技能形成、技能形成体制及其经济社会学的研究展望

逆全球化回潮意味着全球生产价值链条秩序的重新洗牌,对于中国制造而言,依赖比较优势的传统发展模式面临着前所未有的挑战,其突出表现就是基于低技能、低成本的经济发展方式与社会平等之间的矛盾日益尖锐。在发达资本主义国家从劳动密集型迈向技术密集型发展方式的转型过程中,国家技能形成体制起到了最为核心的作用,成为其重要的比较制度优势。国家技能形成体制分为国家主义、市场主义、集体主义、以及分隔主义四种制度模式。这四种制度模式具有不同的制度特性,同时也会导致不同的经济社会后果。中国的国家技能形成体制呈现出明显的碎片化,其间的制度冲突已成为阻碍中国技能生产、劳工保护乃至国家制造业创新能力提升的深层制度根源。从人力资本形成走向技能形成、分析技术流动的社会断裂现象成为经济社会学相关领域研究的一个新增长点。     

柔性高储能TPU/P(VDF-HFP)全有机复合薄膜的制备及性能表征

拥有超快放电速率以及超高功率密度的聚合物薄膜电容器, 在脉冲功率技术、先进电力与电子系统等诸多领域中发挥着关键的作用. 本工作采用溶液刮涂的方法, 制备了柔性全有机热塑性聚氨酯/聚偏氟乙烯-六氟丙烯(TPU/P(VDF-HFP))复合薄膜, 并结合多种表征手段系统地研究了复合薄膜的微观特性、介电特性、绝缘特性、储能特性以及力学性能. 系统观察和测试结果表明: 适量热塑性聚氨酯添加到P(VDF-HFP)中, 能够形成分散性和相容性均十分优异的两相交联结构, 从而进一步提高复合材料的电学、储能、力学等性能. 在P(VDF-HFP)中添加2% (φ) TPU时, 复合薄膜的特征击穿强度为450 MV/m, 对应的放电能量密度为7.03 J/cm³, 分别提高了25.35%和49%. 此外, 复合材料的机械性能也随着TPU的添加得到一定程度的提高, TPU-2% (φ)/P(VDF-HFP)复合薄膜的杨氏模量、抗拉强度以及断裂伸长率分别达到591.22 MPa, 25.6 MPa, 362%. 通过以上表征分析, 发现在聚合物中添加弹性体橡胶能够形成具有高击穿强度、高能量密度以及高充放电效率等优点的柔性电介质材料, 有望在大规模的工业生产中获得较好的应用.     

基于多光谱特征融合技术的面粉掺杂定量分析方法

提出了一种基于拉曼光谱技术(Raman)和激光诱导击穿光谱技术(LIBS)的多光谱特征融合技术(MFFT),利用拉曼光谱中分子组分信息和激光诱导击穿光谱中原子组分信息之间的互补特性,采用自适应小波变换(AWT)-竞争性自适应加权(CARS)-偏最小二乘回归(PLS)建模技术,获取了面粉体系更为全面的特征信息。在多光谱特征融合技术中,首先采用AWT-CARS方法分别提取拉曼光谱和激光诱导击穿光谱中的特征变量,然后将两者的特征变量融合为一个向量,采用PLS方法构建MFFT模型,实现了面粉掺杂物的定量分析。通过对二氧化钛、硫酸铝钾等面粉掺杂体系建模分析,考察MFFT模型的有效性。结果表明,与单一拉曼光谱技术或激光诱导击穿光谱技术建立的预测模型相比,MFFT模型显著提升了模型的预测性能,二氧化钛和硫酸铝钾预测模型的线性相关系数分别从相对较差的Raman模型的0.884、0.877提升到0.981、0.980,其预测均方根误差分别从相对较差的Raman模型的0.151、0.154降低到0.069、0.068。表明多光谱特征融合技术可以准确提取Raman光谱中的分子信息和LIBS光谱中的元素信息,使其互为补充、互为校正,进而有效克服面粉基质对掺杂组分定量分析的干扰,显著提高模型的预测精度。     

