Double-glow low-temperature plasma carburization (LTPC) was utilized to prepare a carburized layer (PC) on a 316L austenitic stainless steel (ASS) surface, and the fretting wear behavior was evaluated at various temperatures and frequencies. The friction coefficient curves could be divided into running-in, wear, and stable stages. With increasing temperature, the wear mechanism of 316L ASS changed from adhesive and abrasive wear to adhesive wear, accompanied by plastic deformation, fatigue peeling, and oxidative wear. The carburized layer had an adhesive wear, plastic deformation, fatigue peeling, and oxidative wear mechanism. As the frequency increased, 316L ASS showed an adhesive wear, fatigue peeling, and oxidative wear mechanism. With increasing frequency, the wear mechanism of PC changed from abrasive and adhesive wear to abrasive wear, adhesive wear, and fatigue peeling, accompanied by oxidative wear. The carburized layer generally showed lower frictional energy dissipation coefficients and wear rates than 316L ASS. This work demonstrated that plasma carburization could improve the fretting wear stability and resistance of 316L ASS. The rise in frictional temperature, the tribo-chemical reaction time, and the evolution of debris collectively influenced the wear mechanisms and wear morphologies of 316L ASS before and after plasma carburization. This could provide theoretical support for the fretting damage behaviors of ball valves under severe service conditions.

Facial landmark has become one of the most widely-used and intuitive feature of the face. Traditional methods for Facial Landmark Detection (FLD) are primarily based on cameras, which are limited by their sensitivity to light conditions, inability to penetrate obstructions, and potential privacy leaks. In this paper, we propose mmFLD to estimate the facial landmark positions using millimeter-wave (mmWave) radar with mm-level accuracy. By simultaneously applying the range estimation capability and angle estimation capability of mmWave radar, we are able to spatially sample face reflection signals with high resolution. In particular, we propose a velocity-based method for head detection and tracking, and then we build two generalized models to extract effective facial motion features from different facial regions. Moreover, we design an end-to-end neural network to extract the face structure and the motion coherence implicit in mmWave data. Experiment results show that mmFLD can estimate the facial landmark positions with high accuracy, e.g., the average Mean Absolute Error (MAE) is 2.81 mm with eight kinds of different facial expressions, and extended experiment also demonstrates the generalizability and robustness of mmFLD for different experiment conditions.