一种磨粒流微流道抛光质量可靠性分析系统及方法

本发明涉及机械加工方法质量可靠性分析方法，尤其涉及一种磨粒流微流道抛光质量可靠性分析系统及方法。

背景技术：

1、以玻璃基材制作的微流控芯片被广泛应用于生物检测中，微流道是微流控芯片实现流体输运和检测分析的主要场所，微流道内壁面的光滑程度、加工质量直接决定了微流控芯片的生物检测的精度及稳定性。因此，可以通过各种抛光方法对微流道进行抛光，降低其粗糙度，提高其表面光滑程度，进一步，对微流控芯片微流道抛光加工后进行质量检测，确保加工质量可靠性具有重要意义。

2、对于微流控芯片而言，主要的微流道加工质量包括芯片完成检测所需要的微流道几何结构尺寸，例如微流道深度、宽度、流道角度等；此外，还包括面形尺寸，例如微流道的表面粗糙度，表面损伤或亚损伤的程度等。表面粗糙度可以使用粗糙度测量仪进行检测，表面损伤或亚损伤可以利用白光干涉仪、扫描电镜等仪器检测分析。

3、针对微流道结构尺寸微小的特点，采用磨粒射流进行抛光是一种新方法，但是其涉及较多的加工参数，且实际加工中，这些加工参数会由于机床振动、环境温湿度变化、机械结构磨损等原因导加工参数不确定性，从而引起加工后的质量出现波动，甚至使得加工质量不能满足微流控芯片的使用要求，通过控制其加工质量可靠性，确保出现加工失效的概率在较低的水平是极有现实意义的。

4、然而对每一片加工的微流控芯片进行质量检测会带来极大的工作量。为了避免大量的质量检测工作，通过磨粒流微流道抛光质量可靠性分析系统，通过经少数几次加工参数的加工试验得到加工参数对加工质量的作用关系，高效进行加工参数不确定性下的抛光质量可靠性分析，从而预测加工质量可靠性并适时调整加工参数是本发明要解决的难题。

技术实现思路

1、为了解决现有技术中存在的上述技术问题，本发明提供了一种磨粒流微流道抛光质量可靠性分析系统及方法，具体技术方案如下：

2、一种磨粒流微流道抛光质量可靠性分析系统，包括磨粒流抛光系统，质量检测系统和可靠性分析系统，所述磨粒流抛光系统用于微流控芯片内微流道的抛光加工；所述质量检测系统用于对加工后的微流道进行质量检测，得到检测值r；所述可靠性分析系统对加工质量的可靠性分析，分析的信息基础为加工参数p和检测得到的微流道加工质量检测值r；所述可靠性分析系统将调整后的加工参数传输给所述的磨粒流抛光系统，用于控制微流道抛光。

3、进一步的，通过检测微流道的表面粗糙度得到检测值r。

4、进一步的，所述可靠性分析系统从磨粒抛光系统中读取使用的加工参数p，从质量检测系统读取微流道加工质量检测值r；利用加工参数p和检测值r基于kriging模型构建加工质量响应面代理模型a，并利用上述构建的代理模型a通过蒙特卡洛(monte carlo)模拟试验方法计算加工质量的可靠性或失效概率，其失效概率如公式1：

5、

6、式中：pf为加工失效的概率，nmc为利用蒙特卡洛进行试验的总次数，ng≤0为nmc次试验中不符合加工质量要求的次数，g≤0表示表面太粗糙，加工质量不满足要求，若g＞0，则表示加工质量满足要求，g＝r0-r，r0为要求的表面粗糙度阈值。

7、进一步的，所述的代理模型a是通过kriging方法的主动学习函数更新构建的，主动学习函数如公式2所示：

8、

9、式中：ua(x)为学习函数，为基于构建的代理模型a的预测值，为预测值的方差，rm(x)为相关性系数最大值，其值在(0，1]之间，k为指数系数，可以为任意非负有理数，这里k＝0～100，x为加工使用的参数。

