[发明专利]一种液体喷射抛光表面粗糙度的预测方法及装置

说明书

本发明提供了一种液体喷射抛光表面粗糙度的预测方法及装置，包括：获取液体喷射抛光实验的样本加工参数输入数据集和粗糙度输出数据集；基于样本加工参数数据集和粗糙度输出数据集确定神经网络的网络架构以构建初始粗糙度预测模型；根据量子粒子群优化算法对初始粗糙度预测模型进行处理，得到最佳模型参数；根据最佳模型参数对初始粗糙度预测模型进行更新，得到目标粗糙度预测模型；基于目标粗糙度预测模型对目标液体喷射抛光物的表面粗糙度进行预测。本发明通过样本加工参数输入数据集和粗糙度输出数据集构建目标粗糙度预测模型，通过目标粗糙度预测模型集进行评估，以解决在加工后用仪器进行测量，导致生产、检测成本高，浪费材料的问题。

技术领域

本发明涉及机械加工技术领域，具体涉及一种液体喷射抛光表面粗糙度的预测方法及装置。

背景技术

随着产品加工的复杂化，质量监控与其稳定性是生产的关键，表面粗糙度更是衡量工件质量的重要标准，直接影响着工件的使用寿命；液体喷射抛光技术作为超精密加工的代表，能获得较高精度的加工表面，且广泛适用于形状复杂的工件。

实际加工过程中，不同的加工参数会得到不同精度的表面，传统的检测方法是加工后用仪器进行测量，因此现有技术存在生产、检测成本高，且浪费材料的问题。

发明内容

有鉴于此，有必要提供一种液体喷射抛光表面粗糙度的预测方法及装置，用以解决现有技术中存在的需要加工后用仪器进行测量导致生产、检测成本高，且浪费材料的技术问题。

一方面，本发明提供了一种液体喷射抛光表面粗糙度的预测方法，包括：

获取液体喷射抛光实验的样本加工参数输入数据集和粗糙度输出数据集；

创建神经网络，基于所述样本加工参数数据集和所述粗糙度输出数据集确定所述神经网络的网络架构以构建初始粗糙度预测模型；

根据量子粒子群优化算法对所述初始粗糙度预测模型进行处理，得到最佳模型参数；

根据所述最佳模型参数对所述初始粗糙度预测模型进行更新，得到目标粗糙度预测模型；

基于所述目标粗糙度预测模型对目标液体喷射抛光物的表面粗糙度进行预测。

在一些可能的实现方式中，所述根据量子粒子群优化算法对所述初始粗糙度预测模型进行处理，得到最佳模型参数，包括：

获取所述量子粒子群优化算法中粒子群所有粒子的粒子位置和最大迭代次数；所述所有粒子中的粒子包括所述训练集中的初始权重和初始阈值；

根据适应度函数对当前粒子的粒子位置进行计算，得到所述当前粒子的粒子适应度；

将所述当前粒子的所述粒子适应度与之前个体最优粒子适应度进行比较，确定最新的个体最优粒子适应度；

判断所述粒子群是否包括未经过计算的粒子，若否，则将所述粒子群中最小的粒子适应度确定为全局最优适应度，根据所述全局最优适应度对应的全局最优位置对所述粒子群中的每个粒子的粒子位置进行更新，得到所述每个粒子的目标位置；

判断当前迭代次数是否为所述最大迭代次数，若否，则对所述当前迭代次数进行更新，将所述每个粒子的所述目标位置确定为所述当前粒子的粒子位置，并返回“根据适应度函数对当前粒子的粒子位置进行计算，得到所述当前粒子的粒子适应度”的步骤；

若是，则根据每次迭代确定的个体最优粒子适应度，确定平均最优适应度，并将所述平均最优适应度对应的平均最优位置中的最佳权值和最佳阈值确定为最佳模型参数。

在一些可能的实现方式中，所述判断所述粒子群是否包括未经过计算的粒子之后，还包括：

若所述粒子群中包括未经过计算的粒子，则返回“根据适应度函数对当前粒子的粒子位置进行计算，得到所述当前粒子的粒子适应度”的步骤。