CN115507759A - 基于自适应迁移学习的陶瓷层厚度太赫兹测量方法 - Google Patents
基于自适应迁移学习的陶瓷层厚度太赫兹测量方法 Download PDFInfo
- Publication number
- CN115507759A CN115507759A CN202210866761.XA CN202210866761A CN115507759A CN 115507759 A CN115507759 A CN 115507759A CN 202210866761 A CN202210866761 A CN 202210866761A CN 115507759 A CN115507759 A CN 115507759A
- Authority
- CN
- China
- Prior art keywords
- terahertz
- layer
- ceramic layer
- neural network
- thickness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000919 ceramic Substances 0.000 title claims abstract description 76
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 22
- 238000000691 measurement method Methods 0.000 title claims abstract description 15
- 230000005012 migration Effects 0.000 title claims description 11
- 238000013508 migration Methods 0.000 title claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 239000012720 thermal barrier coating Substances 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013526 transfer learning Methods 0.000 claims abstract description 19
- 239000006185 dispersion Substances 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 9
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 229910052709 silver Inorganic materials 0.000 claims abstract description 4
- 239000004332 silver Substances 0.000 claims abstract description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000008033 biological extinction Effects 0.000 claims description 3
- 229910010293 ceramic material Inorganic materials 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 31
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 10
- 239000011248 coating agent Substances 0.000 description 5
- 238000000576 coating method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007750 plasma spraying Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明适用于太赫兹测量技术领域,提供了一种基于自适应迁移学习的陶瓷层厚度太赫兹测量方法,包括以下步骤:构建考虑材料色散热障涂层太赫兹信号的解析模型,应用太赫兹时域光谱系统测量银反射镜的反射信号,将所述反射信号作为参考信号输入至解析模型,建立源域数据集;应用太赫兹时域光谱系统测量对应位置的太赫兹实验信号,开展金相实验提取样品准确厚度值,构建目标域数据集;建立源域卷积神经网络与目标域卷积神经网络,形成迁移学习框架,实现热障涂层陶瓷层厚度测量。本发明通过探究太赫兹波在热障涂层中传播机理,构建太赫兹信号解析模型生成源域数据集,代替部分实验信号完成卷积神经网络训练,避免制作大量层样品,降低训练成本。
Description
技术领域
本发明涉及太赫兹测量技术领域,具体是涉及一种基于自适应迁移学习的陶瓷层厚度 太赫兹测量方法。
背景技术
