舰船科学技术杂志已发表格式范文参考
1.无人机镁合金外壳表面电镀工艺的研 究
作者：姜波;范科技;王丽
作者单位：空军航空大学;东北师范大学
关键词：
0 前言
镁在地壳中的含量非常丰富,仅次于铝和铁,约占地球壳体质量的2.35。与地壳中的其他金属元素相比,镁具有更高的比强度和比刚度。尽管镁的密度只有铝合金的2/3,但它的强度是铝的2~3倍。同时,镁合金还具有较高的减震性能和抛光性能,被广泛应用于重要的工业零部件中。随着金属冶炼技术和合金生产技术的不断进步,近年来镁合金的生产成本逐渐降低。针对镁合金材料的结构件成型技术、镁合金材料的工艺改进技术不断获得新的突破。由于镁合金的强度大、延展性好,所以镁合金被大量应用于汽车及飞机零部件的生产中。
在国内,最早应用镁合金材料的是汽车领域。上海汽车公司率先采用镁合金作为变速箱外壳的材料,取代了铝合金变速箱外壳,每台变速箱减重约1.5kg,年产量可达70 000 件。随着镁合金材料加工工艺的进步,汽车公司在离合器外壳、变速箱外壳.车身外壳等附件上广泛使用了镁合金,不仅提升了汽车零部件的强度,还降低了零部件自身的质量，实现了车身减重的设计效果。
无人机是一种新型的高精尖航空设备,利用无线电遥控设备及无人机自身的程序控制装置,实现不载人自主操作。无人机无论是在军用领域还是民用领域,都发挥着非常重要的作用。在军事领域,无人机可以进行敌方领土的侦查,并将人员伤亡降到最低。在民用领域,无人机可以进行航拍、快递运输、测绘、影视拍摄等。无人机的续航能力非常关键,而无人机的质量直接决定了无人机的续航水平。因此,实现无人机的轻量化设计是无人机领域的研究热点。镁合金因其优越的强度和低密度特性,成为了无人机外壳制造的首选材料。
图1为镁合金材料生产的零部件。
无人机镁合金外壳的表面质量与无人机自身的性能密切相关。工业领域往往采用电镀的方法进行无人机镁合金外壳的表面改性。
1无人机镁合金外壳表面镀镍工艺的研究
整个工艺流程分为打磨与除油、酸洗、浸锌、电镀镍等步骤。
(1)打磨与除油
无人机镁合金外壳的初步加工往往采用切削和铸造的方法。经过几次初加工后,镁合金外壳会存在一些明显的缺陷,如气孔、裂缝、锐边等。这些缺陷会导致电镀过程中的异常放电现象,造成镀层不均匀,影响电镀质量。采用打磨的方法,可以去除镁合金外壳的气孔、裂缝等缺陷。由于镁合金外壳在使用模具铸造时,需要同时使用脱模剂、油脂等工业添加剂。这些添加剂会在镁合金外壳表面形成污垢。如果不将这些污垢去除,会使电镀过程中阳极金属的附着力下降,造成镀层的结合力差。一旦镁合金外壳受到外界碰撞或其他形式的作用力后,外壳表面的镀层很容易脱落。因此,无人机镁合金外壳表面电镀过程中,必须要对工件进行除油。最常用的方法是利用碱性溶液除油。
(2)酸洗
当无人机镁合金外壳在外界暴露的时间较长时,表面活性较高的金属会与空气中的氧气发生氧化反应,形成一层颜色较暗的金属氧化层。此外,由于工件加工过程的质量问题和存放问题,工件表面可能会嵌人一些较顽固的氧化物、冷加工金属杂质等。酸洗的主要目的是利用酸性溶液将这些难以去除的杂质及表面的氧化物溶解,露出镁合金基体材料,以便于电镀工艺的进一步实施。目前,应用较广泛的酸洗溶液以磷酸和硝酸的混合溶液为主。这也是无人机镁合金外壳表面酸洗的常用溶液。
(3)浸锌
在无人机镁合金外壳表面电镀工艺中,浸锌的目的是在镁合金外壳的基体材料上生成一层活性较高的表面金属层。而活性较高的表面金属层与镍离子的结合率更高,镀镍效果更好。镁合金外壳的浸锌过程是将工件浸人含有锌离子的溶液中,化学反应是金属离子的置换反应。通过浸锌工艺,可以在无人机镁合金外壳表面生成一层均匀的镀膜,不仅能够防止镁合金外壳在空气中的二次氧化,同时还能提高镁合金外壳的导电性能,有利于镁合金外壳的表面镀镍工序。
本文采用的表面浸锌溶液为ZnSO↵7H2O，溶液的质量浓度为50g/L;添加剂材料为K.SO↵.3H2O,溶液的质量浓度为170g/L。整个过程控制pH值在10.2~10.5之间,温度控制在60C。浸锌是无人机镁合金外壳表面镀镍的关键环节,能够有效提高表面镀镍的结合力。
(4)电镀镍
电镀镍是无人机镁合金外壳电镀工艺的最后环节。经过表面镀镍后的无人机外壳,具有更好的防腐性能和装饰效果。本文采用的表面镀镍溶液为NiSO↵.6H2O,溶液的质量浓度控制在65~135g/L,采用的电流密度为5~10 A/dm2,温度控制在50左右。大量的实践证明,当溶液中硫酸镍的质量浓度低于65g/L时,镁合金外壳表面的镀层出现结晶现象,镀层不均匀。当硫酸镍的质量浓度高于135g/L时,镁合金基体与溶液中的镍离子发生剧烈的反应,出现过度沉积现象,外壳表面质量差。
2无人机镁合金外壳表面镀镍性能分析
为了对无人机镁合金外壳表面镀镍的性能进行定量分析,本文分别从无人机外壳表面镀镍层的结合力和孔隙率等方面分析了镁合金外壳的表面镀镍质量.