水体COD激光诱导击穿光谱快速测量方法研究

水体化学需氧量（COD）是一个重要的水体质量指标,一般用来衡量有机物的污染程度。对COD的检测长期依赖采样后的实验室化学分析方法,目前应用最普遍的是重铬酸钾氧化法与酸性高锰酸钾氧化法。化学分析的方法操作复杂,耗时费力,且引入新的化学药剂,造成二次污染,因此,急需一种能够实现水体COD快速测量的检测技术。在前期研究基础上,对水体COD的激光诱导击穿光谱检测方法进行深入探索,重点是优化模型预测速度,目的是研究激光诱导击穿光谱技术用于对水体COD的快速测量方法。采集了不同COD浓度的99个水体样本,分为训练集和测试集两组,通过重铬酸钾氧化法测定各水样的COD值,作为真实值,利用实验室自建的激光诱导击穿光谱采集系统采集各水样波长在200～1 000 nm的光谱信息,利用偏最小二乘算法建立训练集水样COD的定量化测量模型,然后对测试集光谱数据进行预测,将预测结果与实验室化学方法测定的真实值进行对比,评估预测效果。通过对原始光谱建立的预测模型进行分析,发现在建模过程中,大量的激光诱导击穿光谱数据与COD浓度相关性很差,而这些无用数据参与计算,浪费了计算资源,延长了检测时间,造成系统负载过大,不利于便携式检测设备的开发。重点研究贡献度最大的前几个主成分,通过对COD测量原理和PLS模型载荷分析,找到LIBS光谱中与水样COD浓度相关性最高的主要特征峰,经过分析发现,主要为来源于水中有机物中的C,H,O,N以及水中一些还原性离子元素的特征峰,这些特征峰对COD的模型预测能力贡献最大,而COD的定义正是衡量水体中这些元素的多少,这与该研究分析结论相吻合。为了实现检测速度的提升,提取这些特征峰,对光谱数据进行降维,剔除大量无关或相关性较低的数据,经过多次筛选和降维,最终将原来参与计算的每条光谱的13 622个数据降到28个,大大降低系统的运算量,却依然能够保留不错的预测能力。筛选出的28个特征波长最能反映水体COD浓度,为水体COD便携式的多波段检测设备的研发,实现对COD的快速测量奠定了基础。     

基于激光诱导击穿光谱技术检测分析原铝中硅、铁元素含量

利用自行搭建的LIBS装置对原铝中硅铁含量进行了分析测试,测试前对原铝试样进行了微观形貌分析,研究发现原铝中硅元素除有个别区域聚团现象外,其分布相对较为均匀;铁元素多以团状汇聚形态出现,且无明显的分布规律。实验分别考察了激光脉冲能量对激光诱导原铝等离子体光谱的影响,发现随着激光脉冲能量的增大,硅、铁元素信噪比先增加后减小,硅、铁谱线信噪比最大值均出现在160 mJ处,实验选取的激光脉冲能量为160 mJ。在上述较为合理的实验条件下,以内标法为基础,分别采用两种标样（纯铝标样与自选标样）建立了定标模型;结果表明：相比于纯铝标准试样,采用自选试样建立的定标模型不够理想,且数据的离散程度较大,铁元素直线拟合优度仅为0.921 3,相对标准偏差也较大。采用纯铝标样时,在试样不旋转的情况下,硅、铁元素定标曲线拟合优度分别为0.961 1与0.974 1,相对标准偏差分别为8.85%与9.43%,且误差棒显示误差随定标试样的硅、铁含量升高而增大。当试样台保持转速50 r·min-1条件下进行实验,发现硅、铁元素定标曲线的拟合优度分别为0.978 5与0.988,相对标准偏差分别为3.78%与3.4%,相比于试样平台固定情况下的定标结果,拟合优度明显改善,相对标准偏差也有所降低,定标模型明显优于自选试样建立的模型。使用两种定标模型对25个测试样进行了分析测试,比较了两种测试结果的相对误差,纯铝定标试样由于含量梯度较大,跨度较宽,采用该标样建立的定标模型对低铁原铝试样测试适应性相对较差,而自选试样建立的定标模型虽然不够理想,但针对低铁原铝试样的测试适应性相对较好。对激光诱导原铝产生的等离子体进行了诊断,通过镁元素几条离子谱线的玻耳兹曼图,计算出了等离子体温度约为9 163.63 K,利用镁元素一条谱线的Stark展宽估算出等离子体电子密度为1.69×1017 cm-3,验证了激光诱导原铝等离子体处于局部热力学平衡状态的假设是成立的。     

