镁合金微弧氧化膜厚的神经网络预测模型

论文摘要

镁合金微弧氧化是一个在热化学、等离子体化学和电化学的共同作用下,生成陶瓷层的复杂过程。各参数对镁合金微弧氧化膜层的影响不明确。膜厚作为衡量微弧氧化膜层性能的一个最直观且重要的指标,它直接影响着微弧氧化膜层的硬度、耐磨、耐蚀等方面性能的好坏。而微弧氧化膜层的质量只能通过稳定微弧氧化的各个参数和微弧氧化完成之后的检验来保证,其局限性显而易见。而且由于微弧氧化的复杂性,给各参数对膜层质量影响的研究带来了困难。本文基于人工神经网络理论建立各主要参数对膜厚的映射模型,利用一些容易测得的量(电流、电压、温度等)来映射膜厚的变化,实现对膜厚的动态监测,从而为神经网络理论在微弧氧化膜层质量的实时监控中的应用提供一种途径。论文工作主要包括以下内容:在微弧氧化实验平台基础上,开展微弧氧化实验,通过分析微弧氧化不同阶段的特点、火花放电的规律以及膜层表面形貌和组织结构,结合相关理论提出了微区电弧放电机理和微弧氧化膜层生长机理。为解释微弧氧化各工艺参数对膜厚的影响规律提供了理论上的依据。认为随着电源电压的提高,微弧氧化过程总是呈现明显的3阶段特征:阳极氧化、微弧氧化和大弧放电阶段。阳极氧化生成初始膜层,大弧放电则导致表面烧蚀、表面处理失效。在微弧氧化阶段,随时间延长和电压增加微弧氧化膜层生长分为早、中、后3个时期,可由膜厚或成膜速率界定。早期存在大量的浅层导电通道,故放电弧斑小而多,其成膜速率较低;中期,浅层通道逐渐封闭,放电弧斑逐渐增大且变稀疏,此时成膜速率最高;后期将以深层导电通道放电为主,弧斑更大更少成膜速率也随之降低。并基于电弧物理理论提出的微弧氧化微区电弧放电机理和模型,将一次独立的微区电弧放电划分为4个过程:电解、放电、氧化和冷却。基于提出的微区电弧放电机理和微弧氧化膜层生长机理分析了微弧氧化膜厚的影响因素,主要受到电解液、电源输出特性和处理时间几个方面的影响。在大量微弧氧化实验基础上讨论了各影响因素对膜厚的影响规律,并基于相关性分析结果,确定了神经网络的特征向量。以MATLAB神经网络工具箱为平台,基于BP网络和RBF网络建立了微弧氧化膜厚的映射模型。通过分析每种网络模型的优劣,最终确定了适合微弧氧化膜厚实时监控的网络模型。结果表明利用神经网络的方法来实现对膜厚的动态监测是可行的。

论文目录

• 插图索引
• 插表索引
• 摘要
• Abstract
• 第1章 绪论
• 1.1 镁的耐蚀性问题及防护方法
• 1.1.1 镁合金的耐蚀性问题
• 1.1.2 镁合金的腐蚀防护
• 1.2 微弧氧化表面处理技术
• 1.2.1 微弧氧化简介
• 1.2.2 微弧氧化的工艺特点
• 1.2.3 微弧氧化膜层特点及应用范围
• 1.3 微弧氧化技术的研究现状
• 1.3.1 国外微弧氧化工艺研究现状
• 1.3.2 国内微弧氧化技术研究现状
• 1.4 神经网络概述
• 1.4.1 神经网络的发展
• 1.4.2 MATLAB 神经网络工具箱
• 1.5 选题依据及研究内容
• 第2章 微弧氧化实验平台及实验方法
• 2.1 微弧氧化实验平台
• 2.1.1 实验平台构成
• 2.1.2 四种不同的电源输出方式
• 2.2 实验材料及方法
• 2.2.1 实验材料及试样制备方法
• 2.2.2 主要分析及检测方法
• 第3章 微弧氧化膜层生长机理
• 3.1 微弧氧化膜层生长机理
• 3.1.1 微弧氧化过程的三个阶段
• 3.1.2 膜层生长过程
• 3.1.3 不同生长时期膜层的表面形貌
• 3.2 微区电弧放电机理和模型
• 3.2.1 微区电弧放电的必要条件
• 3.2.2 微区电弧放电的4 个过程
• 3.2.3 微区电弧引起的热循环
• 3.3 本章小结
• 第4章 微弧氧化膜厚的影响因素
• 4.1 电解液对膜厚的影响
• 4.1.1 电解液配方的影响
• 4.1.2 电解液浓度的影响
• 4.1.3 电解液温度的影响
• 4.2 电源输出特性对膜厚的影响
• 4.2.1 电压、电流与膜层生长的关系
• 4.2.2 脉冲频率与占空比对膜厚的影响
• 4.2.3 脉冲波形对膜厚的影响
• 4.3 处理时间与膜厚的关系
• 4.4 其它因素的影响
• 4.5 本章小结
• 第5章 神经网络建模
• 5.1 神经网络简介
• 5.1.1 神经网络的基本特点
• 5.1.2 神经网络的基本功能
• 5.2 神经网络信息处理机制
• 5.2.1 神经元模型
• 5.2.2 神经网络模型
• 5.2.3 神经网络学习
• 5.3 多层感知器神经网络
• 5.4 基于BP 网络的膜厚映射模型的构造
• 5.4.1 网络信息容量与训练样本数
• 5.4.2 训练样本集的构造
• 5.4.3 网络的结构设计
• 5.4.4 网络训练与测试
• 5.5 BP 算法存在的问题分析
• 5.5.1 学习过程收敛速度慢的原因
• 5.5.2 易陷于局部极小
• 5.6 基于改进的BP 算法的膜厚预测模型
• 5.6.1 贝叶斯正则化算法
• 5.6.2 自适应学习速率及附加动量项学习算法
• 5.7 基于径向基网络的膜厚映射模型的构造
• 5.7.1 RBF 网络的结构
• 5.7.2 基于RBF 网络的膜厚预测
• 5.8 RBF 网络与BP 网络的比较
• 5.9 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