陶瓷结合剂磨具配方设计决策系统

摘要

一种陶瓷结合剂磨具配方设计决策系统，GUI模块负责与用户、数据预处理模块、模糊神经网络处理模块和模糊神经网络参数学习模块进行交互；数据预处理模块主要获得GUI模块的硬度参数数据并对其进行预处理，将预处理形成的名义硬度信息输出给模糊神经网络处理模块；模糊神经网络处理模块获得陶瓷磨具的名义硬度、成型密度和磨料成份数据，进行结合剂、粘接剂和湿润剂配比参数的决策处理，并将决策处理的结果输出给模糊神经网络参数学习模块和GUI模块，模糊神经网络参数学习模块对模糊化处理子模块中的中心值参数、宽度值参数和输出处理子模块中的输出连接权重参数进行训练处理。本发明提高了陶瓷磨具的配方设计过程中组成材料配比参数的准确性。

说明书

技术领域

本发明涉及磨具制造领域的信息处理系统，具体是是一种陶瓷结合剂磨具(简称陶瓷磨具)制造的配方设计过程中组成材料配比参数的决策系统。

背景技术

陶瓷磨具是以粘土、长石或其他无机矿物为主要材料作为结合剂的一种磨削加工工具，它是经过高温焙烧后形成一种玻璃或陶瓷性质的结合剂把磨粒粘接成较高强度的磨具。陶瓷磨具具有良好的化学稳定性、耐热性和耐水性，可适应各种冷却液条件下磨削，磨耗较小，自锐性较佳，易于获得高的尺寸和形位精度，广泛用于精密磨削和成形磨削以及制造各种固结磨具和涂附磨具。

随着陶瓷磨具的广泛应用，用户对陶瓷磨具的需求多样化、个性化和精细化方向发展。如：许多用户要求对陶瓷磨具供货的硬度准确到1/2或1/3小级；一些用户允许可以略软但不能硬；一些用户允许磨具可略硬但不能软。满足以上用户对陶瓷磨具个性化需求的关键是对陶瓷磨具进行合理准确的配方设计。因此，在磨具配方设计阶段，如何准确设计陶瓷磨具的组成材料配方设计有经验法、因素轮换发、正交实验法和回归分析法。配方设计工程师通常根据工作经验和小样本实验数据，建立经验设计公式，对陶瓷磨具的各组材料配比参数进行简单快捷设计。

经对现有技术文献的检索发现，栗正新在《金刚石与磨料磨具工程》(2007年159卷3期)88-90页上发表了“回归法SG磨具配方设计”该文中采用线性回归分析方法对基于陶瓷刚玉磨料(90％白刚玉和10％微晶氧化铝混合磨料)的陶瓷磨具组成材料成份配比参数进行设计，通过分别建立陶瓷磨具中结合剂含量、成型密度参数、粘接剂含量和湿润剂含量与陶瓷名义硬度之间的数学表达式关系，实现对陶瓷磨具中结合剂、粘接剂和湿润剂等材料成分参数值和成型密度参数值的决策。但该方法未考虑到配方中各组成材料之间相互作用和相互耦合关系对陶瓷磨具最终硬度的影响，容易导致陶瓷磨具各组成材料配比参数值偏差过大的现象，从而导致陶瓷磨具的实际硬度准确性较差。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的就是提供一种陶瓷结合剂磨具制造的配方设计过程中各组成材料配比参数的决策系统，优化陶瓷磨具配方设计过程中的组成材料配比参数值，显著提高所设计陶瓷磨具硬度的准确性。

本发明的技术方案是，包括GUI模块、数据预处理模块、模糊神经网络处理模块和模糊神经网络参数学习模块，其中：

GUI模块负责用户与数据预处理模块、模糊神经网络参数学习模块和模糊神经网络处理模块的人机交互操作，该模块一方面接收人机交换过程中输入的陶瓷磨具的成型密度、硬度值和磨料重量分数参数信息数据，另一方面接收人机交互操作过程中输入的模糊神经网络处理模块和模糊神经网络参数学习模块的初始化参数信息剂参数学习信息，并显示各模块的中间结果和最后的陶瓷磨具的结合剂、粘接剂和湿润材料成份配比参数的决策输出结果；

