NaCl盐对Ti_2AlNb合金表面渗镀Al层热腐蚀行为影响

为提高Ti_2AlNb合金的实际使用温度,采用加弧辉光等离子渗镀技术在合金表面制备渗镀Al层,研究渗镀Al层在750℃下涂盐Na_2SO_4和Na_2SO_4+25%NaCl的热腐蚀行为。同时利用扫描电子显微镜(SEM)、能谱仪(EDS)对腐蚀产物的形貌进行观察,并结合X射线衍射对相组成进行分析。结果表明:渗镀Al层组织均匀致密,与基体结合良好。涂层可分为明显的3个区域:最外层Al_2O_3薄膜、次表层纯Al沉积层和内层Al-Ti-Nb扩散层。扩散层主要包括Al_3Ti﹑Al_3Nb和AlNb_2等相。渗镀Al层试样在750℃的Na_2SO_4盐热腐蚀100 h后,仅增重约2 mg/cm~2,表现出良好的抗热腐蚀性能;而在Na_2SO_4+25%NaCl混合盐中,试样则先增重后逐渐减重,整个涂层出现明显开裂和剥落,其原因是Cl–的渗入使表面形成的Al_2O_3膜被破坏,进而加速消耗涂层中的Al。     

无刷直流电机转子磁瓦表贴固定工艺研究

针对无刷直流电机固定磁瓦的胶黏剂固化时间长的问题,分析计算磁瓦受力获得胶黏剂的最小粘接强度,开发验证热固胶,以实现磁瓦的快速固定。通过高温、低温、高温高湿、冷热冲击、高温及时试验验证了胶黏剂完全固化后的稳定性。结果表明,固定磁瓦所需的最小粘接强度为5.81 MPa,AC451胶水在60℃/20 min的条件下粘接强度为15.6 MPa,可实现磁瓦的完全固定。动平衡检测后随平衡泥室温固化5 h,胶水的粘接强度达到22.2 MPa,满足各项型式试验,且安全、可靠,具有广泛的工业应用前景。     

基于子空间学习的图稀疏属性选择算法*

针对处理高维度属性的大数据的属性约减方法进行了研究。发现属性选择和子空间学习是属性约简的两种常见方法,其中属性选择具有很好的解释性,子空间学习的分类效果优于属性选择。而往往这两种方法是各自独立进行应用。为此,提出了综合这两种属性约简方法,设计出新的属性选择方法。即利用子空间学习的两种技术(即线性判别分析(LDA)和局部保持投影(LPP)),考虑数据的全局特性和局部特性,同时设置稀疏正则化因子实现属性选择。基于分类准确率、方差和变异系数等评价指标的实验结果比较,表明该算法相比其它对比算法,能更有效的选取判别属性,并能取得很好的分类效果。     

基于稀疏学习的低秩属性选择算法

针对回归模型在进行属性选择未考虑类标签之间关系从而导致回归效果不理想,提出了一种新的具有鲁棒性的低秩属性选择算法。具体为,在线性回归的模型框架下,通过低秩约束来考虑类标签间的相关性和通过稀疏学习理论中的[l2,p-]范数来考虑属性间的关联结构,以此去除不相关的冗余属性的影响;算法通过嵌入子空间学习方法（线性判别分析（LDA））来调整属性选择结果。经实验验证,提出的属性选择算法在六个公开数据集上的效果均优于四种对比算法。     

基于超图表示的低秩属性选择方法用于回归分析*

针对现有的回归模型未考虑特征之间的深层结构,而导致在回归问题上输出不稳定的模型,提出了一种新的属性选择方法。具体地,通过稀疏学习理论中的 L2,1-范数和 L2,p-范数在线性回归模型分别进行样本降噪和属性选择,然后,利用超图结构和低秩约束来分别考虑数据间的局部结构和不同数据间的全局结构,最后结合子空间学习方法来对模型进行微调。经实验证明,在回归分析中该算法较对比算法能取得更好的效果。     

水性清洗剂在空调用塑封电动机生产上的应用

目前,水性清洗剂在电机行业的应用尚未普及。为此,设计了3种清洗方案,对比了水性清洗剂与有机溶剂清洗剂应用于转子上的油污、金属屑、氧化物、灰尘等污物的清洗效果。通过残渣试验、光学显微镜评价不同清洗方案的清洗效果,通过电化学试验和中性盐雾试验分析清洗后转子的防锈效果。结果表明:3种方案的不可溶残留物含量分别为0.85,0.70,0.50 mg,电化学阻抗谱拟合的Rct分别为757.6,522.1,808.4Ω,说明方案3(先水性清洗剂清洗,再水基防锈剂清洗)的清洗效果和耐蚀性最好。工业应用试验表明:水性清洗剂结合水基防锈剂可以替代有机溶剂清洗剂在空调用塑封电动机转子清洗上应用,具有安全、可靠、低成本的特点,具有广泛的工业应用价值。     

基于属性自表达的低秩超图属性选择算法*

针对高维数据具有低秩形式和属性冗余等特点,提出一种基于属性自表达的无监督超图属性选择算法。具体地,该算法首先利用属性自表达特点用其他属性稀疏地表达每个属性,此自表达形式使用低秩假设寻找高维数据的低秩表示,然后建立超图正则化因子保持高维数据的局部结构,最后利用稀疏正则化因子进行属性选择。属性自表达特性确定属性的重要性,低秩表示相当于考虑数据的全局信息进行子空间学习,超图正则化因子考虑数据的局部结构对数据进行子空间学习。该算法实际上考虑数据全局和局部信息进行子空间学习,更是一种嵌入了子空间学习的属性选择算法。实验结果表明,该算法相比其它对比算法,能更有效地选取属性,并能取得很好的分类效果。     

基于超图稀疏的低秩属性选择算法用于多回归分析

针对已有的多回归算法未能更好地考虑不同列类别之间的关联性,提出了一种基于超图稀疏的属性选择方法。具体地,利用稀疏理论中的 L2p-范数来改进线性回归模型,然后,结合低秩结构和超图表示来分别考虑同一类别间的局部结构和不同类别间的全局结构,最后,模型通过子空间学习中的线性判别分析(LDA)来进一步调整重构系数矩阵的结果。经实验验证,提出的算法在六个公开数据集上相比四种对比算法,在多回归分析中均能取得更好的结果。