[1]镀层镀速预测.doi: 10.3969/j.issn.1001-3849.2026.01.016基于贝叶斯优化神经网络的Cu-SiC镀层镀速预测[J].电镀与精饰,2026,(01):123-130.
　WEI Bo,LIU Cuifang,LYU Jiaosheng.Research on Cu-SiC coating plating rate prediction based on Bayesian optimization neural network[J].Plating & Finishing,2026,(01):123-130.
点击复制

doi: 10.3969/j.issn.1001-3849.2026.01.016基于贝叶斯优化神经网络的Cu-SiC镀层镀速预测()

《电镀与精饰》[ISSN:1001-3849/CN:12-1096/TG]

卷:
期数:
2026年01
页码:
123-130
栏目:
出版日期:
2026-01-31

文章信息/Info

Title:
Research on Cu-SiC coating plating rate prediction based on Bayesian optimization neural network
作者:
镀层镀速预测
(郑州工业应用技术学院 信息工程学院,河南 郑州 451150)
Author(s):
WEI Bo;  LIU Cuifang;  LYU Jiaosheng
(School of Information Engineering, Zhengzhou University of Industrial Technology, Zhengzhou 451150, China)
关键词:
电镀数据; Z-score标准化; 贝叶斯优化算法; BO-CNN-LSTM模型; Cu-SiC镀层; 镀速预测
Keywords:
electroplating data;  Z-score standardization;  Bayesian optimization algorithm;  BO-CNN-LSTM model;  Cu-SiC coating;  prediction of plating rate
分类号:
O213；TQ153
文献标志码:
A
摘要:
Cu-SiC镀层镀速受多种因素影响，包括电流密度、镀液成分、温度、搅拌速度等，这些因素与镀速之间存在着复杂的非线性关系。传统的神经网络模型只能处理线性关系，对于复杂的电镀数据特征之间的非线性关系以及时空特性难以有效捕捉，影响了模型超参数的优化速度及预测精度。为此，提出基于贝叶斯优化神经网络的Cu-SiC镀层镀速预测方法。该方法系统性地采集电镀过程中的电流值、镀液温度、镀液pH值、SiC粒子浓度、镀液搅拌速率数据，并采用Z-score标准化方法对每种电镀数据进行归一化处理，以促进模型在不同特征间的有效比较。设计贝叶斯优化神经网络的BO-CNN-LSTM模型，将各种电镀数据的归一化处理结果作为模型输入，同时捕捉电镀数据的空间特征和时间依赖性，利用贝叶斯算法优化层自动搜索模型最优超参数组合。利用最优超参数组合实施模型训练，最终实现Cu-SiC镀层镀速的高效精准预测。实验结果表明，经过贝叶斯算法优化超参数后，该预测方法的决定系数R2显著提升，更接近1。预测结果与实际镀速之间的偏差较小，曲线走势与实际镀速高度一致。此外，该方法的CPU使用率也相对较低。

参考文献/References:

[1].丁浩, 张慧, 孙锡科, 等. 电刷镀-电接触强化复合工艺制备厚镀层研究[J]. 热加工工艺, 2022, 51(24): 92-96.
[2].周柏玉. 聚醚醚酮化学镀Ni-P及Ni-Cu-P镀层微观结构及性能对比研究[J]. 材料保护, 2023, 56(5): 127-132.
[3].赵健伟, 于晓辉, 袁桂云, 等. 无氰镀银液的浓度对成核机理, 镀液和镀层性能的影响[J]. 电镀与精饰, 2022, 44(12): 1-10.
[4].彭继慎, 郝茗, 宋立业, 等. 基于TSSA-SVR算法的TBM掘进速度预测[J]. 辽宁工程技术大学学报(自然科学版), 2023, 42(5): 634-640.
[5].杜庆峰, 张双俐, 张晨曦, 等. 基于均值滤波去噪和XGBoost算法的泥水平衡盾构掘进速度预测方法[J]. 现代隧道技术, 2022, 59(6): 14-23.
[6].胡业红, 何梦, 周参军, 等. 基于GA-BP神经网络的毫秒延时爆破振动速度预测研究[J]. 中国矿业, 2022, 31(2): 72-77.
[7].HUANG Y, LIU W, LI Y, et al. MFE-SSNet: Multi-modal fusion-based end-to-end steering angle and vehicle speed prediction network[J]. Automotive Innovation, 2024, 7(4): 545-558.
[8].崔凯, 任伟和. Cr12MoV模具钢化学镀Ni-W-P/PTFE复合镀层及耐磨性能研究[J]. 电镀与精饰, 2023, 45(10): 32-39.
[9].任鑫, 王港, 孙涛, 等. 纳米TiC浓度对双脉冲电沉积Ni-TiC复合镀层结构及性能的影响[J]. 材料热处理学报, 2024, 45(4): 167-173.
[10].邱有春, 赵立平. 基于改进神经网络的机身镀层抗冲击性能预测[J]. 兵器材料科学与工程, 2022, 45(5): 148-153.
[11].刘征达, 于静, 张帅. 基于响应曲面法的镍-钴合金镀层多性能优化[J]. 电镀与涂饰, 2023, 42(17): 8-15.
[12].眭志强, 李树华, 林璟, 等. 机器学习在超临界二氧化碳制膜技术教学中的应用实践[J]. 电镀与涂饰, 2024, 43(6): 93-101.
[13].秦海森, 刘丽, 张凤, 等. 泡沫基材-Ni-石墨烯复合镀层制备及电催化析氢性能研究[J]. 表面技术, 2024, 53(2): 221-229.
[14].ZHOU M, ZHOU J, XU G J. Clarification question generation diversity and specificity enhancement based on question keyword prediction[J]. Applied Intelligence: The International Journal of Artificial Intelligence, Neural Networks, and Complex Problem-Solving Technologies, 2024, 54(3): 2379-2396.
[15].YADAV S, GANESAN S. ConvStabNet: a CNN-based approach for the prediction of local stabilization parameter for SUPG scheme[J]. Calcolo, 2024, 61(3): 1-23.
[16].王琳, 黄昊天, 周宏桥, 等. 基于响应面法的锌-铁-锰合金脉冲电沉积工艺优化[J]. 电镀与涂饰, 2024, 43(10): 31-40.
[17].黄燕, 杨裴裴, 董富江. 基于贝叶斯算法优化的多阈值图像分割仿真[J]. 计算机仿真, 2024, 41(6): 223-226, 312.
[18].毛望军, 高志廷. 齿轮钢电沉积Ni-W/MoS2自润滑复合镀层及性能研究[J]. 电镀与精饰, 2023, 45(4): 31-37.
[19].RAMAZAN K, IREM D K. The optimization of nickel electroplating process parameters with artificial intelligence methods[J]. Journal of Applied Electrochemistry, 2023, 53(10): 2077-2089.
[20].GAO M, PEI Z, SONG H G J. Wear resistance of Ni/nano-Al2O3 composite coatings by brush electroplating[J]. Journal of Materials Science, 2024, 59(16): 7009-7027.
[21].NGUYEN D T, CHU D T, NGUYEN T H N, et al. Highly selective welding of ultralong silver nanowire transparent conductive electrodes by electroplating[J]. Journal of Electronic Materials, 2023, 52(11): 7676-7682.

更新日期/Last Update: 2026-01-22