数据预处理模块从GUI模块获得陶瓷磨具的硬度值参数，对硬度值进行计算处理以获得陶瓷磨具的名义硬度值，然后将名义硬度值输出给模糊神经网络处理模块；

模糊神经网络处理模块一方面从GUI模块获得陶瓷磨具成型密度参数和磨料重量分数参数数据，并从数据预处理模块获得名义硬度值参数数据，另一方面从模糊神经网络参数学习模块获得学习后的模糊化处理中心值参数和阈值参数信息、输出处理连接权重参数，进行陶瓷磨具配比参数的决策处理，并将陶瓷磨具配比参数的决策处理结果输出到模糊神经网络参数学习模块和GUI模块；

模糊神经网络参数学习模块一方面接收模糊神经网络处理模块的陶瓷磨具配比参数决策输出信息，一方面从GUI模块获取模糊神经网络学习的初始化参数设定值信息和陶瓷磨具的结合剂、粘接剂和湿润剂配比参数的历史数据，对模糊神经网络处理模块的模糊化处理中心值参数和阀值参数信息、输出处理连接权重参数进行学习计算，并将学习后的模糊处理中心值参数和阀值参数信息、输出处理连接权重参数传输给模糊神经网络处理模块和GUI模块。

所述数据预处理模块包括名义硬度输入处理子模块，名义硬度输入处理子模块负责从GUI模块中获取陶瓷磨具的设计硬度值信息H_s并进行数学计算处理，首先根据输入的设计硬度值参照国标GB/T2491-2003查表获得该硬度值H_s所在硬度级的首端值H_a、末端值H_b、硬度序数n_x和测量方法修正值K，然后按照名义硬度计算公式：

$>H_x=n_x+\frac{(H_x-H_a/2-H_b/2)}{H_b-H_a+K}$>

进行数字计算处理，计算获得陶瓷磨具的名义硬度值H_x输出给模糊神经网络处理模块。

所述测量方法修正值K为洛氏法设定K＝1或喷砂法设定K＝-0.01。

所述模糊神经网络处理模块，包括数据输入处理子模块、模糊化处理子模块、规则运算处理子模块、归一化处理子模块、输出处理子模块和陶瓷磨具配比参数决策输出子模块，其中：数据输入处理子模块一方面负责从数据预处理模块接收陶瓷磨具的名义硬度值信息H_x，另一个方面负责从GUI模块中获取接收陶瓷磨具的磨料重量分数信息W_p、成型密度参数γ，并输出给模糊化处理子模块；

所述模糊化处理子模块主要负责该子模块输入信息的模糊化处理，该模块一方面从数据输入处理子模块中获得陶瓷磨具的名义硬度值信息H_x、磨料重量分数信息W_p和成型密度参数γ，另一方面从模糊神经网络参数学习模块获得高斯函数的中心值参数c和阈值参数σ，针对以上每一个输入参数信息，根据5组对应的中心值参数c和阈值参数σ，分别采用5个高斯函数进行模糊化变换处理，获得3类共15个模糊化处理输出信息并输出到规则运算处理子模块；

规则运算处理子模块负责对模糊化处理子模块输入的模糊化处理信息进行规则运算处理，针对输入获得的3类共15个模糊化处理数据，首先按照从名义硬度值、磨料重量分数和成型密度参数分别对应的5个模糊化处理数据中各选取一个模糊化处理数据的规则，挑选3个模糊化处理数据，然后将挑选的3个数据进行乘积处理，按照该选择规则，共获得5³个规则乘积处理输出数据，最后将该规则运算处理的数据输出到归一化处理子模块；

归一化处理子模块负责将规则运算处理子模块输出的规则运算处理数据进行归一化处理，针对归一化处理子模块输入的5³个规则运算处理数据，首先对5³个数据进行求和处理，然后将求和处理获得的值分别去除5³个规则运算处理数据，获得归一化处理的5³个规则运算处理数据，并将其输出到输出处理子模块；

