基于遗传算法的涂层转接工艺优化

为了优化涂层转接工艺与配方,提升转接涂层综合性能,在经验证的BP神经网络模型基础上进行优化设计,利用遗传算法以涂层的硬度、磨损量及剪切强度加权和最小为评价指标,以涂层的配方、真空熔结温度、保温时间为优化对象进行迭代优化。当硬度、磨损量及剪切强度的权重分别为-0. 3,0. 4,-0. 3,遗传算法最大迭代次数为100,种群规模为60,交叉与变异概率分别为0. 40和0. 01时,优化组合为:碳化钨(WC)添加量(质量分数) 26. 8%、真空熔结温度1 071℃、保温时间59. 7 min。采用优化配方、涂层转接工艺后制备的复合涂层硬度高达63. 6 HRC、磨损量仅为101 mg,剪切强度为157. 2 MPa。表明遗传算法对涂层配方、转接工艺进行优化的方式科学、有效,优化后的复合涂层综合性能得到较大的提升。

基于神经网络的镍基涂层转接工艺分析与模拟

为了探究涂层转接工艺及配方对转接涂层性能的影响,利用神经网络模拟涂层配方、涂层转接工艺与复合涂层性能的关系模型的有效性,并用测试数据验证模型。结果表明,转接涂层硬度、磨损量、剪切强度的模拟值与试验值的相对误差最大值分别为6.19%、9.52%和6.45%。采用BP神经网络模型能够很好地模拟涂层转接工艺、配方与转接涂层硬度、耐磨性及剪切强度间的内在联系,验证了模拟结果的准确性。