样品温度对纳秒激光诱导Cu等离子体特征参数的影响

为了研究样品温度对激光诱导击穿Cu等离子体特征参数的影响,以黄铜为研究对象,在优化的实验条件下采用波长为532 nm的Nd∶YAG纳秒脉冲激光诱导激发不同温度下的块状黄铜,测量了Cu等离子体的特征谱线强度和信噪比;同时在局部热平衡条件下利用Boltzmann斜线法和Stark展宽法分析计算了不同的样品温度条件下等离子体电子温度和电子密度。实验结果表明,在激光功率为60 mW时,随着样品温度的升高,Cu的特征谱线强度和信噪比逐渐增加,样品温度为130 ℃时达到最大值,然后趋于饱和。计算表明,黄铜样品中Cu元素Cu Ⅰ 329.05 nm,Cu Ⅰ 427.51 nm,Cu Ⅰ 458.71 nm,Cu Ⅰ 510.55 nm,Cu Ⅰ 515.32 nm,Cu Ⅰ 521.82 nm, Cu Ⅰ 529.25 nm,Cu Ⅰ 578.21 nm八条谱线在130℃的相对强度相较于室温（18 ℃）下分别提高了11.55倍、4.53倍、4.72倍,3.31倍、4.47倍、4.60倍、4.25倍、4.55倍,光谱信噪比分别增大了1.35倍,2.29倍、1.76倍、2.50倍、2.45倍、2.28倍、2.50倍,2.53倍。分析认为,升高样品温度会增大样品的烧蚀质量,相对于温度较低状态增加了等离子体中样品粒子浓度,进而提高等离子体发射光谱强度。所以,适当升高样品温度能够提高谱线强度和信噪比,从而增强LIBS技术检测分析光谱微弱信号的测量精度,改善痕量元素的检测灵敏度。同时研究了改变样品温度时等离子体电子温度和电子密度的变化趋势。计算表明,当样品温度从室温上升到130 ℃的过程中,等离子体的电子温度由4 723 K上升到7 121 K时基本不再变化。这种变化规律与发射谱线强度和信噪比变化趋势一致。分析认为,这主要是由于在升高样品温度的初始阶段,激光烧蚀量增大,等离子体内能增大,从而导致等离子体电子温度升高。当激光烧蚀样品的量达到一定值后不再变化,激光能量被激发溅射出来的样品蒸发物以及尘粒的吸收、散射和反射,导致激光能量密度降低,电子温度趋于饱和,达到某种动态平衡。选用一条Cu原子谱线（324.75 nm）的Stark展宽系数计算激光等离子体的电子密度,同时研究改变样品温度时等离子电子密度的变化趋势,计算表明在样品温度为130 ℃时,Cu Ⅰ 324.75 nm对应的等离子电子密度相较于室温（18 ℃）条件下增大了1.74×1017 cm-3。该变化趋势与电子温度的变化趋势一致。适当升高样品温度使得电子密度增大,从而提高电子和原子的碰撞几率,激发更多的原子,这是增强光谱谱线强度的原因之一。由此可见,升高样品温度是一种便捷的提高LIBS检测灵敏度的有效手段。     

