1.一种基于DQN的压铸工艺自动优化方法，其特征在于，包括如下步骤：(1)对压铸机冷却系统中的水阀进行标号，分别为水阀1号—水阀N号；水阀的开启和关闭状态用一个长度为2N的向量表示；其中，取值大的为下一时刻阀门的状态；

(2)获取压铸机工作过程中冷却系统的热像图；

(3)以步骤(2)中的热像图为输入、以长度为2N的向量作为输出建立DQN模型；

(4)通过若干次试生产所产生的大数据对步骤(3)所建立的DQN模型进行训练；

(5)将步骤(4)中训练好的模型用于压铸工作中，对冷却系统的阀门开关进行逻辑控制实现产品生产工艺的自动优化；

所述步骤(4)具体包含如下步骤：

(41)进入试生产阶段，设定第i个产品的生产，进行第m次拍照，并对产生的热像图进行预处理，形成 是300*300的二维向量；

(42)随机产生一个长度为2N的向量Sm作为控制N个阀门的初始状态；

(43)对于第i个产品的第m次热图照片，生成标签 其

i‑1 i

中，λ为衰减参数，取 Q (m,n)是更新之前的Q矩阵中第m行第n列的元素值，r 是i第i个产品生产完成后的质量评价结果， 其中δ是第i个有无内部缺陷的i i标志，第i个产品内部有缺陷时δ＝0，否则δ＝1；J是标准产品中标准尺寸的总个数； 为标准产品中的第j个尺寸，表示产品i中的第j个尺寸；

(44)对于第i个产品分别以 为输入，以 为标签，更新netm；对于第i个产品分别用netm更新矩阵的第m行， 最终得到

I

(45)试生产结束后，不再更新Q和netm，得到Q，

所述步骤(1)中取值大的为下一时刻阀门的状态，具体是Sm为长度为2N的向量，其中，Sm的第2n‑1位、第2n位控制第n个阀门，n＝1,2,…N，第n个阀门的第2n‑1位的数字表示阀门n开启状态，第2n位的数字表示阀门n关闭状态；比较第2n‑1位的数字和第2n位的数字大小，若第2n‑1位的数字大，则阀门n当前的状态为开启状态，若第2n位的数字大，则阀门n的当前状态为关闭状态。

2.根据权利要求1所述的基于DQN的压铸工艺自动优化方法，其特征在于，步骤(3)中的具体过程如下：初始化结构体D；随机产生矩阵QM×2N；其中M指的是单个压铸产品生产过程中拍摄的热图的次数，N为冷却系统中的水阀个数；初始化M个深度学习网络netm。

3.根据权利要求1所述的基于DQN的压铸工艺自动优化方法，其特征在于，步骤(3)中的深度学习网络采用由4层卷积层+2层全连接层构成的卷积神经网络：Layer1中的卷积层中共有5个大小均为37的卷积核，输入为长为300*300的二维向量，最大池化层中核的大小和步长均为2；Layer2中的卷积层中共有5个大小均为31的卷积核，最大池化层中核的大小和步长均为2；Layer3中的卷积层中共有5个大小均为29的卷积核，最大池化层中核的大小和步长均为2；Layer4中的卷积层中共有5个大小均为29的卷积核，最大池化层中核的大小和步长均为2；layer5‑layer6为全连接层，layer5的输出层的神经元个数为45；激励函数为线性激活函数；layer6的输出神经元个数为2N个，激活函数为sigmoid激活函数。

4.根据权利要求3所述的基于DQN的压铸工艺自动优化方法，其特征在于，训练算法可以为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法中任意一个。