本发明属于水晶加工，具体涉及一种基于hpo-svr-ls tm模型的水晶研磨时间预测方法。
背景技术：
1、随着水晶制品在日常生活中用途愈发广泛以及科学技术的不断进步，水晶加工行业正面临着更高的质量要求。其中水晶加工的重点在于水晶工件的磨削，而研磨精度更是水晶磨削中的核心问题。由于水晶的内部结构和特性的多变性，磨盘的摩擦力、磨盘的转速等参数都会对水晶的加工质量造成影响。近年来，采用计算机辅助设计、高精度机械加工以及实时监测技术的研究已经引起了行业的关注，这些技术大大提升了水晶加工效率，但是需要技术工人设定研磨时间，依赖工人的过往经验，容易造成加工质量不稳定。
2、而基于数据驱动建模的人工智能深度学习领域，凭借其强大的特征提取、非线性拟合能力，可以更加精确的预测水晶所需研磨时间。通过现有的水晶研磨工业控制系统进行数据采集，构建数据集，可以让神经网络借此学习数据中的潜在信息与相互关联，进而预测水晶研磨加工的时间。其中，卷积神经网络(cnn)能够有效地捕捉空间信息，但在处理连续的加工参数时会丧失大量时序信息。递归神经网络(rnn)可以捕捉连续加工过程中的时序信息，但面临着长序列数据的梯度消失问题。长短时记忆网络(lstm)通过其特殊的结构能够捕捉长时序的依赖性，在连续的加工数据预测上表现优异，适用于水晶研磨等连续加工的情况。然而，lstm在处理加工数据中的异常非线性值和噪声时，容易受其影响导致预测结果偏差，且往往需要依据经验进行超参数的选取，无法找到最优解，导致预测的稳定性不足。
技术实现思路
1、针对上述现有技术的不足，本发明提出了基于hpo-svr-lstm的水晶研磨时间预测方法。传统水晶研磨时间需要依靠产业工人的经验进行确定，因此常常出现过磨或者少磨而造成质量不稳定的问题。该方法的提出旨在解决现有技术中的预测稳定性不足、需要工人依据经验调整研磨时间、自动化水平不足的技术问题。
2、该方法首先通过水晶研磨工业控制系统采集数据并构建数据集，对研磨控制参数序列进行预处理降低样本中的敏感性；构建svr非线性时长预测单元以及lstm神经网络时长预测单元，捕捉数据的非线性特征及多元变量间的映射关系；融入输入注意力模块，提取研磨控制参数间的时空关系特征并分配权重；融入hpo优化算法，迭代寻优预测单元的超参数以及单元组合比例，提高模型性能与稳定性，并输出水晶研磨时间的预测值。有效改善了水晶过磨或者少磨而造成质量不稳定的问题，不再需要工人依据经验对研磨时间进行估计与调整，提高了预测的稳定性。
3、为实现上述功能，本发明包括以下步骤：
4、s1、采集和预处理水晶研磨相关数据；
5、通过水晶研磨工业控制系统对水晶研磨过程中的参数进行实时在线监测，并且采集记录数据，采集的数据包括控制磨盘旋转的异步电机电流、带动磨盘上升下降的伺服电机(简称升降电机)的推动速度、升降电机的输出力矩、磨盘已研磨水晶次数、磨盘摩擦力系数、产业工人依据经验采用的研磨时间，以及评判水晶研磨精度的质量参数，对研磨相关数据进行预处理，包括提取样本点数据、数据清洗和数据归一化；
6、s2、构建包含研磨控制参数，工人依据经验采用的研磨时间以及研磨质量参数的数据集；
7、构造时间序列数据集合，将研磨控制参数以及研磨质量参数作为输入时间序列，工人依据经验采用的研磨时间作为目标时间序列，并划分为训练集和测试集；构建非线性数据集合，包含研磨时间以及研磨质量参数，并划分训练集和测试集；
8、s3、构建svr非线性时长预测单元(简称svr单元)以及包括输入注意力模块的lstm神经网络时长预测单元(简称lstm单元)，并融入hpo算法分别优化svr和lstm模型超参数；
9、通过svr单元，构建非线性映射，将原始数据从低维空间映射到更高维的特征空间，在高维空间中创建线性函数；
10、通过lstm单元的输入注意力模块，对不同的研磨控制参数数据进行注意力权重分配；通过lstm单元中的lstm神经网络学习多元变量间的映射关系，以及时间序列之间的相关性；
11、通过hpo优化算法，对svr单元以及lstm单元中的重要超参数进行自动寻优，提高模型的性能以及稳定性，获得hpo-svr单元以及hpo-lstm单元；
12、s4、训练模型，设置损失函数，通过非线性数据集的训练集数据训练hpo-svr单元，通过时间序列数据集的训练集数据训练hpo-lstm单元，并获得初始预测值；
13、s5、对由hpo-svr单元与hpo-lstm单元的预测结果进行比例组合得到最终的预测值；
14、s6、迭代训练模型找寻最优组合比例，对研磨时长进行预测，获得最终预测值，并将时间序列数据集与非线性数据集的测试集送入s6步骤中已完成迭代训练的模型中进行测试。
15、作为优选，所述步骤s3进一步包括：
16、s3.1，svr单元以结构风险最小化的核心思想，构建非线性映射，将原始数据从低维空间映射到更高维的特征空间，随后在高维的空间当中创建线性函数，以此得到预测值，线性函数的公式为:
17、
18、式中：为原始数据映射到高位空间的映射函数；w为权值向量；b为偏置项。
19、在svr单元的训练过程中能够将建模问题转换为凸二次规划问题，加入限制条件后的公式如下：
20、
21、