输出处理子模块一方面从归一化处理子模块获得归一化的5³个规则运算处理数据，另一方面从模糊神经网络参数学习模块获得输出权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}数据，进行加权运算和函数变换处理，首先将从归一化处理子模块获得归一化的5³个规则运算处理数据分别与输出权值参数w相乘并进行加权运算处理，加权运算的结果采用3个tansig函数进行函数运算处理，获得3个输出处理的参数数据，将3个输出处理的参数数据输出到陶瓷磨具配比参数决策输出子模块和模糊神经网络参数学习模块中；

陶瓷磨具配比参数决策输出子模块从输出处理子模块获得3个输出处理的参数数据，将该3个参数数据按顺序分别对应为陶瓷磨具的结合剂、粘接剂和湿润剂材料成份配比参数的决策输出值，输出到GUI模块。

所述模糊神经网络参数学习模块，包括：参数输入子模块、学习参数更新子模块和学习参数输出子模块，其中：

参数输入子模块负责从GUI模块获取模糊神经网络的学习次数参数T、模糊化处理的中心值参数c和阈值参数σ的初始设定值、输出权值参数w的初始设定值、初始学习速率参数l和陶瓷磨具配比参数的历史数据，并从模糊神经网络处理模块的输出处理子模块中获得加权和函数运算处理的输出数据，并输入到学习参数更新子模块；

学习参数更新子模块负责对模糊神经网络处理模块中模糊化处理子模块的3类5组共15个中心值参数c和阈值参数σ、以及模糊神经网络处理模块的输出处理子模块中的权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}进行学习优化处理，首先采用有监督的梯度下降学习法分别计算模糊化处理子模块中15个中心值参数c和阈值参数σ沿梯度方向的变化速率值，并计算输出处理子模块中的3×5³个权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}沿梯度方向的变化速率值，然后将中心值参数c、阈值参数σ和权值参数w的变化速率值分别与中心值参数c、宽度值参数σ和权值参数w的当前值进行累加，从而获得学习优化后新的中心值参数c、宽度值参数σ和权值参数w值，学习优化后获得的参数值输出到学习参数输出子模块；

学习参数输出子模块从学习参数更新子模块获得学习优化后的中心值参数c和宽度值参数σ的值，输出给模糊神经网络处理模块中的模糊化处理子模块和GUI模块，从学习参数更新子模块获得学习优化后的权值参数w值，输出给模糊神经网络处理模块中的输出处理子模块和GUI模块。

本发明运行过程中在参数学习阶段，GUI模块首先接收用户输入的陶瓷磨具硬度值参数、成型密度参数、磨料重量分数参数、陶瓷磨具的结合剂、粘接剂和湿润剂配比参数的历史数据信息以及模糊神经网络学习的初始化参数设定值信息，分别将其输出给数据预处理模块、模糊神经网络处理模块和模糊神经网络参数学习模块；数据预处理模块从GUI模块获得陶瓷磨具的硬度值参数信息，进行名义硬度值的计算处理，并将计算处理获得的名义硬度值输出给模糊神经网络处理模块；模糊神经网络处理模块一方面从GUI模块获得陶瓷磨具的成型密度参数和磨料重量分数参数信息，并从数据预处理模块获得计算处理的名义硬度值信息，另一方面从模糊神经网络参数学习模块获得学习优化的模糊化处理中心值参数c、阈值参数σ、输出处理权值参数w的信息，对陶瓷磨具的结合剂、粘接剂和湿润剂配比参数值进行决策处理，并将优化的决策处理结果分别输出到模糊神经网络参数学习模块和GUI模块；模糊神经网络参数学习模块一方面从模糊神经网络处理模块接收优化决策处理的结果信息，另一方面从GUI模块接收模糊神经网络学习的初始化参数设定值信息和陶瓷磨具的结合剂、粘接剂和湿润剂配比参数的历史数据信息，对模糊神经网络模块中的模糊化处理中心值参数c、阈值参数σ和输出处理权值参数w进行学习处理，将优化的模糊化处理中心值参数c、阈值参数σ和输出处理权值参数w分别输出给模糊神经网络处理模块的模糊化处理子模块、输出处理子模块，并输出给GUI模块，当模糊神经网络参数学习次数达到初始设定值，则结束模糊神经网络的学习，进入陶瓷磨具配比参数的模糊神经网络决策系统的决策处理阶段。

