一种基于主动学习代理模型的同步辐射光束线自校准方法

本发明属于控制调节系统与机器学习交叉，具体涉及一种基于主动学习代理模型的同步辐射光束线自校准方法。

背景技术：

1、同步辐射光源（heps, high energy photon source）光束线站中，kb镜（kirkpatrick-baez）聚焦系统由水平聚焦镜和垂直聚焦镜按正交构型排列，通过两枚反射镜的依次反射实现光束的二维聚焦。kb镜系统的校准状态直接决定了抵达实验站样品位置的光束质量，包括光斑尺寸、强度分布、对称性及波前平整度等关键指标。

2、在实际运行中，kb镜系统通常需要同时调节多个控制参数，包括波前位置监测器的倾斜角度、多个狭缝的中心位置和开口尺寸等。这些参数之间存在强耦合效应：某一角度的改变会影响光束在狭缝平面上的入射位置和角度，从而改变各狭缝对光束的实际裁剪效果；不同狭缝之间的开合状态也彼此影响，共同决定最终的光束通量和空间分布。这使得kb镜校准成为一个典型的超高维非凸优化问题，其目标函数存在多峰分布的多组解，给全局优化带来巨大挑战。

3、目前，kb镜校准主要依赖以下几种方案：

4、人工手动校准。操作人员观察探测器上实时显示的光斑图像，根据光斑的形状、尺寸和强度分布等视觉特征，凭经验判断当前校准状态，逐步调节各个控制参数，通过反复“观察→判断→调节”的迭代过程寻找较优的校准状态。该方法高度依赖操作人员的个人经验，不同操作员之间校准质量差异显著，缺乏标准化和可复现性；一次典型校准通常需要较长的连续操作时间，操作人员易产生疲劳导致失误；人工操作倾向于保守地小幅调节以避免过度调整，最终结果往往停留在局部最优而非全局最优；此外，该方法无法在无人值守时段自动恢复因环境变化导致的校准漂移。

5、基于物理光学模拟的优化方法。部分研究尝试将同步辐射物理光学模拟软件与优化算法结合，通过反复调用物理模拟来搜索最优校准参数。该类方法的优势在于物理模型精度高，能够捕捉光束传播过程中的衍射、干涉等复杂物理效应。然而，单次物理模拟通常需要数秒到数分钟，而全局搜索通常需要数千到数万次评估，总耗时不可接受；同时，物理模拟需要精确的光束线几何参数和光学元件面形数据作为输入，而这些数据本身存在测量误差，导致模拟结果与实际情况存在偏差。

6、基于单一机器学习模型的优化方法。近年来，研究者开始将机器学习模型引入同步辐射光束线优化中，典型方案包括使用高斯过程回归或神经网络训练参数-质量的代理模型，再结合遗传算法或贝叶斯优化在代理模型上进行参数搜索。该类方法的共同局限在于：高维参数空间的非线性和强耦合特性使单一模型难以维持高预测精度；全局搜索和局部精调未有效分离，导致搜索效率低或硬件磨损严重；缺乏完整的系统化闭环设计，各功能模块之间缺乏标准化接口，难以集成使用。

7、综上所述，现有kb镜校准方法在效率、精度、自动化程度和硬件保护等方面均存在明显不足，亟需一种能够兼顾全局优化能力与局部精调效率的全自动校准方案。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于主动学习代理模型的同步辐射光束线自校准方法，将xgboost高精度代理模型与jade（global optimizer）自适应差分进化算法组合，并采用“代理模型上零硬件移动的全局搜索 + 真实硬件上少量移动的局部精调”双阶段闭环策略，实现同步辐射kb镜聚焦系统的高效全自动校准。

2、为实现上述目的，本发明采用了如下技术方案：

3、一种基于主动学习代理模型的同步辐射光束线自校准方法，包括：

4、步骤1、采集kb聚焦系统的多组原始9维控制参数组合及对应的探测器光斑图像，将所述探测器光斑图像划分为若干子孔径，并计算各子孔径质心标准差作为光束质量指标；

5、步骤2、保留原始9维控制参数，将电机参数与各狭缝参数相乘构造交互特征，并对原始9维控制参数分别计算平方项以捕捉最优解附近的平方特征，将原始9维控制参数、交互特征和平方特征拼接为26维特征向量并执行标准化处理，训练xgboost极端梯度提升模型作为代理模型；

6、步骤3、以所述代理模型的预测值作为适应度函数，采用具有可选外部存档的自适应差分进化算法在原始9维控制参数空间中执行全局搜索，所述自适应差分进化算法为每个个体独立生成缩放因子和交叉概率并服从基于历史成功记录自适应更新的均值参数所控制的分布，整个搜索过程中所有候选解的适应度评估均在代理模型上完成而不移动任何硬件设备，搜索收敛后获得预测最优解；

7、步骤4、将硬件设备移动至所述预测最优解位置，以所述光束质量指标的真实测量值作为局部爬山精调的反馈标准，逐维施加正负扰动并依据真实测量值的改善情况自适应调整步长，当所有维度的步长均小于预设阈值或连续无改进次数达到上限时终止搜索，输出最终校准参数。

