基于机器学习的玻璃钢化后应力层深度预测方法及系统与流程

本发明涉及玻璃加工，尤其涉及一种基于机器学习的玻璃钢化后应力层深度预测方法及系统。

背景技术：

1、超薄盖板玻璃已成为手机等信息显示终端产品不可或缺的组成部分，化学强化(又称离子交换)是提升超薄盖板玻璃力学性能的有效方法之一，主要包含高温型离子交换与低温型离子交换。高温型离子交换是指盐浴温度高于玻璃转变温度，在离子交换过程中玻璃表面析出具有较低热膨胀系数的微晶，从而在玻璃表面形成一定深度的应力层。

2、化学钢化后的玻璃其抗冲击强度和抗跌落强度成倍数提升，而玻璃的抗跌落性能与玻璃的深层应力有关系。化学强化高铝硅酸盐玻璃具有良好的机械性能、光学性能和化学钢化性能，在电子玻璃盖板等领域有着重要应用。在设计生产工艺时为了得到理想的压缩应力层的深度，往往需要经过多轮制样测试实验来确定理想化学强化时间和化学强化温度。对应力层深度的预测也仅仅是依靠预测公式dol＝f(t，t)，无法捕捉超薄玻璃组分、钢化条件与应力层深度之间的非线性耦合关系。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供了一种基于机器学习的玻璃钢化后应力层深度预测方法及系统，利用超薄玻璃应力层数据库，训练机器学习算法，最终确定适用于超薄玻璃应力层深度预测的模型，实现较为准确的预测超薄玻璃组分和钢化工艺条件所对应的应力层深度。本发明的技术方案如下：

2、第一方面，提供了一种基于机器学习的玻璃钢化后应力层深度预测方法，包括：

3、利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，得到训练完成的深度预测模型；

4、基于待预测玻璃钢化后的所述多种预设应力层深度关键特征参数输入到所述训练完成的深度预测模型，获取所述待预测玻璃钢化后的应力层深度预测结果。

5、在一些实施方式中，所述预设应力层深度关键特征参数包括：钢化时间、钢化温度及溶液浓度。

6、在一些实施方式中，所述预设应力层深度关键特征参数还包括：组成玻璃各个组分摩尔含量。

7、在一些实施方式中，所述预设应力层深度关键特征参数还包括：组成玻璃各个组分不同原子原子序数、质量，元素周期表上的行和列，电负性和共价半径。

8、在一些实施方式中，所述预设应力层深度关键特征参数还包括：所述玻璃中所含元素原子最近邻六种原子性质之间的平均值、最大和最小值差。

9、在一些实施方式中，所述预先构建的机器学习模型基于梯度提升树xgboost算法构建。

10、在一些实施方式中，所述所述预先构建的机器学习模型采用改进后的xgboost算法构建，所述机器学习模型经过拟合训练得到深度预测模型的训练过程，包括：

11、基于不同组分不同钢化工艺参数的超薄玻璃钢化后应力层深度数据，形成玻璃钢化后应力层深度数据库；

12、基于数据库中的玻璃组分和钢化工艺参数提取所述关键特征参数，并获取玻璃组分和钢化工艺参数对应的应力层深度作为标签，形成模型训练样本库；

13、执行模型训练第一阶段：基于智能寻优算法获取xgboost算法模型最优初始化参数；

14、执行模型训练第二阶段：基于所述模型最优初始化参数构建xgboost初始模型，并通过样本库的样本对初始模型进行训练，获取训练完成的深度预测模型。

15、在一些实施方式中，所述智能寻优算法基于海鸥优化算法实现。

16、在一些实施方式中，所述模型训练第一阶段包括：

17、(91)基于xgboost算法待初始化的参数作为海鸥的位置坐标；

18、(92)初始化海鸥的位置，在边界范围内随机初始化n只海鸥的位置：fsi,j＝lb+rand×(ub-lb)，其中，fsi,j代表第i只海鸥第j维的值，ub、lb分别为变量的上下边界，rand为[0,1]之间的随机数；

19、(93)基于n只海鸥的位置表示的xgboost算法参数，通过样本库的样本进行模型训练，并基于模型预测结果的误差获取海鸥个体的适应度值；

20、(94)对n只海鸥的当前位置ps0(t)进行位置更新，获取海鸥更新后位置ps1(t)，ps1(t)＝(1-α)ds(t)×x×y×z+αpgs(t),其中，

21、pgs(t)为n只海鸥中的最佳位置；

22、x＝r×cos(θ)，y＝r×sin(θ)，z＝r×θ，r＝u×eθv，其中，r为每个螺旋的半径，θ为[0,2π]范围内的随机角度值，u和v为螺旋形状的相关常数，e为自然对数的底数，α为权重系数；

23、ds(t)＝cs(t)+ms(t)；

24、cs(t)为不与其他海鸥存在位置冲突的新位置，ms(t)为最优海鸥个体方向；

25、cs(t)＝a*ps0(t)，a＝fc-(t*fc/maxint)；

26、ms(t)＝b*(pgs(t)-ps0(t))，b＝2*a2*rd；

27、其中，t为当前迭代次数，a为海鸥在给定搜索空间中的运动行为，fc为控制系数，取值为[0,2]，maxint为最大迭代次数，b为平衡全局和局部搜索的随机数，rd为[0,1]范围内的随机数；

28、(95)重复上述步骤(93)和(94)，直至达到最大迭代次数，获取n只海鸥中最优个体位置作为xgboost算法最优初始化参数。

29、第二方面，提供了一种基于机器学习的玻璃钢化后应力层深度预测系统，包括：

30、应力层深度预测模型获取单元，用于利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系，得到训练完成的深度预测模型；

31、应力层深度预测结果获取单元，用于基于待预测玻璃钢化后的所述多种预设应力层深度关键特征参数输入到所述训练完成的深度预测模型，获取所述待预测玻璃钢化后的应力层深度预测结果。

32、本发明的一种基于机器学习的玻璃钢化后应力层深度预测方法及系统，具备如下

33、有益效果：

34、1、在利用预先构建的机器学习模型拟合基于玻璃组分和钢化工艺参数提取的多种预设应力层深度关键特征参数和玻璃钢化后应力层深度之间的关系时，采用的多种预设应力层深度关键特征参数，综合考虑了组成成分氧化物的摩尔含量，元素特征(原子序数、质量，元素周期表上的行和列，电负性和共价半径)，局部化学特征(最近邻六种原子性质之间的平均值、最大和最小值差)及钢化工艺(钢化时间、钢化温度及溶液浓度)，考虑了不同原子之间离子作用力和短程作用力的相互关系，更加符合实际玻璃的规律，预测结果更为准确。

35、2、预先构建的机器学习模型采用海鸥优化算法结合xgboost算法，使得到的深度预测模型结构简单，提高收敛速度和精度，且海鸥优化算法寻优得到的最优xgboost算法参数可以较明显地提高xgboost算法的性能，有效提高预测超薄玻璃钢化后应力层深度的准确性。