在陶瓷磨具配比参数决策阶段，GUI模块接收用户输入的陶瓷磨具硬度值参数、成型密度参数、磨料重量分数参数，分别将其输出给数据预处理模块和模糊神经网络处理模块；数据预处理模块对输出的陶瓷磨具硬度值参数进行计算处理，获得磨具的名义硬度值，并将其输出给模糊神经网络处理模块；模糊神经网络模块一方面从GUI模块获得成型密度参数、磨料重量分数参数信息，并从数据预处理模块获得名义硬度信息，另一方面从模糊神经网络模块获得学习优化后的模糊化处理中心值参数c、阈值参数σ和输出处理权值参数w值信息，对陶瓷磨具配比参数值进行决策处理，并将决策处理的优化配比参数值输出到GUI模块。

与现有技术相比，本发明有如下有益效果：

本发明根据陶瓷磨具的硬度值参数、成型密度参数和磨料重量分数参数，利用模糊神经网络能够有效表达多变量非线性关系的特性，采用多个模糊神经网络处理子模块对陶瓷磨具的结合剂、粘接剂和湿润剂配比参数进行优化决策处理，具有较好的适应性和较优的决策性能。具有陶瓷磨具配方设计的生产数据进行配比参数的决策和验证，并与陶瓷磨具配方设计过程最广泛应用的基于回归分析的决策系统比较，陶瓷磨具配比参数决策的准确性

陶瓷磨具的结合剂、粘接剂和湿润剂配比参数的准确性提高了8％-10％，基于以上优化决策的配方参数值对陶瓷磨具进行制造，使陶瓷磨具实际硬度值和设计硬度值的偏差控制在1/2小级以内。因此，对陶瓷磨具的硬度控制具有明显的现实意义，能有效满足客户对陶瓷磨具硬度特性的个性化需求。同时，本发明的陶瓷磨具配比参数决策过程的处理时间在30-50秒以内(计算机配置：Intel(R)Core i32.53GHz处理器、2G内存、250G硬盘、WindowsXP操作系统)，满足陶瓷磨具配方设计生产运行过程的需求。

附图说明

图1为本发明系统结构图。

具体实施方式

下面结合附图1对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例中的陶瓷磨具为棕刚玉60#砂轮，该磨具的磨料为棕刚玉材料、湿润剂为水玻璃(比重为1.41g/cm³)、粘接剂为糊精粉、结合剂为粘土和长石混合物(粘土25％、长石75％)。获取棕刚玉60#砂轮的结合剂参数、粘接剂和湿润剂、砂轮实际硬度值、成型密度、磨料重量分数等参数的历史数据，形成54组棕刚玉60#砂轮配比参数决策的学习样本数据，如表1所示。

表1棕刚玉60#砂轮配比参数决策的学习数据表：

如图1所示，本实施例包括：GUI模块、数据预处理模块、模糊神经网络处理模块和模糊神经网络参数学习模块，其中：

GUI模块为客户所使用的图形用户界面，负责用户与数据预处理模块、模糊神经网络参数学习模块和模糊神经网络处理模块的人机交互操作，该模块一方面接收人机交互操作过程中输入的棕刚玉60#砂轮磨具的成型密度、硬度值和磨料重量分数参数信息数据，另一方面接收人机交互操作过程中输入的模糊神经网络处理模块和模糊神经网络参数学习模块的初始化参数信息及参数学习数据信息，并显示各模块的中间结果和最后的棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂材料成份配比参数的决策输出结果；

数据预处理模块从GUI模块获得棕刚玉60#砂轮磨具的硬度值参数，对硬度值进行计算处理以获得棕刚玉60#砂轮磨具的名义硬度值，然后将名义硬度值输出给模数神经网络处理模块；

模糊神经网络处理模块一方面从GUI模块获得棕刚玉60#砂轮磨具的成型密度参数和磨料重量分数参数数据，并从数据预处理模块获得名义硬度值参数数据，另一方面从模糊神经网络参数学习模块获得学习后的模糊化处理中心值参数和阈值参数信息、输出处理连接权重参数，进行棕刚玉60#砂轮磨具配比参数的决策处理，并将棕刚玉60#砂轮磨具配比参数的决策处理结果输出到模糊神经网络参数学习模块和GUI模块；

