在模具、汽车、机械设备制造行业,模具钢消耗量巨大,企业往往会在产品表面电镀厚铬,以增强基体硬度和耐磨性。目前已有研究表明低磷化学镀镍在改善模具钢表面硬度有明显效果。在实际应用中,一般根据模具钢产品的工作环境,需要选择合适的磷含量镀层。然而通过大量的试验和测试性能来确定最佳工艺参数,效率低且不能快速预测镀层磷含量和性能。本论文以Cr12MoV模具钢为研究对象,开展高压蒸汽除油工艺和低磷化学镀镍合金涂层的研究,在获得不同磷含量的Ni-P涂层工艺参数和性能数据基础上,采用粒子群算法优化的神经网络建立低磷化学镀镍工艺优化模型,并进行验证,研究结果如下:1.Cr12MoV模具钢在高压蒸汽清洗机清洗10min,然后将钢件放入与水配比1:20的除油液中加超声清洗5min。该工艺方法可有效去除表面的油膜,处理后的油污废水检测COD值为65mg/L左右,pH为10.1。同时对于该工艺产生的油污废水,本文提出的解决方案可以降低了污染排放,而且合理循环利用化学镀镍过程中的水资源。2.采用曲面拟合的方法探究了镀速和磷含量的影响因素,结果显示沉积速度主要受温度和pH影响,且在一定范围内成正比关系,最高镀速达到了10.54μm/h。而磷含量主要受反应物还原剂浓度和p H的影响,实验所得试样镀层最低磷含量为3.01wt.%。本文通过SEM表面形貌观察发现低磷镀层裂痕和空隙多于中高磷镀层,热处理之后缺陷有所减少。由XRD衍射图谱发现,当温度到了450℃时镀层大部分非晶成分已转为晶体,此时高磷镀层硬度已超过低磷镀层,达到了最大值1022HV,所以本实验选择最佳热处理条件为,钢件在450℃氮气保护下保温1h。3.通过MATLAB建立了磷含量和镀速的多元线性回归模型,从模型拟合结果来看,磷含量和镀速预测的平均相对误差分别为19.2%和9%。进而采用神经网络预测模型,通过对两个性能指标的预测,结果显示拟合误差较大。首次提出采用方差分析确定将温度,pH,还原剂作为新的神经网络输入,最后结果磷含量和镀速的预测相对误差分别为16.58%和9.64%,较优化前有所提升。通过加入优化算法—交叉验证,遗传算法,粒子群算法,本论文进一步完成了对神经网络模型优化。经粒子群算法优化的神经网络对化学镀镍的实验结果拟合能力有明显提升,其预测磷含量和镀速的平均相对误差分别为7.13%和6.31%,其最佳状态的相对误差分别为4.36%和3.76%,预测结果基本与实验值吻合。通过粒子群优化的神经网络预测了新试验组,得出最佳低磷化学镀镍工艺参数:温度78℃,pH=6.2,乳酸浓度16g/L,次亚磷酸钠浓度16g/L,此外本论文还给出了优化模型的最佳参数可用于其他预测模型或生产实践中的参考。