22、式中：c为惩罚项系数；为松弛变量；下角标i的取值为不同的样本点；ε为不敏感损失函数。此时假设拉格朗日系数ai≥0，将拉格朗日乘子算法融入上述加入了限制条件的公式，可得到svr模型：
23、
24、式中：ai，为大于0的拉格朗日乘子；k(x,xi)为满足需求的核函数；
25、s3.2，将研磨时间以及研磨质量参数作为svr单元的输入，令模型学习研磨时长的变化趋势，同时将预测研磨时长作为svr单元的输出；
26、s3.3，通过lstm单元内的输入注意力模块，自动地对不同参数之间进行权重分配，获取输入参数序列之间的时空关联。其中输入注意力模块用于处理序列数据，通过加入空间注意力机制来学习驱动序列之间的空间相关性，从而整合并交互所有信息，驱动序列在每个时间步的加权如下所示：
27、
28、其中是时刻t各个驱动序列加权分配后得到的驱动序列特征，体现了驱动序列之间的空间相关性，将作为lstm神经网络的输入。
29、s3.4，lstm单元内的lstm神经网络包括门控单元(输入门、输出门、遗忘门)，门控单元使得模型具有长时间的记忆能力，适用于处理长时间下的序列数据，使得早期的数据也能对最终的预测值产生影响。lstm神经网络的输入数据为记忆值为ct，输出值为h，t与t-1代表当前时刻与上一时刻。
30、遗忘门通过ft保留和丢弃上一时刻的记忆信息来影响当前时刻的单元状态，ft为上一时刻记忆值保留到当前时刻记忆值的信息，公式如下：
31、
32、
33、式中，σ为sigmoid激活函数；bf为偏置项；wf为遗忘门的权重矩阵；为输入数据ht-1的对应权重；为的对应权重。
34、输入门通过激活函数来将变量控制在[0,1]之间，并输出it，it为当前时刻输入值保存进记忆值的信息。公式如下：
35、
36、
37、式中，bt为偏置项；wi为遗忘门的权重矩阵。
38、遗忘门与输入门的变化决定了单元状态的记忆值ct。
39、输出门用于控制当前时刻记忆值有多少信息能够输出到下一个门控单元，qt为当前时刻记忆值的输出信息，公式如下：
40、
41、
42、ht＝qt*tanh(ct)
43、式中，bq为偏置项；wq为遗忘门的权重矩阵；lstm神经网络的输出即为ht；
44、s3.5，将经过输入注意力模块权重分配的异步电机电流、升降电机的推动速度、夹具所受力矩、磨盘已研磨水晶次数、磨盘摩擦力系数和研磨质量参数序列作为lstm单元的输入，并设置工人过往经验估计的研磨时间为训练时的输出，令lstm单元学习多元变量间的映射关系；
45、s3.6，svr模型预测效果受惩罚系数以及核参数两个超参数的取值影响，通过hpo算法自动迭代寻优惩罚系数以及核参数，获得hpo-svr单元；lstm模型学习效果受神经元个数以及学习率两个超参数的取值影响，通过hpo算法自动迭代寻优神经元个数以及学习率，获得hpo-lstm单元；
46、作为优选，所述步骤s4进一步包括：
47、s4，设置研磨时长预测结果的均方根误差(rmse)作为损失函数，公式如下所示：
48、
49、训练数据的真实输出为yi，模型的预测值为
50、作为优选，所述步骤s5进一步包括：
51、s5，组合hpo-svr单元与hpo-lstm单元，得到hpo-svr-lstm组合模型，组合模型的预测值为hpo-svr单元及hpo-lstm单元的预测值的比例组合，组合模型表达式如下：
52、xt＝alt+(1-a)st
53、其中，xt表示当前时刻的研磨时间预测值；lt表示hpo-lstm单元输出的预测值；st表示hpo-svr单元输出的预测值；a表示(0,1)之间的数值。
54、本发明的有益效果是：
55、本发明通过构建svr非线性时长预测单元及融入输入注意力模块的lstm神经网络时长预测单元，对水晶研磨时间进行预测。
56、在水晶研磨的相关数据中，svr单元专注于提取非线性特征，捕捉水晶加工的变化趋势。lstm单元则通过其特有结构学习加工过程中的数据周期性变化和变量间映射关系。输入注意力模块的融入，使lstm能够学习到变量间的时空关系，强化了模型对于关键参数的敏感度。通过hpo算法独立优化svr与lstm的超参数，确保了模型在处理数据时的最优表现，实现了更准确的研磨时间预测。
57、本模型不仅大幅提高了水晶研磨过程的质量监控与研磨精度，还有效延长了磨盘使用寿命，减少了磨盘损耗以及电力消耗，为水晶研磨过程的无人化打下坚实的基础，为水晶加工行业带来了显著的经济效益。
1.一种基于hpo-svr-lstm的水晶研磨时间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于hpo-svr-lstm的水晶研磨时间预测方法，其特征在于，s1具体方法如下：
3.根据权利要求1或2所述的一种基于hpo-svr-lstm的水晶研磨时间预测方法，其特征在于，步骤s3进一步包括：
4.根据权利要求3所述的一种基于hpo-svr-lstm的水晶研磨时间预测方法，其特征在于，设置研磨时长预测结果的均方根误差(rmse)作为损失函数，公式如下所示：
5.根据权利要求4所述的一种基于hpo-svr-lstm的水晶研磨时间预测方法，其特征在于，所述步骤s5进一步包括：