模糊神经网络参数学习模块一方面接收模糊神经网络处理模块的棕刚玉60#砂轮磨具配比参数决策输出信息，一方面从GUI模块获取模糊神经网络学习的初始化参数设定值信息和棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂配比参数的历史数据，对模糊神经网络处理模块的模糊化处理中心值参数和阈值参数信息、输出处理连接权重参数进行学习计算，并将学习后的模糊化处理中心值参数和阈值参数信息、输出处理连接权重参数传输给模糊神经网络处理模块和GUI模块；

所述数据预处理模块，包括：名义硬度输入处理子模块，其中：

名义硬度输入处理子模块负责从GUI模块中获取棕刚玉60#砂轮磨具的设计硬度值信息H_s并进行数学计算处理，首先根据输入的设计硬度值参照国标GB/T2490-2003查表获得该硬度值H_s所在硬度级的首端值H_a、末端值H_b、硬度序数n_x和测量方法修正值K＝-0.01(喷砂法)，不同硬度等级的首端值H_a、末端值H_b如表2所示，然后按照名义硬度计算公式

$>H_x=n_x+\frac{(H_x-H_a/2-H_b/2)}{H_b-H_a+K}$>

进行数学计算处理，计算获得棕刚玉60#砂轮磨具的名义硬度值H_x输出给模糊神经网络处理模块中的输入处理子模块。

表2各硬度等级的首端值H_a、末端值H_b数据表：

所述模糊神经网络处理模块，包括：输入处理子模块、模糊化处理子模块、规则运算处理子模块、归一化处理子模块、输出处理子模块和棕刚玉60#砂轮磨具配比参数决策输出子模块，其中：

输入处理子模块一方面负责从数据预处理模块接收棕刚玉60#砂轮磨具的名义硬度值信息H_x，另一方面负责从GUI模块中获取接收棕刚玉60#砂轮磨具的磨料重量分数信息W_p、成型密度参数γ，并输出给模糊化处理子模块；

模糊化处理子模块主要负责该子模块输入信息的模糊化处理，该模块一方面从输入处理子模块中获得棕刚玉60#砂轮磨具的名义硬度值信息H_x、磨料重量分数信息W_p和成型密度参数γ，另一方面从模糊神经网络参数学习模块获得高斯函数的中心值参数c和阈值参数σ，针对以上每一个输入参数信息，根据5组对应的中心值参数c和阈值参数σ，分别采用5个高斯函数进行模糊化变换处理，获得3类共15个模糊化处理输出信息并输出到规则运算处理子模块；

规则运算处理子模块负责对模糊化处理子模块输入的模糊化处理信息进行规则运算处理，针对输入获得的3类共15个模糊化处理数据，首先按照从名义硬度值H_x、磨料重量分数W_p和成型密度参数γ分别对应的5个模糊化处理数据中各选取一个模糊化处理数据的规则，挑选3个模糊化处理数据，然后将挑选的3个数据进行乘积处理，按照该选择规则，共获得5³个规则乘积处理输出数据，最后将该规则运算处理的数据输出到归一化处理子模块；

归一化处理子模块负责将规则运算处理子模块输出的规则运算处理数据进行归一化处理，针对归一化处理子模块输入的5³个规则运算处理数据，首先对5³个数据进行求和处理，然后将求和处理获得的值分别去除5³个规则运算处理数据，获得归一化处理的5³个规则运算处理数据，并将其输出到输出处理子模块；

输出处理子模块一方面从归一化处理子模块获得归一化的5³个规则运算处理数据，另一方面从模糊神经网络参数学习模块获得输出权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}数据，进行加权运算和函数变换处理，首先将从归一化处理子模块获得归一化的5³个规则运算处理数据分别与输出权值参数w相乘并进行加权运算处理，加权运算的结果采用3个tansig函数进行函数运算处理，获得3个输出处理的参数数据，将3个输出处理的参数数据输出到陶瓷磨具配比参数决策输出子模块和模糊神经网络参数学习模块中的参数输入子模块；