10、进一步的，所述的代理模型a是通过kriging方法的主动学习函数更新构建的，主动学习函数如公式3所示：

11、

12、式中：u(x)为学习函数，为基于构建的代理模型a的预测值，为预测值的方差。

13、一种利用所述的磨粒流微流道抛光质量可靠性分析系统进行可靠性分析的方法，包括如下步骤：

14、步骤1，初始化：通过根据加工参数p的概率分布类型，抽样得到nmc个总体样本s1，s1＝{pi：i＝1，2，...，nmc}，pi为加工参数的向量表示方式；

15、步骤2，初始训练样本加工试验：为了建立初始kriging代理模型a，初始加工试验需要ntp个训练样本s2，s2＝{ptj：j＝1，2，...，ntp}，ptj为训练样本加工参数的向量表示方式；利用训练样本s2的加工参数对微流道进行抛光加工试验，利用质量检测系统测得抛光加工后的表面质量检测值r，记为r＝{rj：j＝1，2，...，ntp}；

16、步骤3，构造或更新kriging模型：根据训练样本s2和检测值r构造或更新kriging模型，得到代理模型a；

17、步骤4，利用代理模型a得到预测值：将总体样本s1代入代理模型a分别得到nmc个预测值方差和相关系数rm(pi)；计算的数量，得到ng≤0，根据公式1，得到预测的失效概率

18、步骤5，以半并行的方式增加新的训练点：对所有总体样本s1同时计算公式2和公式3中的两个学习函数；使u(pi)和ua(pi)达到最小值的加工参数点为潜在训练点；；

19、步骤6，停止学习准则：若用学习函数确定了最佳下一个或两个点，相应的学习函数值与公式5中的停止准则进行比较；

20、min(u，ua)≥v    (5)

21、若满足公式5，则学习停止，根据ak-mcs的方法理论，此时代理模型a的准确性概率pa至少大于其中为标准正态的累积分布函数；

22、步骤7，用新的加工参数更新训练样本s2：若不满足步骤6中的停止准则，则继续学习，并使用新增的一个或者两个训练点作为加工参数在所述的磨粒流抛光系统上进行加工实验，并利用所述的质量检测系统测得检测值r；学习过程回到步骤3，用更新后的由ntp＝ntp+1或ntp＝ntp+2个新的训练样本s2和检测值r来更新kriging代理模型a；若满足步骤6中的停止准则，则进入步骤8；

23、步骤8，计算失效概率的变异系数：若满足第6步中的停止准则，则学习结束；对于蒙特卡洛总体来说，nmc的大小是否适合还有待评估，对nmc合适与否的判断如式6：

24、

25、式中，为变异系数，为通过公式1预测的失效概率，ω为变异系数允许值，取0.05或0.02；；

26、步骤9，更新蒙特卡洛的总体样本s1：如果变异系数太大，不满足步骤8的公式6，则增大nmc，再按步骤1生成新的总体样本s1，然后转到步骤4，利用代理模型a预测新增加加工参数的加工质量，并继续使用主动学习方法，直到再次满足停止准则公式4；如果满足公式6，则进入步骤10；

27、步骤10，完成可靠性分析：如果低于规定的值v，则可靠性分析停止，并将最后一次失效概率估计作为加工质量可靠性的分析结果。

28、进一步的，步骤2中训练样本s2从总体样本s1中采样或根据加工参数p概率分布类型抽样或者随机抽样。

29、进一步的，步骤4中所述预测值方差均利用kriging方法进行计算得到，相关系数rm(pi)为pi参数点与训练样本点s2中ptj个点之间的相关性系数最大值，如公式4所示：

30、rm(pi)＝max [r(pi，pt1，θ)，r(pi，pt2，θ)，...，r(pi，ptn，θ)-t   (4)。

31、有益效果

32、本发明利用新的学习函数，不仅考虑了潜在新增训练点的不确定性概率(1-95.45％)，还通过引入相关系数rm(pi)，使潜在新增训练点的选择进一步考虑了与现有训练点之间的相关性程度，使得磨粒流抛光加工质量的代理模型具有更好的全局保真度。

33、新学习函数引入的相关系数，致使两个学习函数在学习过程中得到的训练点不同，通过判断是否为同一点，以半并行方式新增训练点，既提高了模型在阈值附近的准确性，又能避免在低相关区域的准确性，确保了可靠性分析的准确性；此外，还减少了磨粒流抛光加工质量的代理模型构建需要的迭代次数，提高了加工质量可靠性分析的效率。