1.高效埋线机与压机一体化生产线的智能调度方法，其特征在于：包括，当实时数据采集启动时，传感器针对埋线机和压机的运行参数与原材料属性执行高频测量与整合操作，形成实时数据集Dre；

当同步模型构建激活时，机器学习算法基于历史实时数据集Dre采用回归分析构建同步模型Msc，生成压合最佳启动时间当实时操作调整触发时，接收实时数据集Dre结合同步模型Msc计算最佳压合时间 针对预测与实际偏差Δt实施动态调整，优化埋线机与压机速度；

当质量反馈与模型优化启动时，采集产出质量数据并反馈优化同步模型Msc，对比阈值识别缺陷和更新模型参数，获取优化后模型 并重新部署，使数据形态由检测结果转化为优化输入。

2.根据权利要求1所述的智能调度方法，其特征在于：

通过安装于埋线机和压机的高精度传感器网络，实时监测并记录运行参数：埋线机的埋线速度vb、压机的压合力度fp、埋线机和压机的操作时间，分别为tb和tp；形成时间序列数据集Dpm＝{(t,vb,fp,tb,tp)∣t∈T}，其中T表示时间集合；

利用材料属性传感器实时测量并记录原材料的关键属性：线材直径dw、材料硬度hm；形成属性数据集Dml＝{(t,dw,hm)∣t∈T}。

3.根据权利要求2所述的智能调度方法，其特征在于：

将采集的运行参数和属性数据整合为实时数据集Dre，从实时数据集Dre中提取关键特征，引入埋线速度的阶滞后vb(t‑1)后定义特征集X，目标变量为压合最佳启动时间采用支持向量回归算法构建同步模型Msc，支持向量回归算法能够有效处理特征集X与目标变量 间的非线性关系，模型输入为特征集X，输出为最佳启动时间

4.根据权利要求3所述的智能调度方法，其特征在于：

使用均方根误差RMSE评估模型性能，若RMSE超过预设阈值，通过调整特征选择或支持向量回归算法参数优化模型；

将训练好的同步模型Mse部署至智能调度系统，设定定期更新机制：每隔固定周期利用新采集的实时数据集Dre重新训练模型并计算新模型的RMSE，若新模型RMSE低于当前模型，则更新部署。

5.根据权利要求4所述的智能调度方法，其特征在于：

智能调度系统实时接收实时数据集Dre，获取同步模型Msc，并以实时数据集Dre作为输入，预测压合启动时间计算预测压合启动时间 实际压合操作时间tp的时序偏差Δt，若Δt>0，压合操作滞后，需加快压机速度或提前启动；若Δt<0，压合操作超前，需减缓埋线机速度或延迟启动；

若Δt＝0，操作与预测一致，无需调整。

6.根据权利要求5所述的智能调度方法，其特征在于：

根据偏差大小动态调整埋线机或压机的速度，调整策略如下：压机速度调整：若Δt>0，增加压机速度vp，调整幅度为：Δvp＝kp·Δt；调整后的压机速度为： 埋线机速度调整：若Δt<0，减缓埋线机速度vb，调整幅度为：Δvb＝kb·|Δt|；调整后的埋线机速度为：其中：vp为调整前的压机速度；vb调整前的埋线机速度，Δvp为压机速度调整幅度，Δvb为埋线机速度调整幅度，kp为压机速度调整系数；kb为埋线机速度调整系数，由埋线机性能确定； 为调整后的压机速度， 为调整后的埋线机速度。

7.根据权利要求6所述的智能调度方法，其特征在于：

记录调整后的运行数据，包括调整后的埋线速度 压机速度 实际压合启动时间以及时序累积误差TCE(t)，汇总构建调整数据集Dat，定义为时序累积误差TCE(t)的计算公式为：

式中：w为滑动窗口大小，为遗忘因子，Δq为质量偏差，k为质量敏感系数。

8.根据权利要求7所述的智能调度方法，其特征在于：

实时采集产出质量数据，包括线材位置精度pw和压合强度sp，预设质量标准阈值：线材位置精度标准pstd和压合强度标准sstd；

质量合格条件为pw≤pstd且sp≥sstd，若不满足，则记录不合格数据，包括对应时刻的实时数据集Dre、调整数据集Dat和预测压合启动时间

9.根据权利要求8所述的智能调度方法，其特征在于：

T

针对不合格产出，计算质量偏差指标qdev，产品的质量参数用向量q＝[pw,sp] 表示，标T准质量向量为qstd＝[pstd,sstd]，质量偏差向量定义为：Δq＝q‑qstd；

质量偏差指标qdev定义如下：

式中：||A·Δq||2的含义为：通过质量影响矩阵A对偏差向量Δq进行变换，再计算其欧氏范数||·||2，用于衡量质量参数的静态偏差；矩阵A表征不同质量参数之间的相互影响；

参数λ为动态项权重系数。

10.根据权利要求9所述的智能调度方法，其特征在于：

设定质量反馈阈值qth，若qdev>qth，触发同步模型优化；收集反馈数据集Dfk，包含不合格产出对应的实时数据集Dre、调整数据集Dat、预测压合启动时间 和质量数据pw,sp，样本权重按qdev正比分配；

基于反馈数据集Dfk，采用增量支持向量回归优化同步模型Msc；

将优化后的模型 进行重新部署，若pwire≤pstd且spress≥sstd的比例提升，则保留优化后的同步模型 否则调整学习率η或质量反馈阈值qth，重新执行同步模型优化。