8、进一步的，所述步骤1中：所述9维控制参数包括：波前位置监测器的倾斜角度、水平狭缝中心位置、水平狭缝开口尺寸、垂直狭缝中心位置、垂直狭缝开口尺寸、下狭缝位置、左狭缝位置、右狭缝位置和上狭缝位置。

9、进一步的，所述步骤1中：对每个子孔径，利用该子孔径内所有像素的灰度值，以灰度值为权重计算光斑质心的水平坐标和垂直坐标；计算所有子孔径质心水平坐标的标准差与所有子孔径质心垂直坐标的标准差；取所述水平坐标标准差与所述垂直坐标标准差的平均值作为所述光束质量指标。

10、进一步的，所述步骤2中26维特征向量的具体构成为：前9维为所述原始9维控制参数；中间8维为电机参数分别与8个狭缝参数相乘所得的交互特征；后9维为所述原始9维控制参数各自的平方项。

11、进一步的，所述步骤2中，在训练所述xgboost代理模型之前，采用基于同步辐射物理模拟软件的数据扩增方法扩充训练样本：以采集到的原始实验数据为基准，在所述9维控制参数空间的可行区域内进行系统化参数采样，将采样得到的参数组合输入同步辐射物理模拟软件进行仿真并计算对应的光束质量指标，将仿真生成的有效数据与原始实验数据合并，得到扩增后的训练数据集。

12、进一步的，所述步骤2中，采用随机搜索结合k折交叉验证自动确定xgboost模型的超参数，超参数搜索空间包括：树的数量、最大深度、学习率、样本子采样比例和特征子采样比例，以交叉验证均方误差最小化为目标选择最优超参数组合，并使用所述最优超参数组合在全部训练数据上重新训练得到最终的xgboost代理模型。

13、进一步的，所述步骤3中，所述自适应差分进化算法采用当前最优引导的变异策略，从当前种群中排名前指定百分比的最优个体中随机选取一个作为最优引导方向，并从当前种群与外部存档的并集中选取差异向量来源；所述缩放因子服从柯西分布，所述交叉概率服从正态分布，二者的分布均值参数均采用莱默均值方式基于成功进化的历史记录进行更新，使得缩放因子和交叉概率随搜索进程自适应调整。

14、进一步的，提供三种可选的校准模式：快速模式下跳过所述步骤3的全局搜索，直接从当前硬件位置执行所述步骤4的局部爬山精调；标准模式下执行一次所述步骤3的全局搜索后再执行所述步骤4的局部爬山精调；精细模式下独立执行多次所述步骤3的全局搜索，每次搜索后将硬件移动至对应的预测最优解并执行所述步骤4的局部爬山精调，比较各次验证结果后选择光束质量指标最优者作为最终输出。

15、第二方面，本发明提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；其中，当一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现前述的一种基于主动学习代理模型的同步辐射光束线自校准方法。

16、第三方面，本发明提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时能够使处理器实现前述的一种基于主动学习代理模型的同步辐射光束线自校准方法。

17、本发明的有益效果在于：

18、校准效率的飞跃。标准模式下从初始状态到完成校准的总耗时小于3分钟，对比人工校准的30分钟以上，效率提升10倍以上。全流程自动运行，无需任何人工干预，操作人员无需具备专业的光学或控制知识。

19、校准精度行业领先。xgboost代理模型的测试集决定系数达到0.8143，为全局搜索提供了高可靠性的目标函数替代物。结合局部精调阶段利用真实探测器反馈进行修正，最终光束质量指标相比人工校准降低15%至25%。三种模式的梯度设计（快速＜标准＜精细）使用户可以在精度和速度之间灵活权衡。

20、硬件保护效果显著。全局搜索阶段完全在xgboost代理模型的软件层面完成，不涉及任何电机或狭缝的物理移动。局部精调阶段仅需10至25次硬件移动，对比人工校准的数百次操作，硬件移动量减少90%以上。这一特点对于延长精密电机和狭缝的使用寿命、降低维护成本具有重要意义。

21、强鲁棒性。jade的自适应参数机制能够自动适应不同搜索阶段的需求，在9维多峰非凸空间中实现稳定的全局搜索。对比验证表明，jade在不同随机种子下的质量标准差仅为0.53，远低于标准差分进化的2.40和粒子群优化算法的4.07。同时，xgboost的集成树结构对训练数据中的噪声和异常值具有良好的容忍性。

22、开发和部署成本低。硬件接口模块内置模拟模式，使得全部算法开发和系统调试可以在没有真实硬件的环境下完成。切换到真实硬件时仅需改变一个配置参数，无需修改任何算法代码，大幅降低了开发和测试的成本和风险。

23、可扩展性强。系统的模块化架构使得各组件可以独立升级，未来可用更先进的模型替代xgboost作为代理模型，或用新的进化算法替代jade，只需替换对应模块即可，不影响系统的整体架构和运行逻辑。