一种面向多参数耦合设备的智能体参数整定方法及系统与流程

本技术涉及工业设备参数整定，具体的说是一种面向多参数耦合设备的智能体参数整定方法及系统。

背景技术：

1、批量化多参数耦合设备是指在生产、测试、校准或整定过程中，需要调节多个控制参数、并通过多个性能指标判断是否合格的设备。该类设备通常具有以下特征：（1）同一类设备以批次形式生产或测试，不同批次之间可能存在工艺、材料、环境或装配差异；（2）单个设备内部可能包含多个子单元、通道或功能区域；（3）多个控制参数共同影响多个性能指标；（4）调节一个参数可能改善某一指标，同时破坏其他已经通过的指标；（5）参数整定过程需要兼顾成功率、测量次数、测试时间和安全边界。

2、以光模块为例，一个光模块可以包含多个lane。每个lane可能需要调节bias_dac（偏置电流）、mod_dac（调制幅度）、step_dac（交叉点调节量）、ohm（负载电阻）等控制参数，并测量txpwr（发射光功率）、er（消光比）、cp（交叉点）、maskmargin（眼图裕量）等指标。只有所有指标均满足规格要求时，lane才能判定为pass。

3、现有调参方案主要包括三类：（1）针对光模块特定参数（如光功率、消光比）的自动化调试方案；（2）基于同类产品历史数据的统计校准方案；（3）面向多参数设备的模型优化或漂移检测方案。

4、然而，上述方案存在以下不足：

5、（1）现有方案多针对局部环节，未形成面向批量化多参数耦合设备的统一参数整定闭环；

6、（2）现有方案多以规则调参为主，依赖逐步遍历尝试，容易产生迭代次数多、耗时长的问题；

7、（3）传统分步调参需多次测量，步骤多、耗时长，影响产能；

8、（4）现有流程假设后续调节不会破坏前序已通过指标，该假设在多参数耦合场景中不成立，虽然现有方案并不缺乏判断候选参数是否会破坏已通过指标的能力，但可能为了“工程/效率”妥协，在这种分步调参的范式下不会再往前检查，即测量前序指标，默认前序指标是保持通过的。

9、（5）现有方案对模型预测结果缺少合法性过滤、耦合风险评估和综合收益排序机制，往往直接输出单一推荐结果；

10、（6）现有方案对新批次、新工况适配不足，缺少在线结果回流触发模型再训练和策略更新的闭环机制，且当分步骤的规则调参对新批次、工况失效时，通常通过人工介入调参，依赖人工经验知识。

11、因此，需要一种新的参数整定方法，由智能体基于在线闭环数据自动主导模型训练，将训练结果转化为可验证、可发布、可回退的策略包，并由安全执行器进行受控在线执行。

技术实现思路

1、本发明解决的现有技术依赖固定规则、难以适配新批次和新工况、现有分步调参流程中后续步骤破坏前序已通过指标、以及分步骤规则调参存在迭代次数多的问题，影响产能的问题。

2、为解决上述问题，本发明提供一种面向多参数耦合设备的智能体参数整定方法、系统、电子设备及存储介质。

3、第一方面，本发明提供了一种面向多参数耦合设备的智能体参数整定方法，包括以下步骤：

4、在线采集步骤，采集设备或设备子单元的初始控制参数、初始测量指标、批次标识、子单元标识、参数约束和指标规格；

5、训练条件判断步骤，由智能体根据样本量、覆盖度、失败率及批次漂移程度判断是否满足生成自动训练任务的条件；

6、模型训练步骤，在满足所述训练条件时，所述智能体生成自动训练任务，并在训练沙箱中对参数预测模型进行训练、迭代和调优；

7、策略包生成步骤，所述智能体将训练完成的所述参数预测模型封装为参数整定策略包；

8、候选生成与筛选步骤，基于所述策略包生成多个候选参数组合，并对所述候选参数组合进行合法性过滤、耦合风险评估和综合收益排序；

9、安全执行步骤，安全执行器对排序后的候选参数进行最终校验，将通过校验的候选参数下发至目标设备，并在候选参数执行失败或触发风险时执行恢复操作；

10、数据回流步骤，采集所述候选参数在所述目标设备上的执行结果并回流；

11、再训练触发步骤，所述智能体根据回流的所述执行结果判断是否触发新一轮的模型训练。

12、可选地，所述参数整定策略包包括：适用对象信息、数据摘要、模型版本信息、候选生成器配置、候选验证规则、排序目标参数、执行策略、恢复策略和发布门控信息。

13、可选地，所述参数预测模型包括全局参数预测模型、局部响应模型和耦合风险模型中的一种或多种；

14、所述全局参数预测模型用于根据设备的初始状态预测能够使所有指标合格的候选参数组合；

15、所述局部响应模型用于估计控制参数的局部变化对性能指标的影响；

16、所述耦合风险模型用于评估候选参数组合是否会在改善一个指标的同时破坏其他已合格的指标。

17、可选地，所述候选生成与筛选步骤中，所述多个候选参数组合来源于以下一种或多种方式：

18、所述全局参数预测模型直接输出的候选、当前批次已合格设备的相近分布候选、所述局部响应模型推导的修正候选、约束搜索得到的合法候选、风险规避候选以及规则主线兜底候选。

