一、基本统计处理 1、查取最大值 MAX函数的命令格式有: [Y,]=max(x):将max(X)返回矩阵X的各列中的最大元 素值及其该元素的位置赋予行向量Y与;当X为向量时,则Y与I为 单变量

为了进一步研究20CrMo合金钢在生产过程中夹杂物的演变机理，实现对钢中非金属夹杂物的合理控制，保证生产顺行，提高产品力学性能，针对“BOF→LF→RH→钙处理→连铸→热轧”工序生产20CrMo合金钢全流程中非金属夹杂物的演变规律进行了研究。在LF精炼及RH精炼加钙前钢中非金属夹杂物含有70%以上的Al2O3。钙处理后，由于过量的钙加入到钢液中，夹杂物中CaS质量分数迅速增加至59%，Al2O3质量分数降低至21%。在连铸过程中由于二次氧化的发生，夹杂物转变为CaO?Al2O3，其中含有50%的Al2O3、39%的CaO和10%的CaS，并且夹杂物平均尺寸增加。在钢的冷却和凝固过程中，CaO质量分数降低至5%，CaS质量分数增加至57%，钢中夹杂物转变为Al2O3?CaO?CaS的复合夹杂物，同时含有少量大尺寸的CaO?Al2O3夹杂物。在钢的轧制过程中，夹杂物中CaO含量进一步降低，CaS含量增加，夹杂物平均尺寸增加，形成了CaO?Al2O3与CaS黏结型的复合夹杂物与Al2O3?CaS复合夹杂物。对CaO-Al2O3与CaS黏结型的复合夹杂物的形成原因进行了讨论

利用原子探针层析技术研究了核反应堆压力容器（RPV）模拟钢调质处理后在370和400 ℃长期时效以及淬火后在400 ℃长期时效后Mn在α-Fe基体与渗碳体间重分布的特征。研究结果表明，在所有热处理条件下，Mn均会从α-Fe基体向渗碳体内扩散，引起渗碳体内Mn浓度升高。其中淬火后直接在400 ℃时效条件下试样中渗碳体内的Mn浓度最高。即使在400 ℃经过35000 h长时间时效，Mn在渗碳体内的浓度仍未达到平衡，需要进一步延长时效时间，这与Mn在400 ℃在α-Fe基体中扩散速率极其缓慢有关。此外，Mn在渗碳体内的分布也不均匀，在靠近α-Fe基体/渗碳体界面附近的渗碳体一侧存在Mn的原子偏聚区，偏聚区Mn浓度随时效温度升高而增加。长时间时效后，Mn在两相间重分布特征与Mn在渗碳体内扩散速率低于Mn在α-Fe基体中扩散速率有关

第3章总线、中断与1/0系统 3.1输入输出系统概述 3.2总线设计 3.3中断系统 3.4通道处理机 3.5外围处理机

采用激光熔覆与微弧氧化技术相结合在海洋钢表面制备了复合膜层.运用扫描电子显微镜（SEM）、能谱仪（EDS）和X射线衍射仪（XRD）表征复合膜层的微观结构，采用极化曲线、电化学阻抗谱、腐蚀磨损实验和浸泡腐蚀实验等测试方法研究膜层在质量分数3.5%的NaCl水溶液中腐蚀行为，并与熔覆涂层和基体进行对比.结果表明：复合膜层主要分为内致密层和外疏松层，疏松层主要由γ-Al2O3组成，致密层主要由α-Al2O3组成，与基底层结合较好，复合膜层表面硬度最大能达到HV0.2 1423.3，比熔覆涂层高47.6%，其硬度较S355海洋钢有显著提升.基体在腐蚀和磨损交互作用中主要以腐蚀加速磨损为主，涂层在交互作用中主要以磨损加速腐蚀为主，在经过微弧氧化处理后，膜层的自腐蚀电位负移，钝态电流密度上升，抗磨蚀性能明显提高.熔覆涂层的浸泡腐蚀方式以点蚀为主，复合膜层腐蚀较轻微，阻抗模值最大能达到105.3 Ω·cm2，比熔覆层提高两个数量级，这表明复合处理可进一步提高涂层的耐腐蚀性

采用慢应变速率拉伸应力腐蚀、室温拉伸、透射电镜等检测方法，研究传统T5、T73时效处理，以及新型T5I4、T5I6断续时效处理对Al–Zn‒Mg合金微观组织、室温拉伸性能及抗应力腐蚀性能的影响

第六章钢结构的除锈及防腐处理 一、除锈及除锈等级 各种底漆或防锈要求最低的除锈等级

利用扫描电子显微镜(SEM)、透射电子显微镜(TEM)、电子探针(EPMA)、X射线衍射仪(XRD)、室温拉伸等手段, 通过两相区保温-淬火(IQ)、两相区形变后保温-淬火(DIQ)、两相区保温-淬火-配分-贝氏体区等温(IQ&PB)及两相区形变后保温-淬火-配分-贝氏体区等温(DIQ&PB)热处理工艺, 研究高温形变对室温组织、性能、残余奥氏体稳定性的综合影响作用.结果表明, 经15%的压缩形变后铁素体中位错密度由0.290×1014增加至1.286×1014 m-2, 马氏体(原奥氏体)中C、Cu元素富集浓度提高, 高温形变产生位错增殖对元素配分有明显促进作用.DIQ&PB工艺下, 形变后贝氏体板条尺寸变短且宽度增加0.1 μm左右, 贝氏体转变量较未变形时增加14%, 多边形铁素体尺寸明显减小.力学性能方面, 两相区形变热处理后抗拉强度增加132.85 MPa, 断后伸长率增加7%, 强塑积可达25435 MPa·%.形变后残余奥氏体体积分数由7.8%提高到8.99%, 残余奥氏体中碳质量分数由1.05%提高到1.31%

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

4.1快速傅里叶变换(FFT)分析(Fast Fourier Transform (FFT)analysis 信号处理采取以下步骤: