机械合金化制备纳米晶Fe-Si合金的研究

采用Fe-6．5％Si合金粉与Si-22％Fe合金粉末，经机械合金化制备了Fe-13．95％Si固溶体合金。由碰撞频率、速率与球磨工艺条件的理论关系推导出了球料比的最佳值。利用XRD、SEM和EDX手段对球磨后的Fe—Si粉体进行了结构、形貌及成份表征。结果表明：混合粉体球磨12h可实现机械合金化，合金化的粉体为α—Fe（Si）过饱和固溶体，颗粒尺寸为0．5～15μm，显微组织为纳米晶结构，平均晶粒尺寸约为18nm。     

川崎取向硅钢热轧边裂及其防止方法

川崎取向硅钢存在热轧板边裂问题。针对此问题，日本川崎公司采取了板坯在1200℃以上加热时控制保护气氛中氧的质量分数及保持时间；调整粗轧压下率及轧制温度；实施宽压下及边部加热；变化材料的变形能，抑制边部鱼鳞状缺陷的发生等一系列措施，取得了缓解热轧板边裂的明显效果。     

6系铝合金TIG焊前激光清洗与化学清洗对焊缝成形质量对比研究

6061铝合金在空气中易产生氧化膜,氧化膜吸附的水分在TIG焊熔焊的同时产生氢气,这些氢气来不及析出,会影响零件机械性能.激光清洗技术能有效去除铝合金表面的氧化膜,对于6061铝合金航空薄壁焊接件,首先要确定激光清洗对6061铝合金材料的损伤以及性能影响,同时提出激光清洗对比化学清洗对焊缝质量的影响.结果 表明:激光清洗在焊接接头深度方面的传递未造成接头材料下部组织和结构的改性,未对焊接接头产生性能损伤.     

国家数字图书馆工程钢结构部分资料完善与资料管理控制

本文介绍了国家数字图书馆工程钢结构部分施工资料形成、收集与整理的具体做法。确保钢结构施工技术资料能够正确反映工程钢结构部分的实体情况,使工程各工序的施工质量具备可追溯性,保证竣工验收顺利进行。     

响应曲面法优化微波辅助提取黑灵芝孢子多糖工艺研究

为优化黑灵芝孢子粉多糖的微波提取工艺,在单因素试验基础上,选择提取温度、提取时间以及水料比为自变量,多糖提取率为响应值,采用中心组合设计的方法,研究各自变量及其交互作用对多糖提取率的影响。利用SAS和响应面分析相结合的方法,模拟得到二次多项式回归方程的预测模型,并确定微波提取多糖最佳条件为:温度129℃、时间27min、水料比为31:1。在此条件下,多糖提取率达到2.64%。     

车前子胶的流变特性研究

本实验通过浓度、剪切力、温度、pH、盐度、水化时间、冻融等变化对车前子胶溶液表观黏度的影响,对车前子胶溶液的流变性进行了研究。结果表明:车前子胶溶液为"非牛顿流体",具有"假塑性"。其表观黏度随质量分数的增加逐渐增加;体系温度升高可导致溶液黏度降低,溶液在pH5～11时较稳定;车前子胶对NaCl具有良好的兼容性,Ca2+对车前子胶溶液有显著的增稠效应,其增稠效果与离子浓度呈正相关。此外,车前子胶溶液有良好的抗降解性能,冻融变化使车前子胶溶液黏度有所升高。     

基于风速预测的改进爬山法最大功率追踪策略

针对变速变桨风速发电机组如何在低风速时最大限度地捕获风能,提出了一种基于风速预测的改进爬山法最大功率追踪策略。首先搭建由模糊粗糙集(FRS)和神经网络预测(LSTM)两部分组成的预测模型,利用模糊粗糙集对噪声的敏感性,对风机多传感器采集的自然特性时间序列参数进行分析,通过属性约简,将输入信息的空间维数简化,确定神经网络的输入参数,作为后者LSTM神经网络预测模型部分的输入。利用LSTM在时间深度上有效避免梯度传播消失的特性,通过训练学习,抽取逼近隐含的输入输出的非线性关系,捕获时间序列风速上各个信息的关联度和时间延展度,得到风速的提前一步预测。然后依靠预测的风速信息,从搜索方向确定,搜索区间优化,避免最大功率点附近频繁波动3个方面改进了传统爬山法,避免传统方法的不足。通过GH bladed软件实验仿真表明:提出的最大功率追踪控制策略能够有效避免了风速变化情况下错误的搜索方向,提高追踪速度,明显减少风机在MPP点处的振荡,有效提高了风能捕获效率。     

移动捕集技术及移动水密封对接技术在焦炉机侧除尘上的应用

焦化是钢铁生产流程中必不可少的工序.由于焦炉本身就是一个开放型的污染源,污染物排放量大,且具有温度高、阵发性、沿焦炉纵向频繁移动等特点,焦炉烟尘治理因此亦成为治理的重点、难点.本文介绍了多点吸尘集中罩移动捕集技术及管道移动水密封对接技术在焦炉机侧除尘上的应用,大幅提高了烟尘捕集率,减少了外逸烟尘对周围环境和工人身心健康...     

一种基于深度学习的FRS-CLSTM风速预测模型

为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。     

基于局部加权表示的线性回归分类器及人脸识别

线性回归分类器(Linear Regression Classifier,LRC)是一种有效的图像分类算法,然而LRC未关注数据的局部结构信息,忽略了类内样本之间的差异性,因此当人脸图像存在表情、光照、角度、遮挡等变化时分类性能不佳.针对此问题,文中提出了一种基于局部加权表示的线性回归分类器(Local WeightedRepresentation based Linear Regression Classifier,LWR-LRC).LWR-LRC首先以测试样本与所有样本的相似性为度量,构建每类样本的加权代表样本;然后将测试样本分解为加权代表样本的线性组合;最后将测试样本分类到重构系数最大的类别.LWR-LRC考虑了样本的局部结构,构建了每类样本的最优代表样本,使用代表样本进行计算,在提高鲁棒性同时,大幅缩短了计算时间.在AR,CMU PIE,FERET和GT数据集上的实验的结果表明,LWR-LRC与NNC,SRC,LRC,CRC,MRC,LMRC等算法相比,在性能上有很强的优越性.