En la transformación inteligente de las operaciones de pulverización, la investigación en el proceso de pulverización robótica tiene una importancia significativa. Sin embargo, el proceso de pulverización se encuentra dentro del ámbito de la tecnología impulsada por la experiencia, caracterizada por una alta complejidad, diversos parámetros y efectos de acoplamiento. Además, la calidad de los procesos de pulverización manual depende completamente de la experiencia manual. Por lo tanto, el núcleo de la transformación inteligente de los robots de pulverización radica en establecer un modelo de mapeo entre el proceso de pulverización y la calidad de pulverización resultante. Para abordar el desafío de transformar inteligentemente los procesos de pulverización empíricos y lograr el mapeo del proceso de pulverización a la calidad de pulverización, se propone un algoritmo que emplea una red neuronal basada en una máquina de aprendizaje extremo mejorada para predecir los parámetros del proceso de pulverización con respecto al índice de evaluación de la calidad de pulverización. En este enfoque, se construye inicialmente un modelo algorítmico basado en la red neuronal de Aprendizaje Extremo (ELM) utilizando cinco parámetros del proceso de pulverización: velocidad de pulverización, altura de pulverización, presión de ancho de pulverización, presión de atomización y presión de pulverización de aceite. También se incorporan dos índices de evaluación de calidad de pulverización, a saber, el grosor promedio de la película en el punto central y la rugosidad de la superficie. Posteriormente, la red neuronal de predicción se optimiza utilizando el algoritmo de optimización de depredadores mejorado por K-means (KHPO) para mejorar la precisión de predicción del modelo. Este paso de optimización tiene como objetivo mejorar la eficiencia del modelo en la predicción de la calidad de pulverización basada en los parámetros del proceso especificados. Finalmente, se lleva a cabo la recolección de datos y la validación del modelo para el algoritmo de predicción de calidad de pulverización utilizando un sistema experimental automatizado de pulverización de pintura al agua robótica diseñado. Los resultados experimentales demuestran una reducción significativa en el error de predicción del modelo de red neuronal KHPO-ELM para el grosor promedio de la película en el punto central, mostrando una disminución del 61.95% en comparación con la red neuronal ELM tradicional y del 50.81% en comparación con la red neuronal BP. Asimismo, el modelo de red neuronal mejorado produce una disminución del 2.31% en el error de predicción de la rugosidad de la superficie en comparación con la red neuronal ELM tradicional y una reducción sustancial del 54.0% en comparación con la red neuronal BP. En consecuencia, la red neuronal KHPO-ELM, que incorpora el algoritmo de predicción, facilita eficazmente la predicción de múltiples parámetros del proceso de pulverización para el punto central del grosor promedio de la película y la rugosidad de la superficie en la pulverización robótica automatizada. Notablemente, el algoritmo de predicción exhibe un nivel de precisión encomiable en estas predicciones.