锡青铜化学镀 Ni-P 合金工艺及镀层性能

目的在锡青铜基体上化学镀Ni-P合金镀层,提高锡青铜的耐磨性和耐腐蚀性。方法以酸性含锌活化液活化锡青铜试样,在相同的条件下实施化学镀,并对镀态试样进行不同温度(250,400,500℃)下的热处理。对比基体、镀态试样和热处理试样的性能,研究热处理温度对锡青铜化学镀Ni-P合金层微观结构、显微硬度、耐磨性和耐腐蚀性的影响。结果锡青铜表面形成了Ni-P合金镀层,并且镀层无孔隙缺陷,与基体结合良好,沉积速率较快,为10.00μm/h。经热处理后,镀层的微观结构由非晶态向晶态转变,在500℃热处理的镀层显微硬度最大,耐磨性最好。镀态镀层和经250℃热处理的镀层在10%HNO3溶液和10%H2SO4溶液(10%均为体积分数)中的耐腐蚀性明显好于锡青铜基体,镀态镀层在两种介质溶液中的腐蚀速率分别为0.225,0.146 mg/(cm2·d)。结论采用酸性含锌活化液活化锡青铜基体,可以在锡青铜表面制备出化学镀Ni-P合金镀层,且镀覆效果较好。这表明紫铜化学镀Ni-P合金工艺同样适用于锡青铜。     

基于BP神经网络的粘结NdFeB永磁体性能预测

本文基于MATLAB平台和现有的少量实验数据,利用神经网络的非线性映射和泛化能力,建立了一个输入为工艺参数、输出为NdFeB永磁体性能参量的BP神经网络模型,并通过检验样本检验了ANN模型的准确性。实验表明：将神经网络技术应用于材料制备工艺设计,可以明显缩短实验周期,提高工艺设计效率,对实际的研究工作具有一定的指导意义和应用价值。     

评价轮辋淬火整体车轮断裂行业的新方法

目前整体车轮轮辋的断裂韧性是根据ＵＩＣ标准的规定,通过测定ＡＳＴＭＥ３９９－９０标准的ＣＴ－３０试样的ＫＱ参数来确定。为确定横向轮辋断裂韧性的局部值,建议用夏比型试样来代替。研究了ＣＴ－３０试样的ＫＪＣ值和夏比试样的相应关系,燕进行了试验证。证实了过渡区的铁素体－珠光体显微组织参数的ＫＪＣ断裂韧性的影响。     

气相传输涂层过程中金属的输运介质初探

自蔓延燃烧气相传输涂层是一种新型的表面涂层技术,对涂层过程中金属的输运介质进行了进一步的试验研究.试验表明:卤素单质或C6Cl6不是金属的输运介质,它们与活泼金属反应生成的低熔点、高蒸汽压的卤化物(如AlCl3)具有把金属元素从高温处输运到低温处的功能,可能是真正的输运介质.     

紫铜基体上组合电刷镀厚镍层的工艺

研究了快速镍、低应力镍刷镀时间对紫铜表面镍镀层的厚度、显微硬度及结合强度的影响。单层快速镍及单层低应力镍较适宜的刷镀时间为15～20min。采用15min快速镍与15min低应力镍交替组合刷镀镍,所得镍镀层的厚度、显微硬度及耐淬火次数分别达50μm、400HV及46次,镀层组织清晰而均匀,镀层与镀层之间、镀层与基体之间结合良好,符合理想厚镍镀层的性能要求。     

粉末锻造过程中Al-Si合金块体材料的微观结构变化

用粉末冶金法制备Al-Si共晶合金块体材料,研究烧结过程及冷锻工艺对块体材料显微形貌和抗压强度的影响.结果表明,合金颗粒在烧结过程中发生局部熔化,烧结坯的显微形貌呈现出带有较多孔隙网状结构,锻造坯的粉末颗粒在压力作用下彼此啮合,孔隙大大减少,成为更为致密的连续体,相对密度达到了97%.烧结和冷锻都能大幅度的提高材料的抗压强度,由于锻造坯的孔隙度远远小于烧结坯,锻造坯具有更好的塑性和更高的相对密度.     

Ni-P-SiC-PTFE化学复合镀工艺的研究

为了研究Ni-P-SiC-PTFE化学复合镀工艺,探讨氨基乙酸、丁二酸、乳酸、表面活性剂对镀层沉积速度和显微硬度的影响,通过正交试验方法,得到了最佳工艺参数,结果表明各参数分别是:表面活性剂为复合表面活性剂,丁二酸浓度为15g/L,乳酸浓度为20mL/L,氨基乙酸浓度为5g/L时,镀层较为理想.     

纯氮气氛下铜制活性屏离子渗氮试验

铁-氮化合物微粒被认为是活性屏离子渗氮过程中活性氮原子的主要输运载体,试验采用既不吸附氮也不与氮反应生成化合物的铜制活性屏和纯氮气氛,在没有铁-氮化合物微粒的情况下,对45钢试样进行渗氮处理.结果表明,在此条件下,45钢存在渗氮层,渗氮过程除依托铁-氮化合物输运外,活性氮原子还有其它重要的不可忽视的输运方式.     

基于均匀设计和主成分分析的粘结NdFeB永磁体制备工艺优化研究

基于牯结NdFeB永磁体制备工艺优化实验,针对普通反向传播神经网络(BPNN)方法在预报建模中普遍存在"过拟合"和泛化能力差的问题,从优化实验方案、减少输入层节点数两个角度,结合均匀设计软件和主成分分析方法,提高训练样本的分布均匀性、"主动"改善网络结构,建立了一个粘结NdFeB永磁体制备工艺优化的2-5-3型BPNN预测模型.研究结果表明,改进的BP神经网络模型对BrHcj及(BH)m预测的相对误差的最大值分别为1.83%,1.28%和1.53%,较之传统的模型,泛化能力显著提高,网络预测也比较稳定,具有很好的实用性.