龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：东莞理工学院;南昌航空大学
申请日：2024-04-12
公开（公告）日：2024-06-25
公开（公告）号：CN118036414B
主分类号：G06F30/23
分类号：G06F30/23;G06F30/27;G06F18/24;G06N3/0464;G06N3/048;G06N3/08;G01B17/02
优先权：
专利状态码：有效-授权
法律状态：2024.06.25#授权;2024.05.31#实质审查的生效;2024.05.14#公开
摘要：本发明公开了一种基于超声导波机器学习的涂层厚度表征方法，旨在利用机器学习和深度学习技术对非均匀涂层系统的厚度和均匀性进行非破坏性评估，该方法通过在锆合金和铬涂层组成的复合结构模型上模拟导波传播，并通过二维傅里叶变换分析采集到的时域信号，使用非最大值抑制技术在频率‑波数域内提取关键波动特征，将得到的特征输入到机器学习分类器中，实现对涂层厚度的有效分类，对于非均匀涂层厚度情况，开发了一个卷积神经网络（CNN）模型，通过调整网络参数来获取输入数据中的微小变化，从而有效地实现涂层厚度的反演。
主权项：1.一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：包括以下步骤：步骤1，建立一个由两种材料构成的复合结构有限元仿真模型，底层为长度L，厚度D1的锆合金板，上层为D2厚度的铬涂层，在复合结构上表面设置N个信号接收点，在涂层的左上角施加调制正弦波激励，以模拟导波在结构中的传播，获得时域信号，其中激励频率设定为f，表达式如下： ，其中ut代表随时间变化的位移，A是信号的最大振幅，f是信号频率，t是时间变量，T是周期，并在复合结构的左侧边界设置固定边界条件，网格单元尺寸应小于最高频率下对应波长的110；步骤2，将步骤1中得到的时域信号进行二维傅里叶变换处理，得到每个频率和波数下的信号强度，即为频散图；步骤3，应用非极大值抑制技术从步骤2中的频散图提取关键波动特征，保留局部最大值点以建立波模式的数学模型并进行线性拟合；步骤4，将步骤3中提取到的特征输入到机器学习分类器中，并对分类器进行训练，应用机器学习分类器部分，判断其是否达到预设的涂层厚度标准；步骤5，对于非均匀涂层厚度情况，应用深度学习方法，使用卷积神经网络CNN，对数据集进行分类表征。
全文数据：
权利要求：
百度查询： 东莞理工学院;南昌航空大学 一种基于超声导波机器学习的涂层厚度表征方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号