2无人机镁合金外壳表面镀镍性能分析
为了对无人机镁合金外壳表面镀镍的性能进行定量分析,本文分别从无人机外壳表面镀镍层的结合力和孔隙率等方面分析了镁合金外壳的表面镀镍质量。
(1)结合力
结合力是指无人机镁合金外壳的镀镍层与基体材料之间的相互作用力。本文采用热震试验法进行结合力的检测。先将镀镍后的无人机镁合金外壳试样在50℃下恒温放置1h,然后迅速将镁合金外壳放置在0℃的低温环境中,观察镁合金外壳表面镀镍层是否出现起泡、脱落等现象。如果镁合金外壳表面的镀镍层出现气泡或脱落,则证明镀镍层与基体材料之间的结合力较差。如果镁合金外壳在骤冷或骤热的工况下,表面镀镍层保持良好的状态,则证明表面镀镍层与镁合金基体材料具有较好的结合力。
(2)孔隙率
孔隙率是指工件镀镍后的表面孔隙个数占整个工件表面积的比值。孔隙率的测量方法是将无人机镁合金外壳浸泡在10%的氯化钠溶液中,浸泡时间为2h。通过观察镁合金外壳表面的镀层腐蚀点数,确定镁合金外壳镀镍的孔隙率。
3结论
无人机镁合金外壳的表面镀镍能够显著改善无人机外壳的美观性、强度和抗腐蚀性。本文重点介绍了无人机表面镀镍工艺,以及镀镍层的性能测试方法.
2.基于机器学习的船舶轴系安装校调方法研究
作者：郑瑞栋;朱汉华;赵修叁;刘恒;尹志生
作者单位：武汉理工大学
关键词：船舶长轴系;轴系校调;GA-BP 神经网络算法;轴系变位值计算
摘 要: 针对大型船舶长轴系装调效率较低，并且校中工作复杂的问题，开展基于机器学习的中间轴承校调 方法研究。选取 GA-BP 神经网络算法作为机器学习模型，对船舶在设计、装调等过程中可能遇到的问题进行分析， 并获得相关有效数据，用以训练船舶轴系校调机器学习模型。本文以某型船舶轴系校调为模型进行选取验证，结果 表明，机器学习模型能够通过已有数据较为精确的识别轴系目前校中状态及安装高度，从而能够对船舶校调工作减 少误差，有助于提升船舶长轴系安装质量及安装效率。
0 引 言 船舶推进系统稳定运行对于船舶是重中之重，船 舶在执行海上运输任务时，船舶推进系统一旦发生故 障，很可能会导致动力系统失效，进而对我国海上经 济造成不可小觑的危害，因此保证船舶推进系统正常 工作是船舶航行的生命线[ 1 ]。当轴系安装状态较差 时，容易引起轴承过热甚至损坏，齿轮箱中的齿轮啮 合效果不好，密封元件产生泄露，还会导致轴系产生 比较大的振动及噪声[2]。
在船舶轴系安装过程中，针对船舶轴系校调测量 方案，主要采用测量目标轴承负荷用以评估轴系安装 状态，其中弹簧测力计法、应变片法以及顶举法被广 泛应用于船舶推进轴系轴承的负荷测量[3]，但随着船 舶体型不断增大，弹簧测力计法已无法适应现有船舶 推进轴系轴承负荷测量。
应变片法通过应变片测量轴系的应变值从而得出 轴承载荷的测量方法。曲智[4] 基于电阻应变片法，结 合船舶推进轴系特点，得到一种船舶推进轴系负荷计 算方法，并通过测试分析，证明该方法能够对轴承负 荷分配及负荷支点位置进行精确计算。
顶举法根据顶升油缸在顶升及下降过程中所采集到的油压、轴系位移等数据计算出被测量轴承负荷[5]。 针对顶举法测量中数据获取精度低以及数据处理效率 低下的问题，研究学者利用传感器技术和数据采集分 析技术开发的船舶轴承负荷测量系统[6]、轴系轴承负 荷智能化测试及分析系统[7] 更进一步优化船舶轴承负 荷测量工艺及测量精度。