热障涂层作为一种航空发动机重要隔热材料能够提高涡轮叶片抗高温与耐腐蚀性能, 常用热障涂层结构包括顶层陶瓷层,次层粘结层以及底层金属基体。陶瓷层通常采用大气 等离子喷涂技术制备,将陶瓷粉末送入高温等离子体火焰中,以一定动能冲击基体表面, 形成由无数变形粒子相互交错、呈波浪形堆叠的层状组织结构,使制备出陶瓷层存在一定 厚度分布不均匀情况。陶瓷层制备过薄会降低其隔热性能,若喷涂过厚时,陶瓷层与基体 热膨胀系数的巨大差异导致涂层界面应力显著增加,再叠加叶片高速旋转产生的超大离心 力,导致陶瓷层与基底粘接强度减弱,致使涂层极易脱落。鉴于此,开展陶瓷层厚度进行 定期检测是保证涡轮叶片服役性能重要一环。
目前常用的陶瓷层厚度检测手段主要为金相法、电化学阻抗谱、涡流、超声、红外热 成像以及射线法。金相法厚度测量结果准确且直观,但属于有损检测,需要对陶瓷层进行 切割,导致热障涂层破坏。受粘结层导电性较低影响,降低了涡流检测方法测量精度。超声法需要使用耦合剂,可能会腐蚀陶瓷层。红外热成像法对热辐射系数不高材料进行检测时,需要涂覆石墨涂层。X射线电离能量高于人体阈值,可能对检测人员健康造成危害。
太赫兹是一种频率范围为0.1THz-10THz(1THz=1012Hz)电磁波,处于微波与远红外频段之间,其电离能量为meV量级,远小于人体电离阈值,对人体无害。同时,太赫兹 能够在空气中传播,实现非接触检测。上述优势使太赫兹无损检测技术在陶瓷层厚度检测 方面应用逐渐广泛,主要测量方法为基于飞行时间、模型迭代以及机器学习。基于飞行时 间太赫兹测厚方法,需要制备标准试件标定折射率,通过定位反射峰提取飞行时间计算陶 瓷层厚度。由于陶瓷层内部随机分布大量孔隙,折射率随空间位置变化,与标定结果存在 差异,使测量精度降低。基于模型迭代测厚方法需要建立太赫兹信号解析模型,并采用优 化算法迭代求解数学模型获取陶瓷层厚度,精度较高,但计算复杂度大,测量效率低。基 于机器学习测厚方法需要对太赫兹信号进行特征提取,将所得特征输入至机器学习算法中 预测陶瓷层厚度。但该方法需要大量数据样本训练权重与偏置,建立输入特征与厚度间数 学映射。由于热障涂层采用大气等离子喷涂工艺制备,该过程较复杂,加之完整训练集构 建需要对样品进行太赫兹无损检测获取实验信号,并利用金相法等破坏性检测手段获取准 确厚度值,使训练成本激增。
发明内容
本发明为克服基于传统机器学习热障涂层厚度测量方法需要大量实验数据的不足,依 据迁移学习思想提出采用太赫兹解析模型生成仿真信号代替部分实验信号进行网络训练。 为提高迁移效果,创新设计自适应权重层,构建一种基于自适应迁移学习的陶瓷层厚度太 赫兹测量方法,具有训练成低且精度较高特点,能够以定量方式评估陶瓷层厚度,对准确 评估叶片涂层制造质量具有重要的理论意义和工程应用价值。
本发明是这样实现的,一种基于自适应迁移学习的陶瓷层厚度太赫兹测量方法,所述 方法包括以下步骤:
构建考虑材料色散热障涂层太赫兹信号的解析模型,应用太赫兹时域光谱系统测量银 反射镜的反射信号,将所述反射信号作为参考信号输入至解析模型,依照实际陶瓷层厚度 范围,应用解析模型模拟太赫兹波在不同陶瓷层厚度的热障涂层传播规律,获得大量不同 仿真厚度的太赫兹信号,并建立源域数据集;
制备热障涂层样品,确定待测位置,应用太赫兹时域光谱系统测量对应位置的太赫兹 实验信号,然后开展金相实验提取样品准确厚度值,构建目标域数据集;
建立源域卷积神经网络与目标域卷积神经网络,形成迁移学习框架,以实现热障涂层 陶瓷层厚度测量。
作为本发明进一步的方案:所述构建考虑材料色散热障涂层太赫兹信号的解析模型的 步骤,具体包括:
根据陶瓷材料色散引起太赫兹信号反射峰展宽的现象,推出线性近似模型表征所述现 象,ε2=k1ω+ε1,其中k1为斜率,ε1为致密陶瓷层介电常数初值,ε2为多孔陶瓷层介电常 数初值,ω是角速度;
利用参考信号、反射系数以及透射系数之间的关系生成太赫兹仿真信号:其中E0(ω)为频域参考信号,ER(ω)为太赫兹频域仿真信号,En(ω)为第n反射峰频域表示,为相位因子,c为光速,ω是 角速度,d1为陶瓷层厚度,以及分别为空气、陶瓷层以及粘 结层复折射率,κ为消光系数,n为折射率实部,t为透射系数,r为反射系数。
作为本发明进一步的方案:所述建立源域卷积神经网络与目标域卷积神经网络,形成 迁移学习框架的步骤,具体包括:
根据菲涅尔公式,确定前三反射峰与折射率间数学映射关系;
构建源域卷积神经网络与目标域卷积神经网络,源域卷积神经网络与目标域卷积神经 网络均包含相同自适应权重层、卷积层、池化层与全连接层,形成完整迁移学习框架;
利用源域数据集对源域卷积神经网络进行训练,待训练完毕后迁移卷积层、池化层以 及激活层参数至目标域卷积神经网络中;
利用目标域数据集对目标域卷积神经网络的自适应权重层与全连接层参数进行训练, 建立实验信号与厚度之间的数学映射,测量陶瓷层实际厚度。
作为本发明进一步的方案:确定前三反射峰与折射率间数学映射关系的步骤中,包括 构建自适应权重层赋予峰值不同系数,减小因反射峰变形引起测量误差,其中,Y表示自适应权重层输出,xi为输入太赫兹时 域信号第i元素,peakj为第j个峰位置坐标,j=1,2,3。
作为本发明进一步的方案:卷积层表示为:Zi,j l=conv(Y,w)+b,其中,Zi,j l表示第l卷积层输出,i和j为输出数据维度,b为偏置,w为权重,conv表示卷积运算;激活层表 示为:Sl=σ(Zi,j l),其中,Sl为第l激活层输出,σ为激活函数;池化层表示为:其中,为第l池化层输出,m1和m2为元素坐标,k为池 化核尺寸。
