BP神经网络算法及Ni-TiC复合镀层工艺-性能模型预测

摘要

传统的材料加工过程受制于很多不确定工艺因素，而采用计算机辅助设计可以有效的减少很多误差。复合镀层制备过程是一个高度非线性的过程，在制备过程中许多因素直接影响着镀层的性能，也不能明确给出某种参数对性能的影响程度。同时关于沉积过程中所涉及到能否用确定数学模型来具体表征的问题，目前也没有一个明确定论。
　　BP神经网络算法在许多不能明确数学模型问题上可以很好的发挥作用。首先，BP神经网络利用自学习功能对试验样本集进行训练调整，其次通过对样本的学习，运用自组织性能统计其内在规律，最后运用自身强大的映射能力把学习后的信息储存在权值中。当再次输入训练样本时，已训练的BP神经网络便表现出很强的、非线性的映射能力，同时在对训练样本集和期望输出样本集的数目不受制约。因此，通过自由修改相应程序以达到满足具体的实际研究应用。BP神经网络的思想已经拓展、革新且完美的应用到现实生活中解决问题，其带来的利益也得到了人们的广泛接受。
　　本文通过分析制备复合镀层过程中的因素权重对镀层性能的影响为实际出发点，利用BP神经网络尝试解决复合镀层制备过程中工艺参数的自动选择问题。即在正交试验的基础上，运用BP神经网络优化脉冲电沉积工艺制备高颗粒含量的Ni-TiC复合镀层。
　　首先采用正交试验法初选出影响Ni-TiC复合镀层耐磨耐蚀性能的工艺参数，如TiC微粒含量、电流密度、占空比、频率以及搅拌速率等，然后利用Matlab神经网络工具箱建立BP神经网络模型，对正交实验的施镀配方及工艺参数组合进行训练、预测及验证，优选出最佳参数组合。最后，对Ni-TiC复合镀层的微观组织以及耐磨耐蚀性能进行了表征分析。研究结果表明：运用BP神经网络优化的最佳工艺条件为TiC微粒含量32g/L，电流密度1A/dm2，占空比50％，频率700Hz，搅拌速度250r/min；该模型所得预测值与试验值曲线吻合较好，其相对误差较小，最大误差不超过3%，相关系数为0.99908。采用该优化工艺制备的Ni-TiC复合镀层结构致密，平整均匀，TiC微粒弥散分布于Ni基质层内部，复合镀层与基体之间结合良好，具有优异的耐磨耐蚀性能。

目录

中文摘要

英文摘要

目录

1绪论

1.1课题研究的背景及意义

1.2脉冲复合电沉积技术

1.3复合镀层的研究

1.4人工神经网络在国内外的研究和发展

1.5 BP神经网络在材料科学中的发展与应用

1.6本文的主要研究内容与创新之处

2 BP神经网络的基本理论与程序设计

2.1 BP神经网络的概述

2.2 BP算法的缺点

2.3 BP算法的改进方法

2.4网络的设计

2.5 BP神经网络工具箱函数

2.6 BP基本程序

2.7 本章小结

3 LM-BP神经网络模型的建立

3.1 LM算法工作原理

3.2 LM-BP网络拓扑结构

3.3 神经网络工具箱的使用

3.4本章小结

4 Ni-TiC复合镀层的工艺研究

4.1正交试验方法

4.2正交试验原理

4.3试验材料及试验方法

4.4 Ni-TiC复合镀层制备正交试验设计法

4.5 本章小结

5 Ni-TiC复合镀层制备工艺建模

5.1 数据处理

5.2 Ni-TiC镀层BP模型训练结果

5.3 Ni-TiC镀层BP模型的仿真

5.4 BP网络的预测

5.5最佳工艺条件测试

5.6 本章小结

6 Ni-TiC复合镀层试验验证分析

6.1 Ni-TiC复合镀层微观组织形貌分析

6.2 Ni-TiC复合镀层的X射线衍射图谱分析

6.3 Ni-TiC复合镀层耐磨性能分析

6.4 Ni-TiC复合镀层耐蚀性能分析

6.5本章小结

结论

致谢

参考文献

攻读硕士学位期间的研究成果