数全局寻优中搜索迭代终止后全局最优搜索个体位置对应的适应度值，大于等于成品纤维烘干环境参数局部寻优搜索迭代终止后全局最优搜索个体位置对应的适应度值，则采用全局烘干环境参数组合作为全局烘干环境最优参数组合，否则，将分阶段局部烘干环境参数组合作为全局烘干环境最优参数组合。
实施例六，参阅图1，该实施例基于上述实施例，所述苎麻纤维烘干环境智能管理模块具体为基于全局烘干环境最优参数组合，对原麻预烘干、脱胶麻中间烘干、成品纤维精准烘干各工序的烘干环境参数进行统一管控，实现苎麻纤维烘干全流程协同与智能闭环管理。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
