摘 　 要: 　 为提高煤矿巷道锚杆的耐磨性能, 延长其使用寿命, 利用脉冲电沉积法, 在 Q ２ ３ ５ 锚杆表面沉积获得 N i Ｇ T i N 涂层.采用扫描电镜( S EM ) 和磨损实验机等研究 N i Ｇ T i N 涂层的组织结构和耐磨性能, 并利用B P 神经网络模型对 N i Ｇ T i N 涂层的耐磨性能进行预测研究.结果表明, 该 B P 神经网络模型结构为 ３×８×１ , 其实验值与预测值的拟合相似度 R ＝０． ９ ９ ９ ４ , 最大相对误差为 １．５ ６％ , 最小相对误差为 ０． ８ ３％ . S EM 分析表明, 当采用电流密度 ４．５A / d m２ 、 脉冲占空比 ３ ０％及 T i N 粒子悬浮量 ６g / L 时, N i Ｇ T i N 涂层的磨损量较小.

关键词: 　 锚杆;B P 模型; N i Ｇ T i N 涂层; 预测

１　 引 　 言

在煤矿开采过程中, 锚杆是一种用于支护煤矿巷道岩体的杆体.在采煤作业过程中, 锚杆经常与锚头、连接套及螺母发生摩擦, 使锚杆发生不同程度的磨损.脉冲电沉积技术因其具有应用广泛、 设备简单、 操作方便、 生产成本低等特点在机械、 化工、 军事等领域有着极其广泛应用 [１ Ｇ ３ ] .利用脉冲电沉积技术, 将T i N 陶瓷粒子嵌入金属镍涂层中, 可制得高硬度、 优异耐磨性能和耐腐蚀性能的 N i Ｇ T i N 涂层.在脉冲电沉积 N i ＧT i N 涂层过程中, 影响涂层综合性能的因素主要有脉冲电流密度、 占空比、 镀液温度、 T i N 粒子浓度以及p H值等.通常情况下, 一般选用正交实验方法优化工作参数组合, 该方法存在实验点代表性差、 误差大、 优化稳定性差、 数据处理繁琐等缺点. B P 神经网络模型是一种按计算误差逆传播的多层前馈网络模型, 可对离散性实验数据进行高效、 准确的运算和预测 [４ Ｇ ６ ] .鉴于此, 为提高煤矿巷道锚杆的耐磨性能, 本文利用脉冲电沉积法, 在 Q ２ ３ ５ 锚杆表面沉积获得 N i Ｇ T i N 涂层.采用扫描电镜(S EM ) 及磨损实验机等仪器研究 N i Ｇ T iN涂层组织结构和耐磨性能, 并利用 B P 神经网络模型对 N i Ｇ T i N 涂层的耐磨性能进行研究, 为 N i Ｇ T i N 涂层在煤炭开采中的应用提供一定技术参考.

２　 实 　 验

采用尺寸 Ø ３ ０mm×１ ０mm 的 Q ２ ３ ５ 锚杆作为实验基材, 纯镍板( 纯度大于 ９ ９．９％ ) 作为实验阳极, 阴阳极的表面积比为 １∶２ , 其间距为 ８c m .将适量的 T i N粒子( 平均粒径 ５ ０n m ) 用浓盐酸浸泡 ２h , 经清洗和烘干处理后加入瓦特型镀镍液中.制备 N i Ｇ T i N 涂层的镀液配方和工艺见表 １ .表 １　N i Ｇ T i N 涂层的镀液组成及工艺T a b l e１C h e m i c a l c o m p o s i t i o na n dp l a t i n gc o n d i t i o n sf o rp r e p a r i n gN i Ｇ T i Nc o a t i n g sC h e m i c a l s C o n t e n t P l a t i n gc o n d i t i o n s P a r a m e t e r sN i S O ４ ３ ０ ０g / L D e n s i t yo fp u l s e c u r r e n t ２ ~ ５A / d m２N i C l ２ ４ ５g / LO n Ｇ d u t yr a t i oo fp u l s ec u r r e n t１ ０％~８ ０％H ３ B O ３ ２ ８g / L T e m p e r a t u r e ３ ０℃O c t y l p h e n o l ２m g / Lp H４． ５C e t r i m o n i u mb r o m i d e０． ５m g / LT i Np a r t i c l e s４~１ ０g / L　　 利用 MR Ｇ H ５ A 型磨损实验机对 N i Ｇ T i N 涂层进行摩 擦 磨 损 测 试,测 试 条 件:摩 擦 副 G C r １ ５ 钢 环( HR C ６ ５ ) , 转 速 ２ ０ ０r / m i n , 加 载 载 荷 ５ N ,时 间６ ０m i n ; 用 B S ２ １ ０ S 型电子分析天平测试涂层的磨损量; 用 J S M Ｇ ６ ４ ６ ０ L V 型扫描电镜( S EM ) 观察涂层磨损后的表面形貌.本文选用脉冲电流密度(I ) 、 脉冲占空比( R ) 和T i N 粒子悬浮量( C ) 作为 B P 神经网络模型的输入层,N i Ｇ T i N 涂层的耐磨量( M ) 为 B P 模型的输出层, 该 B P神经网络模型的结构示意图如图 １ 所示.

