摘要：在正交实验的基础上，运用人工神经网络优化超声．电沉积工艺制备N i纳米T I N复合镀层。并利用扫描探针显微镜(S P M)对复合镀层的表面形貌进行观察。结果表明，运用人工神经网络优化的最佳工艺条件为：纳米T i N粒子的浓度7．5 g／L、电流密度5 A／d m、脉冲电流占空比3：2、表面活性剂浓度8 0 m g／L、超声功率2 5 0 W o采用该工艺条件制备的N i纳米T i N复合镀层结构细密，晶粒较小，平均粒径约为8 0 n m，其表面粗糙度R可达到1 4．6 n m。

    关键词：人工神经网络；优化；复合镀层；超声．电沉积

    复合镀层具有硬度高、耐磨性和耐腐蚀性好等优越的性能。近年来，复合镀层己成为国内外研究的热点[i-5]。众所周知，在制备复合镀层时，一般采用正交实验或均匀实验的方法来确定最优工艺参数L 6 j。因此，实验数据多，工作量大。而人工神经网络(A r t i f i c i a lN e u r a l N e t w o r k，A N N)是模拟生物神经网络(B N N)的信息处理过程建立起来的一种信息智能处理系统，具有自组织、自学习、快速处理以及很强的非线性函数逼近能力等特点。它是以实验数据为基础，经过有限次数的迭代计算，获得一个反映实验数据内在规律的数学模型。

    本实验在正交实验的基础上，建立了N i纳米T i N复合镀层中纳米T i N粒子含量预测的人工神经网络模型，并优化超声电沉积制备N i一纳米T i N复合镀层的工艺。利用扫描探针显微镜(S P M)对复合镀层进行观察分析。

1实验

    采用超声一电沉积的方法制备N i一纳米T i N复合镀层。以镍板作阳极，4 5#钢作阴极。镀液组成包括：Ni S O4’6 H2 0 3 0 0 g／L；Ni C1 2’H2 0 4 0 g／L；H3 BO3 3 0 g／L；纳米T i N粒子(平均粒度6 0 r i m)2～1 2 g／L；表面活性剂(C l 9 H 4 2 B r N)5 0-1 5 0 m g／L。工艺条件如表1所示。利用A A一6 8 0 0型原子吸收光度计(A AS)测定复合镀层中纳米T i N粒子含量；利用N a n o S c o p e I I I a型扫描探针显微镜(S P M)观察复合镀层的表面形貌。

2神经网络模型

2．1 B P神经网络结构

误差反向传播B P(B a c k-E r r o r P r o p a g a t i o n)是目前使用最广泛、较为成熟的一种人工神经网络，故本研究采用B P算法。B P网络一般由输入层、输出层和隐层(可以是多层)组成，包括正向传播和反向传播两部分。在正向传播过程中，输入信号从输入层通过激励函数，逐层向隐层、输出层传播。如果得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回。通过修改各层神经元的权值，使得输出的误差最小，从而完成网络的学习过程。B P算法实质上是一种非线性梯度优化方法。

2．2粒子含量预测模型

    影响复合镀层中纳米T i N粒子含量的因素很多，如镀液中纳米T i N粒子的浓度、电流密度、脉冲电流占空比、超声波功率、表面活性剂浓度、作用时间、p H值等。本研究在先前研究[，u】的基础上，确定镀液中纳米T i N粒子的浓度A(g／L)、电流密度B(A／d m)、占空比C、表面活性剂浓度D(m g／L)、超声波功率E(w)5个因素为输入样本，输出样本为T i N粒子含量y(％)，隐层神经元的激活函数取S i g mo i d函数，经尝试9个隐层神经元获得偏差较小。

3结果与讨论

3．1利用正交实验选择最佳工艺条件

    采用l 6(4)正交表进行实验[】。正交实验因素水平选择及实验结果分别如表2和表3所示，表4为实验结果分析表。

    由表4极差R的大小可知，5个因素对镀层粒子含量的影响次序为：纳米T i N粒子的浓度>超声波功率>电流密度>占空比>表面活性剂浓度。因此，由表3和表4得出较好的工艺条件为：1 C。

3．2利用人工神经网络寻求最佳制备工艺条件

利用上述1 6组正交实验数据对B P—A N N模型进行训练。经学习后，对网络预测值与实验值进行比较，并计算相对误差，结果如表5所示

由表5可知，由B P—A N N模型训练的网络预测值与实验值相当吻合，相对误差很小，说明所建模型能很好地描述输入与输出之间的映射关系。

    图2是在电流密度(5 A／d i n)、脉冲电流占空比(3：2)和表面活性剂浓度(8 0 m g／L)不变的条件下，分别改变T i N粒子的浓度和超声功率制得的人工神经网络优化图。由图2可知，人工神经网络优化的最佳工艺条件为：纳米T i N粒子的浓度7．5 g／L、电流密度5 A／d m、脉冲电流占空比3：2、表面活性剂浓度8 0m g／L、超声功率2 5 0 W。在该工艺条件下，T iN粒子的含量预测值为1 2．1 9 2 4％。

3．3最佳工艺条件测试

为了验证得到的工艺条件为最佳工艺条件，进行了3次平行实验，并与B P—A N N预测模型进行比较，结果见表6。由表6可知，预测结果与实验值偏离很小。这说明人工神经网络在处理实验数据方面具有较强的智能识别能力，能较精确地预测复合镀层中纳米T i N粒子的含量，证明了人工神经网络方法的可靠性。

3．4组织形貌分析

用扫描探针显微镜(S P M)对1样品和1 8样品的表面形貌进行观察，如图3所示。扫描面积为3 g m x3 g r n，扫描速率为2 H z。从图3中可以看出，采用最佳工艺制备的镍基纳米T i N复合镀层结构细密，晶粒较小，平均粒径约为8 0nm。而采用一般工艺制备的镀层晶粒粗大，平均粒径约为1 2 0nm

速率为2 H z。从图4中可以看出，采用最佳工艺制各的镍基纳米T i N复合镀层平整度较高，其表面粗糙度R=1 4．6 n m。而采用一般工艺制备的镀层平整度较低，其表面粗糙度R=1 9．2 n m。