人工神經網絡－遺傳算法優化化學鍍四元合金工藝

王幸運，賈 瑛，許國根，馮 程

（第二炮兵工程大學503室， 陜西 西安 7100251）

化學鍍涉及的影響因素很多，改變一個很小的工藝參數就會對整個實驗結果造成重大影響。為了得到最佳的工藝條件，如果把所有的工藝條件都考慮進去，那么就要做大量的實驗，這樣會嚴重浪費時間和精力。因此非常有必要探尋一種科學有效地工藝尋優方法以提高化學鍍的實驗效率，節省大量的人力和物力。

隨著現代高新技術蓬勃發展，尤其是計算機技術的飛躍式發展，開始出現大量的計算機尋優技術，人工神經網絡(ArtificialNeural Network，ANN)就是其中的佼佼者。ANN是一種能夠模擬人腦生物過程的人工智能系統，它不需要輸入和輸出之間有很高的關聯度，而是依靠自身廣泛互聯的神經元，不斷逼近輸入和輸出之間的映射關系，從整體上反映出其發展趨勢。因此，ANN非常適合研究非線性系統，故而在性能預測和工藝參數優化等方面都有著廣泛的應用[1－3]。

BP神經網絡是ANN模型中使用程度最高的，它能夠將ANN的精華完美體現出來［4－7］。本文將利用 BP神經網絡，并結合遺傳算法對化學鍍工藝進行預測及優化，最后通過對該方法與實驗結果的對比以驗證方法的有效性。

1 理論部分

人工神經網絡和遺傳算法的原理在文獻中有諸多的論述。在這里主要簡單說明人工神經網絡－遺傳算法尋優過程，其中考慮因素為反應溫度T，主鹽濃度比，還原劑含量，溶液pH值，還原劑濃度等。

（1）首先選用L16(45)正交表安排試驗，以反應溫度 T，主鹽濃度比，還原劑含量，溶液 pH值，還原劑濃度等因素的各水平數作為神經網絡訓練樣本的輸入，以鍍覆時間為網絡的期望輸出，建立BP神經網絡模型。

（2）在用神經網絡獲得工藝過程的模型后，用遺傳算法進行尋優，以確定最佳的工藝條件。其中適應度函數計算過程中的尋優參數值（即工藝參數值）通過神經網絡模型預測而得，約束條件根據各因素各水平值及實踐經驗確定。

（3）根據確定的最佳工藝條件，分析、預報各因素對沉積速率的影響規律。即分別固定反應溫度T，主鹽濃度比，還原劑含量，溶液 pH值，還原劑濃度等5個因素，考慮每一因素對鍍速的影響，并與人工神經網絡的預報值分析比較。

2 實驗部分

2.1 實驗裝置及用品

采用如圖1所示的實驗裝置，進行碳纖維化學鍍。本實驗采用的基材是每根7 μm碳纖維集成的纖維束，每束3 000根。雖然碳纖維體積很小，但其表面積卻很大。以10 cm為例，其表面積可達到66 cm2，若將碳纖維表面粗糙程度計算在內，其真實表面積可達到75.9 cm2。

圖1 碳纖維化學鍍裝置圖Fig.1 The device figure of carbon fiber chemical plating

2.2 實驗過程

為了得到較好的處理效果，需要對碳纖維進行預處理，其工藝流程如下：

碳纖維→去膠→除油→粗化→中和→敏化→活化→還原→化學鍍鐵鈷鎳。

采用試樣增重法測定鍍層沉積速率，計算公式如下：

式中: v—鍍速,mg?(cm2?h)-1；

ΔW—試樣增重,mg；

S—試樣面積,cm2；

t—施鍍時間,h。

化學鍍鍍液為相應的待鍍金屬主鹽溶液、檸檬酸鈉溶液和次亞磷酸鈉溶液組成的混合物。用天平分別稱取相應質量的硫酸鎳、氯化鈷、硫酸亞鐵、檸檬酸鈉、次亞磷酸鈉、硫酸銨，分別用蒸餾水溶解，得到澄清溶液。

3 數值優化過程

3.1 人工神經網絡訓練樣本的選取

樣本數據見表1。在構建一個完整的BP神經網絡，首先要確定輸入和輸出參數。參數數目選擇要適當，首先要選擇那些對輸出參數有較大的影響的、并且能夠較易被準確測量的參數；如果參數太多，則需要利用粗糙集理論等方法對變量數目進行選擇，在保證準確性的前提下盡量減少輸入參數的數目，以提高模型的實用性及減少計算量。

根據實踐經驗，最后確定反應溫度T，主鹽濃度比，還原劑含量，溶液 pH值，還原劑濃度等 5個指標作為神經網絡模型的輸入，沉積速率（即鍍速）作為模型的輸出。

3.2 優化過程

（1）利用matlab編程，創建16個數據樣本，隨機抽取其中14個數據作為訓練集，確定人工神經網絡模型，剩余的2個樣本作為檢驗集，檢驗模型的準確性。計算時首先利用下式對數據進行規范化處理：