19、可选地，所述候选生成与筛选步骤中，所述综合收益排序基于排序分进行，所述排序分通过以下方式确定：

20、所述排序分与预计通过概率正相关，且与耦合风险分、预计执行成本和不确定性分负相关；

21、所述耦合风险评估用于识别候选参数组合是否可能破坏已通过指标，若候选参数组合的耦合风险超过预设阈值，则将该候选参数组合从排序中剔除。

22、可选地，所述安全执行步骤中：

23、默认执行综合收益排序最优的top-1候选参数组合；

24、当所述策略包允许、试探预算大于零、候选参数组合均通过硬约束校验和风险阈值校验且当前测试状态允许额外测量时，允许执行有限top-k候选参数组合。

25、可选地，所述恢复操作包括以下一种或多种方式：回退到安全参数、切换至规则主线整定、返回数据采集阶段、禁用当前策略包；

26、所述失败原因和恢复结果被记录并回流，用于模型再训练。

27、可选地，所述再训练触发步骤中，触发新一轮模型训练的条件包括以下一种或多种：

28、失败率升高超过第一阈值、候选合法率下降超过第二阈值、恢复次数升高超过第三阈值、模型预测偏离超过第四阈值、批次漂移程度超过第五阈值、或达到预设的周期巡检时间。

29、可选地，在所述训练条件判断步骤之前，若采集的数据不满足生成自动训练任务的条件，则系统进入一阶段在线安全采集模式；

30、在所述一阶段在线安全采集模式中，由安全规则主线完成设备整定，并在预设的安全预算和约束范围内采集有限探索点，所述探索点用于为模型训练提供在线响应样本。

31、第二方面，本发明提供一种面向多参数耦合设备的智能体参数整定系统，用于实现第一方面所述的方法，所述系统包括：

32、在线采集与约束层，用于采集初始状态、在线测量反馈、执行结果及维护安全约束数据；

33、智能体自动训练编排层，用于进行数据质量诊断、批次漂移识别、自动训练任务生成及发布门控判断；

34、模型训练与调优层，用于对全局参数预测模型、局部响应模型和耦合风险模型进行训练、迭代与离线验证；

35、策略包与候选决策层，用于将训练结果封装为参数整定策略包，并基于所述策略包生成候选参数组合，执行合法性过滤、耦合风险评估和综合收益排序；

36、安全执行与回流层，用于对候选参数进行最终安全校验和下发，执行失败恢复，并将执行结果回流以触发模型再训练。

37、第三方面，本发明提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面所提供的方法的步骤。

38、第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的面向多参数耦合设备的智能体参数整定方法的步骤。

39、本发明的面向多参数耦合设备的智能体参数整定方法的有益效果如下：

40、本发明提供的一种面向多参数耦合设备的智能体参数整定方法，通过在线采集步骤采集设备或设备子单元的初始控制参数、初始测量指标、批次标识、子单元标识、参数约束和指标规格，为后续建模提供了数据基础；由智能体根据采集数据判断是否满足生成自动训练任务的条件，避免因数据不足或质量不佳导致无效训练，保障了训练资源的合理利用和模型质量；在满足条件时由智能体生成自动训练任务并在训练沙箱中对参数预测模型进行训练、迭代和调优，使模型能够自动适应不同批次、不同子单元的数据分布变化，解决了现有技术依赖固定规则、难以适配新批次和新工况的问题。

41、将训练完成的模型封装为参数整定策略包，使得模型输出与硬件下发解耦，模型本身不直接操作设备，从而显著提升了系统的工程安全性和部署灵活性；基于策略包生成多个候选参数组合并进行合法性过滤、耦合风险评估和综合收益排序，有效避免了单一预测结果可能存在的安全风险和耦合破坏问题，通过耦合风险评估能够识别候选参数是否会在改善一个指标的同时破坏另一个已通过指标，从而解决了现有分步调参流程中后续步骤破坏前序已通过指标的技术难题。

42、安全执行器对排序后的候选参数进行最终校验并下发，进一步确保了在线执行的安全性，防止模型输出异常值直接作用于设备；通过采集候选参数在目标设备上的执行结果并回流，由智能体根据回流结果判断是否触发新一轮模型训练，形成了可持续演进的数据闭环，使系统能够在新批次上线、失败率升高或候选合法率下降时自动触发模型再训练和策略更新，从而持续提升后续设备的整定成功率和效率。