３　 结果与讨论

３． １　B P 神经网络模型训练

采用 t r a i n g d x 作为训练函数, 双曲正切函数 t a n Ｇs i g为隐含层函数, 最大训练次数 ３０ ０ ０ , 学习率 ０．０ １ .在此条件下, 该 B P 神经网络模型训练误差与隐含层和神经元数的关系如图 ２ 所示.由图 ２ 可见, 当 B P 模型的神经元数为 １ ４ 个、 隐含层数为 ８ 个时, B P 神经网络模型的平均预测误差为 １．３ ７％ .因此, 本 B P 神经网络模型的结构为 ３×８×１ , 其拟合效果如图 ３所示,实验值与预测值的拟合相似度 R ＝０．９ ９ ９ ４

３． ２　B P 神经网络模型预测

图 ４ 所示为利用 B P 神经网络模型对 N i Ｇ T i N 涂层的磨损量进行预测的仿真曲线, 在 B P 模型对 N i ＧT i N 涂层 １~２ ０＃ 实验样本数据进行测试时, 涂层磨损量的预测值与实测值变化趋势基本一致, 这说明该 B P模型能较好地模拟 N i Ｇ T i N 涂层磨损量的变化规律.为此, 本文对 １ ０ 个测试样本( ２ １~３ ０＃ ) 进行预测, 以便检验 B P 模型的适用性, 预测结果及相对误差见表２ .图 ４　B P由表 ２ 可知, B P 模型的预测值跟测量值偏离不多, 其 最 大 相 对 误 差 为 １． ５ ６％ , 最 小 相 对 误 差 为０． ８ ３％ .由此可见, B P 神经网络模型在预测 N i Ｇ T i N涂层磨损量方面具有良好的智能识别能力, 能较好地预测 N i Ｇ T i N 涂层的磨损量, 证明了 B P 神经网络模型的可靠性, 为金属基复合涂层的性能预测提供一种新方法.

３． ３　 涂层磨损表面 S EM 分析

图 ５ 所示为 N i Ｇ T i N 涂层磨损后的表面形貌照片.由图 ５ 可见, 经摩擦磨损实验后, 涂层表面存在显著的犁沟现象, 说明涂层表面的磨损类型属于磨粒磨损.黑色孔洞为 T i N 粒子附近的镍晶粒磨损后, T i N 粒子自然脱落的结果.此外, 当采用电流密度 ４．５A / d m２ 、脉冲占空比 ３ ０％ 及 T i N 粒子悬浮量 ６g / L 时, 涂层的磨损量较小; 而采用电流密度 ５A / d m２ 、 脉冲占空比８ ０％ 及 T i N 粒子悬浮量 １ ０g / L 时, 涂层的磨损量较大.４ ３ １ ４ ０ ２ ０ １ ５ 年第 ４ 期( ４ ６ ) 卷图 ５　N i Ｇ T i N 涂层磨损后的表面 S EM 照片F i g５S EMi m a g e so fN i Ｇ T i Nc o a t i n ga f t e ra b r a s i o n