基于K-CV参数优化支持向量机的LIBS燃煤热值定量分析

热值是煤质特性的重要参数之一,很大程度上影响着燃煤锅炉的运行。为了克服传统检测方法所存在的问题,将激光诱导击穿光谱(LIBS)应用于燃煤热值的定量分析。煤的结构复杂,所含的元素种类众多,包括了主量元素、次量元素和痕量元素,致使煤的LIBS光谱信息复杂。如何有效提取LIBS光谱信息,实现准确的定量化测量是LIBS在煤特性检测中发挥作用的前提和基础。近年来,随着人工智能技术的发展,相关的分析技术也开始应用于煤的工业指标分析和热值预测中。为实现煤样品中LIBS光谱信息的有效提取,同时为克服常规的分析方法易出现的过渡拟合、收敛性不好等问题,提出采用结合K-fold Cross Validation(K-CV)参数优化的支持向量机(SVM)回归方法,实现LIBS定量分析煤中的热值。SVM方法是结构风险最小化的近似实现,可用于模式分类和非线性回归。为了得到有效的LIBS分析模型,实验选用44种电厂常用的热值含量不同的煤样作为实验对象,选择其中33个作为训练集,剩余11个为测试集。利用搭建的LIBS实验系统获取所选煤样品的等离子体发射光谱数据,首先分析了SVM热值回归模型的参数-惩罚因子C、核函数参数g与模型精度的关联,确定C和g最佳取值范围,然后分别建立了基于LIBS全谱和某些元素(非金属元素和金属元素)特征光谱的SVM回归模型。利用训练集光谱数据,结合K-CV法得到热值SVM回归模型的最优参数C和g的值,建立基于SVM最优参数的煤热值定量分析模型。然后将测试集的光谱数据作为输入量用于测试所建立模型的可靠性,得到分别采用全谱、非金属元素特征光谱、非金属与金属元素特征谱相结合的热值定量分析模型,其决定系数R2均达到0.99以上,均方误差分别为0.12,0.17和0.06 (MJ·kg-1)2,预测平均相对偏差分别为1.2%,1.23%和0.69%。结果表明：基于K-CV参数优化SVM回归方法可用于LIBS技术实现燃煤热值的定量分析,且可得到较高的分析精确度和准确度;同时通过对比选用不同的光谱特征的定量分析模型可知,采用非金属与金属元素的特征光谱所建立的基于K-CV参数优化SVM的热值定量模型,能够有效提高LIBS应用于快速检测煤热值的精度和准确度,实现煤热值的准确预测。     

瞬变等离子体微波诊断初步研究

采用微波诊断技术对气压300 Pa,S波段HPM条件下形成的低温、弱电离、非均匀和强碰撞大气等离子体特性参数开展了初步诊断研究。获取了9~15 GHz连续波穿过HPM等离子体区域的透射波形,并对波形进行了归一化处理;通过不同频率微波的透射特性,假设等离子体电子数密度分布呈Epstein分布,分析了可能的电子数密度最大值。该研究成果的获取为HPM大气等离子体在隐身、阻断信息链等方面的应用提供了重要的技术支撑。     

基于主成分载荷空间距离的LIBS特征谱线选择及矿物元素丰度识别方法研究

以ChemCam团队公布的64个飞行前定标样品的浓度和激光诱导击穿光谱数据为对象,通过使用主成分分析载荷空间距离法对特定元素分析,筛选出对该元素最敏感的激光诱导击穿光谱谱线,并以此为依据进行矿物元素种类和丰度识别,其识别精度高达92.8%.结果表明,主成分分析载荷空间距离可以作为定量分析前矿物特定元素信息和元素丰度的判断依据.该方法降低了岩石/矿物分类的难度,有利于实现未知的矿物快速、高效的鉴别分析,为火星表面岩石种类鉴别分析提供了一个有效的策略.     

基于LIBS技术对岩石识别的数据降噪方法

利用激光诱导击穿光谱技术进行原岩分类与识别存在可重复性差,数据残差值高等问题,导致其分类识别准确率较低.针对此问题,提出了一种基于格拉布斯准则法的异常值判别方法,该方法可以有效替换残差值较大的数据,从而降低分类识别算法过拟合的概率.使用线性判别分析法、随机森林分类法、支持向量机三种分类识别算法对岩石的LIBS光谱进行识别.在数据降噪前,三种方法的识别准确率为：线性判别分析法79.6%、随机森林分类法75.2%、支持向量机94.5%,而数据降噪后的识别准确率为：线性判别分析法92%、随机森林分类法97%、支持向量机99.4%.