随着船舶逐渐大型化，轴系安装校调工作也逐渐 繁重，由于机器学习出色的数据处理及决策能力，使 得部分学者将机器学习应用于船舶推进轴系安装及校 调领域[8]。Deng 等 [9] 针对船舶轴系安装效率低且校中 工作难以进行等问题，使用 GA-BP 神经网络针对船舶 轴系中间轴承变位值进行研究，通过结合实测数据与 仿真数据训练基于不同变位值轴承计算方法，对船舶 轴系装调效果进行评价。船舶轴系安装质量对船舶轴 承力学性能有着较大影响，王博文[10] 通过对船舶轴系 安装状态进行改变，分析船舶轴系不同安装状态对船 舶轴系振动固有频率及动态响应的影响，并通过搭建 船舶轴系实验平台，结合实测数据验证了所提出轴系 安装状态对轴系影响模型的有效性。
国内外不乏有关轴系校调领域的研究，然而研究 大多聚焦于校调轴承负荷的分配以及轴承负荷与安装 高度的关系，较少考虑轴承应力应变对轴承安装高度 及安装状态的影响，因此本文建立轴系校调机器学习 模型，采用 GA-BP 算法对轴系运行数据与轴系安装高 度 及安装状态间影响关系进行探究。
1 船舶轴系校调模型构建及数据获取
轴系安装校调机器学习需要大量数据用以保障其 拥有一定的准确性，从而得到精确的船舶轴系安装校 调评估方案。轴系安装校调数据库与机器学习框架构 建 流程如图 1 所示。
1.1 轴系理论模型建立
为了得到后续神经网络训练所需的轴系运行数 据，因此需要建立目标轴系的全尺寸仿真模型，并对 其模型精度进行验证。轴系所用的材料物性参数如表 1 所示，船舶推进轴系设计书中给出的各轴承高度及其 轴承负荷如表 2 所示。
根据船舶推进轴系设计书中所给定的船舶推进轴 系模型尺寸，建立如图 2 所示的三维模型。
在建立船舶推进轴系全尺寸仿真模型之前，需要 对模型进行适当的简化以满足模型所需要的计算精 度。根据船舶推进轴系的特征以及在有限元分析中使 用的简化方案，对文中的船舶推进轴系进行如下简化： 1）船舶推进轴系中尾轴系布置于船体内部，调整过程极其复杂，因此在船舶轴系安装校调过程中，通 常不对其进行调整操作，因此在有限元仿真时将其设 定为 Fix-support 约束。
2）在船舶推进轴系校调过程中，无需针对船舶螺 旋桨进行操作，故在有限元模型建立时未将其画出，在 对船舶推进轴系仿真模型进行有限元分析时将螺旋桨质量以及其所收到的浮力以力的形式施加于轴系之上。
3）中间轴承部分由于在校调时通常有轴承架作为 支撑，因此选择施加垂向约束，用以约束中间轴承垂 向自由度。在船舶推进轴系曲轴及主机设定中，设定 曲轴及主机高度与设计书中给定高度一致，且曲轴高 度不发生任何变化，将中间轴承高度进行改变用以对 船舶推进轴系校调过程进行仿真模拟。
如图 2 的船舶推进轴系全长 63.29m，其中中间轴 系包括 3 根中间轴，尾轴右端为船舶螺旋桨所在位 置，中间轴系最左端为船舶主机与曲轴所在位置。各 个中间轴轴颈为 419.9mm，其中船舶推进轴系的尾轴 长 29.2m。对船舶推进轴系有限元仿真模型进行建 立，参照表 1 的船舶推进轴系材料物性参数，船舶推 进轴系不同部件赋予不同材料，对船舶推进轴系有限 元仿真模型施加不同约束条件，按照上述简化方案对 有限元仿真模型进行建立，简化后的船舶推进轴系有 限元模型如图 3 所示。
1.2 轴系变位值计算方法
在进行船舶推进系统轴系力学分析时，通常将其 进行分段分析，通过分析某轴段两端不同力学关系与 被分析轴端的力学状态用以得到整个船舶推进轴系的 受力。船舶推进轴系通常由螺旋桨端面指向主机端 面，单个船舶轴系端受力及应力应变通常由船舶轴系 垂向位移 Z、截面转角 θ，弯矩 M 及剪切力 T 表示。被 测轴仅受地球重力影响，其受力如图 4 所示，其传递 矩阵表达式如下式：
1.3 网格无关性验证
在网格选取时，设置不同网格大小，通过计算中间 轴承初始高度时轴承负荷，对不同网格所得到的有限元计算结果进行比较。根据模型尺寸，设置网格从 300～ 50mm，每变化 50mm 进行一次计算，计算结果如表 3 所示。
