基于AprilTag图像识别的移动机器人定位研究

气流激振故障是燃汽轮机由于工作介质引发的常见故障,针对某型燃气轮机气流激振故障,建立峰值保持降采样算法和粒子群算法优化的深度置信网络故障诊断模型。使用峰值保持降采样法对振动数据进行缩减,并以之作为深度置信神经网络的输入,降低模型训练时间,同时采取粒子群算法对深度置信网络结构参数寻优,搜索诊断性能最好的深度置信模型所对应的网络结构参数。实例结果表明,优化后的模型不仅降低模型训练时间,实现网络结构参数智能寻优,还有效实现燃气轮机气流激振故障诊断,测试准确率约为99.8%。     

细磨粒超声珩磨ZrO2表面特征研究

采用细粒度金刚石油石，对氧化锆工程陶瓷进行了超声珩磨与普通珩磨的试验研究。试验结果表明，磨削条件对被加工表面的粗糙度和表面破碎影响较大：1)超声珩磨的表面和普通珩磨表面相比，磨削沟槽不仅宽且底部平坦，网纹较均匀，珩磨沟槽的顶部较平整，并且不存在断续现象。2)普通珩磨的延性域加工临界磨削深度不超过1．5m，而超声珩磨方式下，其延性域临界磨削深度可达到3μm。3)普通珩磨方式下，在磨削速度100～150r/m，磨削深度1．0～1．5μm时，可取得较低粗糙度值；超声珩磨方式下，在磨削速度150～190r/m，磨削深度1．0～1．5μm时，取得较低的粗糙度值，同等条件下比普通珩磨低1～2级。     

金属表面碳酸盐沉积层防腐机理研究

论述碳酸盐沉积层的自然形成过程,解释了碳酸盐层对金属表面的天然防护机理;提出利用碳酸盐层防腐的新概念,探索出了人为形成碳酸盐沉积层的技术路线。     

二甲苯不饱和聚酯树脂在30%硝酸中的腐蚀行为

通过失重及表面腐蚀层厚度的测定以及红外吸收光谱（ＦＴ－ＩＲ）、扫描电镜（ＳＥＭ）等分析手段研究了二甲苯不饱和聚酯树脂（ＳＵＰＲ）在３０％硝酸溶液中的腐蚀行为，提出了材料耐该介质腐蚀的机理。结果表明，失重和表面腐蚀层厚度经一定时间浸泡后趋于稳定，不同温度下达到的稳定失重和腐蚀层厚度值不同。腐蚀机理为：浸泡过程中试样表面发生了物理吸附及化学反应，形成了一层淡黄色的特，其厚度与温度有关。该层物质阻止了硝     

冶炼不锈钢泡沫渣的实验研究

从理论上阐述冶炼不锈钢时熔渣的发泡机理。并根据上海三钢公司的情况，在2500Hz的中频感应炉上时熔渣进行发泡高度的实验，找出发泡性能较好的渣系，研究渣中各成分对发泡性能的影响。     

金属纳米颗粒分散氧化物Au/SiO2薄膜的制备与光吸收特性

利用多靶磁控溅射法制备了金纳米颗粒分散氧化物薄膜,其分散颗粒的体积分数和平均直径分别为3%～65%和10nm～30nm.吸收光谱研究表明,Au/SiO2薄膜在560nm波长附近有明显的表面等离子共振吸收峰,吸收峰的强度随Au含量的增加而增强,Au含量在37%的附近,Au/SiO2薄膜在560 nm波长处表现的吸收峰呈最大的吸收强度.当Au分散颗粒的含量超过了其分散限度后,吸收峰的强度随Au含量的增加而减弱.用Mie散射理论对吸收光谱进行了模拟,得到了与实验结果一致的表面等离子共振吸收峰.     

纳米铁氧体复合材料制备及吸波性能研究

采用溶胶-凝胶与自蔓延燃烧相结合的方法制备出碳．纳米铁氧体复合材料，应用X射线衍射仪、扫描电镜分别对产物的晶体结构和微观形貌进行了表征分析，着重对比研究了超细碳材料加入前后的变化。利用小型烟箱试验测出产物在军用红外波段质量消光系数大于1．1m^2／g；利用矢量网络分析仪测试其在2～18GHz的电磁参数，并得到损耗角正切值随频率变化的曲线。结果表明：在纳米铁氧体中添加超细碳材料，铁氧体原有的磁损耗不变，介电损耗值有了显著提高，从而增加了电磁波的总损耗。由此证实超细碳-纳米铁氧体复合材料具有宽频吸波特性。     

半连续铸管时铸铁外结晶器中温度场的数值模拟

根据连续铸管的实际工作状况，对结晶器系统的传热过程计算作了合理的简化，充分考虑了工作条件下的物性变化问题，找到了结晶器在工作状况下的最高温度节点以及内外表面的温差与时间的关系。     

交变磁场分离铝熔体中Fe、Si的金属间化合物

根据含Fe、Si杂质和铝熔体的导电性之间的差异．应用电磁场将其从铝熔体中分离出来。测量和分析了自制设备所产生的电磁场。将Mn加入到铝溶液中。把针状和树枝状的金属间化合物颗粒改变为块状和含角状的结晶体。并且在不同的试验条件下，利用电磁场净化预先配制好的合金。试验结果表明，变形后的杂质的分布会随着磁感应强度的改变而变化，加入Mn可以显著提高杂质颗粒的迁移效率。     

Fuzzy adaptive networks in machining process modeling: surface roughness prediction for turning operations

Due to the complexity of the machine tool structure and the cutting process, the dynamics of machining processes are still not completely understood. This is especially true due to the demand of high-speed machining to increase productivity. In order to model and control these complex processes, new approaches, which can represent complex phenomenon combined with learning ability, are needed. The combined neural–fuzzy approach appears to be ideally suited for this purpose. In this paper, the recently developed fuzzy adaptive network (FAN) is used to model surface roughness in turning operations. The FAN network has both the learning ability of neural network and linguistic representation of complex, not well-understood, vague phenomenon. Furthermore, it can continuously improve the initially obtained rough model based on the daily operating data. To illustrate this approach, a model representing the influences of machining parameters on surface roughness is established and then the model is verified by the use of the results of pilot experiments. Finally, a comparison with the results based on statistical regression is provided.