陶瓷磨具配比参数决策输出子模块从输出处理子模块获得3个输出处理的参数数据，将该3个参数数据按顺序分别对应为棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂材料成份配比参数的决策输出值，输出到GUI模块。

所述模糊神经网络参数学习模块，包括：参数输入子模块、学习参数更新子模块和学习参数输出子模块，其中：

参数输入子模块负责从GUI模块获取模糊神经网络的学习次数参数T、模糊化处理的中心值参数c和阈值参数σ的初始设定值、输出权值参数w的初始设定值、初始学习速率参数l和棕刚玉60#砂轮磨具配比参数的历史数据，并从模糊神经网络处理模块的输出处理子模块中获得加权和函数运算处理的输出数据，并输入到学习参数更新子模块；

学习参数更新子模块负责对模糊神经网络处理模块中模糊化处理子模块的3类5组共15个中心值参数c和阈值参数σ、以及模糊神经网络处理模块的输出处理子模块中的权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}进行学习优化处理，首先采用有监督的梯度下降学习法分别计算模糊化处理子模块中15个中心值参数c和阈值参数σ沿梯度方向的变化速率值，并计算输出处理子模块中的3×5³个权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}沿梯度方向的变化速率值，然后将中心值参数c、阈值参数σ和权值参数w的变化速率值分别与中心值参数c、宽度值参数σ和权值参数w的当前值进行累加，从而获得学习优化后新的中心值参数c、宽度值参数σ和权值参数w值，学习优化后获得的参数值输出到学习参数输出子模块。

学习参数输出子模块从学习参数更新子模块获得学习优化后的中心值参数c和宽度值参数σ的值，输出给模糊神经网络处理模块中的模糊化处理子模块和GUI模块，从学习参数更新子模块获得学习优化后的权值参数w值，输出给模糊神经网络处理模块中的输出处理子模块和GUI模块。

所述模糊神经网络参数学习模块，设定从GUI模块获取的模糊神经网络的学习次数参数T＝10⁴，设定模糊化处理子模块中的模糊化处理中心值参数c和阈值参数σ的初始设定值如表3所示，输出处理子模块中的3×5³个权值参数w＝{w_ij,i＝1,...,5³；j＝1,2,3}w的初始值设定为0.6，初始学习速率参数l＝0.01。

表3模糊化处理中心值参数c和阈值参数σ的初始设定值：

序号c_ij参数名初始值σ_ij参数名初始值1C₁₁3σ₁₁2.02C₁₂4.5σ₁₂2.03C₁₃6σ₁₃2.04C₁₄7.5σ₁₄2.05C₁₅9σ₁₅2.06C₂₁2.15σ₂₁2.07C₂₂2.23σ₂₂2.08C₂₃2.31σ₂₃2.0

9C₂₄2.39σ₂₄2.010C₂₅2.47σ₂₅2.011C₃₁78σ₃₁2.012C₃₂82σ₃₂2.013C₃₃86σ₃₃2.014C₃₄90σ₃₄2.015C₃₅94σ₃₅2.0

本实施例中模糊神经网络处理模块基于棕刚玉60#砂轮磨具的硬度值参数、磨料重量分数参数和成型密度参数对棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂配比参数进行决策，优化决策的结果如表4所示。

表4模糊神经网络处理模块的配比参数决策输出：

本实施例系统对棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂配比参数进行优化决策，根据棕刚玉60#砂轮磨具的硬度值参数、成型密度参数、磨料重量分数参数，本发明根据棕刚玉60#砂轮磨具的硬度值参数、成型密度参数和磨料重量分数参数，利用模糊神经网络能够有效表达多变量非线性关系的特性，采用多个模糊神经网络处理子模块对棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂配比参数进行优化决策处理，具有较好的适应性和较优的决策性能。棕刚玉60#砂轮磨具的结合剂、粘接剂和湿润剂配比参数的准确性提高了8％-10％，基于以上优化决策的配方参数值对棕刚玉60#砂轮磨具进行制造，使棕刚玉60#砂轮磨具实际硬度值和设计硬度值的偏差控制在1/2小级以内。对陶瓷磨具的硬度控制具有明显的现实意义，能有效满足客户对陶瓷磨具硬度特性的个性化需求。