设定网格大小为 50mm 轴承负荷数据时为标准数 值，计算其他尺寸网格大小下轴承负荷数据并计算各个 网格大小下轴承负荷与标准结果误差，计算结果如图 5 所示。
图中，当网格大小逐渐增大时，轴系负荷数值误 差平均值也随之增大，其中误差最小值为 0.02%、 误差最大值为 0.76%。并且当网格大小在 150～100mm 变化时，轴系负荷误差变化幅值逐渐减小，故此认为 当网格尺寸在 150～100mm 时，网格尺寸对计算误差 影响较小。而当网格尺寸大于 150mm 时，此时轴系负 荷误差变化幅值增速较大，因此认为当网格增加时所 导致的计算结果误差也随之增大。由于有限元仿真计 算结果精度对后续工作有着较大影响，因此在有限元 仿真过程中应尽量保持其仿真结果具有一定精度。通 过对上述仿真结果及误差分析进行比较，选取 100mm 网格尺寸作为船舶推进轴系仿真模型有限元尺寸。
有限元仿真模型计算误差最大值为 7.05%，最小值 为 0.18%。由于有限元模型经过一定简化处理，导致 其与真实模型之间存在误差，但是误差值较小，认为 有限元仿真模型能够反映轴系真实受力情况，可以用 作 计算轴系校调机器学习所需的训练样本。
2 船舶推进轴系神经网络构建
2.1 推进轴系 GA-BP 神经网络结构设计
GA-BP 神经网络以其强大的非线性映射能力而闻 名，同时具备简单、易于实施、计算效率高和并行性 强等优势。通过遗传算法，将寻优过后的权值与阈值 赋予BP神经网络，从而达到优化BP神经网络的目 的。因此，它是目前最常用和最成熟的神经网络训练 方法之一。在船舶推进轴系校调过程中，轴承高度与 轴承运行数据之间存在着复杂的函数关系，上述关系 可以通过 GA-BP 神经网络进行拟合。GA-BP 神经网络 算法模型的结构如图 6 所示。
设计神经网络拓扑模型如图 7 所示。同层各神经 元间无连接，上层神经元与下层所有神经元均有连 接，箭头表示信息的流动。L 为各个中间轴承负荷及 应力应变数据，其包含元素个数为 3；S 为各个轴承高 度 及安装状态，其包含元素个数为 2。
2.2 神经网络参数设定
针对该船推进轴系，BP 神经网络的输入为目标轴承的负荷、应力、应变、动态负荷数据，输出为该轴 承的安装状态及安装高度。并使用 GA 遗传算法用以 优化 BP 神经网络的权值及阈值，BP 神经网络和 GA 遗传算法的参数设置如下：
1）BP 神经网络算法的参数设定 BP 神经网络算法设定 LevenbrgMarquardt 中的 trainlm 函数作为 BP 神经网络算法的训练函数，神经网 络函数 MSE 目标数值为 0.0001，迭代上限次数为 100，学习率为 0.01。
2）GA 遗传算法的参数设定 选取实数编码的方式，并且每个不同的染色体为 一个实数向量。选取适应度计算函数为：
2.3 训练样本获取及选取
1）训练样本的获取 根据上述分析，文中采用仿真数据作为训练样 本，用以训练神经网络。通过 2.2 中建立得到的全尺 寸船舶推进轴系仿真模型计算神经网络所需要的训练 样本，通过变化轴承高度及施加不同工况，计算不同 高度下轴承负荷、应力应变等数据。
通过文献查阅[11−14]，针对文中所建立轴系的 3 个中 间轴承其高度调整范围通常在 2.0mm。综上所述以船舶推进轴系处于理论校中时的高度为变位原点，3 个 中间轴承高度变化如表 4 所示。
通过仿真计算得到 729 组训练样本，每组训练样 本包括 5 个数据，分别为目标轴承所处高度、安装状 态以及轴承当前高度对应下的仿真数据。
2）训练样本的选取 选取