４　 结 　 论

(１ ) 　 选用脉冲电流密度、 脉冲占空比和 T i N 粒子悬浮量作为输入层, N i Ｇ T i N 涂层的耐磨量为输出层, 建立了 ３×８×１ 的 B P 神经网络模型, 其实验值与预测值的拟合相似度 R ＝０．９ ９ ９ ４ .(２ ) 　 该 B P 模型的最大相对误差为 １． ５ ６％ , 最小相对误差为 ０．８ ３％ , 为金属基复合涂层的性能预测提供一种新方法.(３ ) 　S E M 分析表明, 当采用电流密度 ４ ． ５A / d m２ 、脉冲占空比 ３ ０％ 及 T i N 粒子悬浮量 ６g / L 时, N i Ｇ T i N涂层的磨损量较小.

参考文献:[１ ] 　Z a r e b i d a k iA , A l l a h k a r a mSR． E f f e c t o f s u r f a c t a n t o n t h ef a b r i c a t i o na n dc h a r a c t e r i z a t i o no fN i Ｇ P Ｇ C N T c o m p o s i t ec o a t i n g s [ J ] ． J o u r n a lo fA l l o y sa n dC o m p o u n d s , ２ ０ １ ０ ,５ ０ ９ ( ５ ) : １ ８ ３ ６ Ｇ １ ８ ４ ０．[２ ] 　C h e nW X , T uJP , X uZD , e t a l ． T r i b o l o g i c a l p r o p e r t i e so fN i Ｇ P Ｇ m u l t i Ｇ w a l l e dc a r b o nn a n o t u b e se l e c t r o l e sc o m p o s Ｇi t ec o a t i n g [ J ] ． M a t e r i a l sL e t t e r s , ２ ０ ０ ３ ,５ ７ : １ ２ ５ ６ Ｇ １ ２ ６ ０．[３ ] 　R a h m a tM A , O s k o u e iR H , I b r a h i m R N , e ta l ． T h ee f f e c to f e l e c t r o l e s sN i Ｇ Pc o a t i n g so nt h e f a t i g u e l i f eo fA l７ ０ ７ ５ Ｇ T ６f a s t e n e rh o l e sw i t hs y mm e t r i c a l s l i t s [ J ] ． I n t e r Ｇn a t i o n a l J o u r n a l o fF a t i g u e , ２ ０ １ ３ , ５ ２ : ３ ０ Ｇ ３ ８．[４ ] 　X uY o u j u n , Z h uY o n g y o n g , X i a oG u o r o n g , e ta l ． A p p l i Ｇc a t i o no f a r t i f i c i a l n e u r a l n e t w o r k s t op r e d i c t c o r r o s i o nb e Ｇh a v i o ro fN i Ｇ S i Cc o m p o s i t ec o a t i n g sd e p o s i t e db yu l t r a Ｇs o n i ce l e c t r o d e p o s i t i o n [ J ] ． C e r a m i c s I n t e r n a t i o n a l , ２ ０ １ ４ ,４ ０ ( ４ ) : ５ ４ ２ ５ Ｇ ５ ４ ３ ０．[５ ] 　X i aF a f e n g , L i uC h a o , M aC h u n h u a , e ta l ． P r e p a r a t i o na n dc o r r o s i o nb e h a v i o ro fe l e c t r o d e p o s i t e d N i Ｇ T i Nc o m Ｇp o s i t ec o a t i n g s [ J ] ． I n t ． J o u r n a l o fR e f r a c t o r yM e t a l sa n dH a r dM a t e r i a l s , ２ ０ １ ２ , ３ ５ : ２ ９ ５ Ｇ ２ ９ ９．[６ ] 　X i aF a f e n g , J i a oJ i n l o n g , M aC h u n y a n g , e ta l ． F o r e c a s tt h em i c r o h a r d n e s s e so ft h eN i Ｇ T i N n a n o c o a t i n g sb y A Rm o d e l [ J ] ． J o u r n a l o fF u n c t i o n a lM a t e r i a l s , ２ ０ １ ２ , ４ ３ ( ２ ) :１ ４ ０ Ｇ １ ４ ３．