我国固体润滑材料的发展概况

本文介绍了固体润滑材料在我国的发展历史,说明了研究固体润滑的意义。作者将固体润滑材料分为固体粉末润滑剂、固体润滑膜以及自润滑复合材料三大类,比较扼要地介绍了这些材料在我国的发展概况。     

水基高分子固体润滑剂摩擦系数的响应曲面分析

用正交旋转试验设计，建立了一种比多元线性回归设计更简明的水基高分子润滑剂摩擦系数的数学模型．通过摩擦系数的响应曲面分析，可以确定润滑剂配方中各组分用量变化的优化水平，用图示法分析各组分间的交互作用和它们对润滑剂质量指标的影响．此外，利用响应曲面分析法还可为研究多组分复配润滑剂的润滑性能提供数理依据     

人脸识别中应用小波变换的两个关键问题

由于小波分解在空域和频域上都能提供良好的局部信息,尤其是在小波分解后可以减少图像的分辨率,进而相应地减少计算复杂度,因此小波变换经常被用于图像处理和图像分析中.为探究基于人脸识别的小波变换最佳应用效果,着重讨论了小波变换应用于人脸识别的两个关键问题:小波基的选择和分解层数的确定,并通过实验分析和比较研究得出相应的答案和指导原则.     

水基高分子固体润滑剂的数学模型及配方优化

作者在研究水基高分子复合固体润滑剂的基础上,讨论了它的数学模型,对进一步提高该润滑剂的效能作了初步探索。应用文中提出的数学模型可以提供变更某些添加剂用量的依据。     

乙基纤维素固体润滑膜用于黑色金属冷加工的研究

作者对低碳钢塑性加工坯件表面预处理的磷化-皂化润滑工艺进行了评论,提出了用与基体金属粘附强并具有良好摩擦性能的以乙基纤维素为基础的固体膜代替磷化-皂化润滑的设想。通过润湿角的测定和摩擦试验,说明该高分子润滑剂用于黑色金属冷挤压、冷引仲加工可以取得非常满意的效果。产品表面光洁、覆盖膜层易于清除。本文还介绍了该润滑膜在工厂中应用的情况。 在低碳钢工件毛坯冷挤压、冷引伸加工前,一般都要经过碱洗、酸洗、水洗、磷化、皂化处理,使工件毛坯表面生成一层多孔的,浸填有脂肪酸皂的磷酸盐膜,方能满足加工时对润滑的要求。这种工艺工序多,对环境污染严重、加工后残余的磷化膜难于去除。 作者选择了具有良好成膜性和塑性的高分子材料,分别测定了以其为基础的溶液表面膜张力,与基体金属的接触角和固体膜的附着力,再通过摩擦试验评定其润滑性能。对比用磷化-皂化处理的和用高分子固体润滑膜的加工后工件质量,证实了用高分子固体润滑膜代替磷化-皂化润滑的设想是可行的。     

动态分配AIFS的无线局域网公平性算法

IEEE802．11无线局域网QoS机制的目的是使高优先级流量和低优先级流量均能按照公平原则得到相应的网络资源，避免出现“干渴”现象．借鉴DDRR（Distributed Deficit Round—Robin）算法思想，提出了一种基于AIFS（Arbitration IFS）的公平性分配算法，利用实际所获得的吞吐量（估计值）与所要求获得的吞吐量之比值来实现AIFS的动态改变，从而实现网络资源的公平分配．仿真结果显示，引入本算法可以消除“干渴”现象，减少吞吐量和延时的波动，基本实现资源公平性分配，且算法简便，复杂度低，易于实现．     

任意初态下的扰动系统学习控制

针对任意初态下带有扰动的线性定常系统, 提出了相应的控制算法。该算法将受控过程分成无穷个子过程, 系统利用上一子过程的输入输出信息来调节当前过程的输入,以期获得更好的控制效果。在控制过程中, 基于迭代学习控制思想, 借助初始修正手段, 可使系统的跟踪误差达到任意小, 且当系统无扰动时,在指定区间内可实现完全跟踪。最后, 通过仿真算例, 验证了算法的有效性。     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。     

对Timken试验机杠杆组的力学分析

本文叙述了作者用力学分析方法,对Timken试验机摩擦系数计算公式所进行的推导和验证。还通过试验考察了把Timken试验机作为测试固体润滑材料的摩擦、磨损特性的设备的可信赖性。     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。