1.3 获取的仿真数据作为训练样本，根据中国 船级社对船舶推进轴系安装评估标准，轴承负荷值超过 设计值的 20% 即可视为安装失效，按照此标准对仿真 数据进行标注。针对不同轴承分别选取 12 组不包含在训 练集中的仿真数据作为测试集（其中正常数据 4 组，处 于安装失效临界点数据 4 组，严重安装失效数据 4 组）， 其中每组测试集包含 3 个轴承高度及运行数据，用以 验证神经网络学习效果，部分测试集如表 5 所示。
2.4 推进轴系神经网络学习效果
1）测试集数据预测
将上述测试集代入轴系校调模型中，通过模型测 试，模型预测结果如图 8 所示。
2）加噪数据数据预测
针对文中测试集，分别对不同的安装运行数据进 行加噪，用以模拟实际校调过程中由于操作失误等原 因引起的数据失真，加噪程度如表 6 所示。将加噪数 据视为误差数据，将其分别与测试数据代入模型中用 以判断机器学习模型的学习精度。结果如图 9 所示。
3）基于传统校调方案预测
在传统安装校调方案中，通常仅通过分析轴承负 荷用以判断轴系安装状态，因此将传统方案（仅考虑 轴承负荷对轴系安装状态及安装高度的影响）代入神 经网络模型进行训练，将训练结果使用加噪测试集 5 与加噪测试集 6 进行高度预测，预测结果如图 10 和 图 11 所示。
3 结果与讨论
3.1 训练样本的讨论
本文通过建立船舶推进轴系全尺寸仿真模型，通 过对不同轴承施加高度变位获得大量仿真数据，可以
作为机器学习的训练样本。仿真数据精度取决于仿真 模型的精度，但是在实际安装过程中，可能由于操作 失误等原因造成数据失真，因此在测试集中，引入了 误差数据用以模拟由于操作失误等原因造成的数据失 真问题，并与仿真数据一同作为测试集对机器学习效 果 进行评估。
3.2 机器学习效果的讨论
1）通过测试集对船舶推进轴系机器学习模型进行 精度校验，校验结果如图 8 所示，针对安装状态及安 装高度预测结果较为准确，但是其中 5～8 组预测结果 精度较差，由于在失效临界点数据量较少的问题，因 此在后期工作中应加强对此类数据的获取。
2）在对测试集数据进行随机加噪处理，将其代入 模型预测后，通过预测结果表明，相较于轴承负荷数 据，应力及应变数据失真后对预测高度及安装状态影 响相对较小。加噪后的预测高度误差相较于正常测试 集误差较大。对于安装状态评估，加噪测试集对比正 常测试集精度有所下降，尤其是对轴承负荷进行加噪 后，相较于正常测试集精度降低较为明显。相对于应 力应变数据，轴承负荷对轴系高度及安装状态评估有 较大影响。
3）对传统方案建立神经网络，使用加噪测试集进行预测，文中带入应力、应变及轴承负荷数据进行轴 承高度与安装状态预测的方法，相较于传统校调方 法，在高度及安装状态预测时，传统方法与文中方法 有着较为显著的误差差距。本文方案由于代入了应力 应变数据，相较于传统方法仅使用轴承负荷判断高 度 ，有着一定的抗干扰能力。
4 结 语
本文通过对轴系进行全尺寸模型建立及仿真，构 建轴系安装状态机器校调模型，提出一种基于 GABP 神经网络模型的船舶推进轴系中间轴承高度预测及 安装状态计算方案，并通过测试集进行模型精度校 验，得到以下结论：
1）通过有限元仿真得到的轴系运行数据能够较为 真实的反映真实轴系安装情况。但是仿真数据相较于 真实数据仍存在一定误差，应在后续工作中加入随机 扰动使得仿真数据更加接近真实数据。
2）提出基于机器学习的轴系校调模型，经过测试 集及加噪测试集进行精度验证，表明了文中所提出模 型能够对轴系安装状态及安装高度进行预测。通过加 噪测试集与传统方案进行比较，本文所提出的方法误 差较小，可以用于指导校调。