（2）編寫遺傳算法的適應度函數，以求得最佳的工藝參數。

（3）根據求得的最佳工藝條件，利用人工神經網絡方法預報在最佳條件下單因素對鍍速的影響。

4 結果與討論

4.1 最佳工藝條件

根據計算結果可以得到最佳工藝條件為：溫度88°C，主鹽濃度比0.30，檸檬酸鈉濃度36 g/L，pH值9.23，次亞磷酸鈉濃度為32 g/L，在此條件下所得到的鍍速為31.324 5 mg?(cm2?h)-1。通過實驗可以驗證，此結果要比用正交設計所得的更為精確。通過正交試驗得出的較優水平的最佳工藝條件為：溫度80°C， 主鹽濃度比0.20，pH=9.5，次亞磷酸鈉35 g/L，檸檬酸鈉30 g/L，此條件下的鍍速為25.478 8 mg?(cm2?h)-1。

為了證明該方法的有效性，對求得的最佳工藝進行了驗證。根據最佳條件所測得的實際鍍速為30.857 9 mg?(cm2?h)-1，誤差為 1.45%。這說明了我們所構建的神經網絡所反映的化學鍍工藝參數和沉積速度的映射關系基本準確，同時也說明該神經網絡在工藝優化方面是可行的。

4.2 溫度的影響

通過實驗（圖1）及利用人工神經網絡方法可以發現：當溫度低于60 °C時，鍍速較低，幾乎難以形成鍍層；隨著溫度逐漸升高，鍍速顯著增大，在70 °C到90 °C之間幾乎成線性增長。當溫度超過90 °C時，由于鍍速過快，鍍層結合不夠牢固，易脫落，造成鍍液渾濁。所以溫度控制在75～90 °C的范圍內較為合適。實驗結果見圖2。

圖2 溫度對鍍速的影響Fig.2 The influence of temperature on the deposition rate

4.3 主鹽濃度比的影響

用同樣的方法，利用實驗結果（圖3）和人工神經網絡方法可以發現，當 Fe2+/Co2++Ni2+濃度比小于0.2時，鍍層沉積速率緩慢增加，隨著此值的不斷增大，鍍層沉積速率顯著減小。這是因為鐵的氧化還原電位低于鈷、鎳，因此難被還原出來。但當溶液中的鐵離子濃度不斷增大后，使得鐵離子的還原成為化學鍍沉積的主要控制因素，鍍層沉積速率逐漸降低。同時實驗中發現，隨著 Fe2+/Co2++Ni2+濃度比的不斷增大，鍍層表面越發粗糙暗淡，失去原有金屬光澤。當大于0.6時，鍍液穩定性變差，開始出現渾濁現象，這可能是因為過量的 Fe2+在堿性溶液中生成 Fe(OH)2顆粒沉淀。因此，為了盡可能提高鍍層沉積速率同時又降低對鍍層質量的影響，所以選擇主鹽濃度比0.3左右較好。

4.4 溶液pH值的影響

從實驗結果（圖4）及人工神經網絡的預測可以看到，當pH<7.5時，合金沉積速率很低，鍍覆半個小時后，依然沒有形成鍍層。但隨著pH的增大，鍍層沉積速率逐漸提高，當pH達到9.5時沉積速率達到最大；當pH值大于9.5時，鍍速又開始明顯下降；當鍍液pH值大于10后，得到的鍍層表面金屬光澤暗淡。這是因為 pH值過高影響了鍍液的穩定性。值得注意的是，還原劑H2PO-2對金屬離子Me1n+有如下還原反應：

圖3 主鹽濃度比值對鍍速的影響Fig.3 The influence of main salt concentration ratio on the deposition rate

從上式可以看出，OH-直接參與了金屬的沉積反應，其濃度的大小影響反應的速度，為了提高沉積速率，在鍍液中應添加緩沖劑(氯化銨溶液)的同時，還應在鍍覆過程中每隔一段時間補充適量氨水，使鍍液pH值穩定在適宜的范圍內，即pH值為9.0±0.5。

圖4 pH值對鍍速的影響Fig.4 The influence of pH on the deposition rate

5 結 論

（1）利用人工神經網絡－遺傳算法得到了碳纖維化學鍍 Ni-Fe-Co-P的最佳工藝條件，與實際結果相比，預測誤差可以滿足要求；與正交設計得到的最佳條件相比，參數值要更為精確。

（2）該方法具有普適性，可以用于其他工藝的尋優過程而避免“炒菜”式研制過程的盲目性，減少實驗工作量，并為放大實驗和工業化工藝參數提供依據。

［1］ 侯哲哲,武建軍.人工神經網絡在材料設計中的應用[J].河北工業大學學報, 2003,32(3):94-97.

［2］ 雷正偉,徐章遂,米東,等.神經網絡的預測性能的優化分析[J].計算機測量與控制,2004,12(1):15-17.

［3］ 徐建林,王智平.材料設計中的 BP神經網絡技術[J].宇航材料工藝,2003, (2):22-25．

［4］ 飛思科技產品研發中心．神經網絡理論與MATLAB 7實現[M]．北京:電子工業出版社，2005:100.

［5］ Simon Haykill.神經網絡原理[M].北京:機械工業出版社，2004.

［6］ Churing Y. Baekprogation, Theory, Architecture and Application[M].New York: Lawrence Erbaum Publisher, 1995.

［7］ 劉文文.馬龍地區馬鈴薯晚疫病預警系統的研制[D].昆明:昆明理工大學信息工程與自動化學院，2005.