本发明中针对太赫兹波在热障涂层中传播规律,以自适应迁移学习方法实现无需破坏 大量样品的陶瓷层厚度测量。在本方法中,主要通过构建自适应权重减小反射峰变形引起 测量误差,以解析模型生成仿真信号作为源域数据集,进而代替部分实验信号训练卷积神 经网络。同时考虑到仿真与实验信号间差异,通过制备热障涂层样品,开展太赫兹无损检 测实验与金相实验,获取携带厚度标记实验信号作为目标域数据集仅训练目标卷积神经网 络的自适应权重层与全连接层,其余层参数均由源域神经网络中迁移,从而可完成对实际 样品陶瓷层厚度测量。
与现有的检测方法相比,本发明具有以下优点:
1、通过探究太赫兹波在热障涂层中传播机理,构建太赫兹信号解析模型生成源域数 据集,代替部分实验信号完成卷积神经网络训练,可避免制作大量层样品,降低训练成本;
2、由于热障涂层微观结构不均匀,折射率存在差异,本发明可通过解析模型生成携 带不同折射率信息源域数据集训练网络参数,减少微观结构变换对厚度测量精度影响,相 比于制备标准样品标定折射率的飞行时间方法测量精度更高;
3、构建自适应权重层可根据预测误差智能地赋予峰值不同权重减少反射峰变形引起 折射率提取误差,提高厚度测量精度与迁移效果。
因此本发明为热障涂层制备过程中陶瓷层厚度测量提供了一种高效智能检测新方法, 基于迁移学习思想,通过解析模型生成源域数据集代替部分实验信号进行卷积神经网络参 数训练,即可实现对实际热障涂层陶瓷层进行厚度测量,避免大量制备与破坏样品,且无 需采用优化算法进行耗时迭代求解。同时本发明是基于含有自适应权重层的卷积神经网络 框架构建,具有较强学习能力与泛化性,能够减少反射峰变形对厚度测量影响,可将其推 广至其他非极性材料的测厚问题。
附图说明
图1为太赫兹参考信号波形图。
图2为携带厚度200μm,折射率5-0.05i的信息太赫兹信号波形图。
图3为携带厚度300μm,折射率4-0.05i的信息太赫兹信号波形图。
图4为自适应迁移学习框架图。
图5为测量精度评估图。
图6为热障涂层陶瓷层样品厚度分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图及具体实施例,对本 发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并 不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1至图3所示,本发明实施例提供了一种基于自适应迁移学习的陶瓷层厚度太赫 兹测量方法,所述方法包括以下步骤:
S100,构建考虑材料色散热障涂层太赫兹信号的解析模型,使用太赫兹时域光谱系统 (例如:TeraMetrix T-Ray 5000)获取太赫兹波垂直照射在全银反射镜上的反射信号,以 此作为参考信号,将所述参考信号输入至解析模型,依照实际陶瓷层厚度范围,应用解析 模型模拟太赫兹波在不同陶瓷层厚度的热障涂层传播规律,获得大量不同仿真厚度的太赫 兹信号,并建立源域数据集;具体的,通过改变厚度与折射率参数,获取携带不同厚度、 折射率太赫兹仿真信号(例如10000条不同折射率、厚度信号)作为源域数据集,其中两条太赫兹仿真信号分别携带厚度信息为300μm和200μm,折射率为4-0.05i和5-0.05i;
S200,制备热障涂层样品,确定待测位置,应用太赫兹时域光谱系统测量对应位置的 太赫兹实验信号,然后开展金相实验提取样品准确厚度值,构建目标域数据集;
S300,建立源域卷积神经网络与目标域卷积神经网络,形成迁移学习框架,以实现热 障涂层陶瓷层厚度测量。
本发明实施例中,所述构建考虑材料色散热障涂层太赫兹信号的解析模型的步骤,具 体包括:
根据陶瓷材料色散引起太赫兹信号反射峰展宽的现象,推出线性近似模型表征所述现 象,ε2=k1ω+ε1,其中k1为斜率,ε1为致密陶瓷层介电常数初值,ε2为多孔陶瓷层介电常 数初值,ω是角速度;
利用参考信号、反射系数以及透射系数之间的关系生成太赫兹仿真信号:其中E0(ω)为频域参考信号,ER(ω)为太赫兹频域仿真信号,En(ω)为第n反射峰频域表示,为相位因子,c为光速,ω是 角速度,d1为陶瓷层厚度,以及分别为空气、陶瓷层以及粘 结层复折射率,κ为消光系数,n为折射率实部,t为透射系数,r为反射系数。
如图4所示,本发明实施例中,所述建立源域卷积神经网络与目标域卷积神经网络, 形成迁移学习框架的步骤,具体包括:
根据菲涅尔公式,确定前三反射峰与折射率间数学映射关系,在前三反射峰未变形情 况下,公式可用于测量折射率,然而,受法布里-帕罗效应 影响将引起反射峰混叠,需要解混叠后获取前三反射峰,但该过程会引起脉宽压缩畸变, 使幅值变化。为此,依据前三反射峰与折射率数学映射时,需要构建自适应权重层赋予峰 值不同系数,减小因反射峰变形引起测量误差,其中, Y表示自适应权重层输出,xi为输入太赫兹时域信号第i元素,peakj为第j个峰位置坐标, j=1,2,3。
构建源域卷积神经网络与目标域卷积神经网络,源域卷积神经网络与目标域卷积神经 网络均包含相同自适应权重层、卷积层、池化层与全连接层,形成完整迁移学习框架,其 中,卷积层可表示为:Zi,j l=conv(Y,w)+b,其中,Zi,j l表示第l卷积层输出,i和j为输 出数据维度,b为偏置,w为权重,conv表示卷积运算;激活层可表示为:Sl=σ(Zi,j l), 其中,Sl为第l激活层输出,σ为激活函数;池化层可表示为:其中,为第l池化层输出,m1和m2为元素坐标,k为池化核尺寸;具体的,源域卷 积神经网络与目标域卷积神经网络各自均包含1个自适应权重层、5个卷积层、5个激活 层、2个池化层与3个全连接层,输入信号尺寸为4096×1,选取学习率为0.01,批大小128, 最大迭代步数为500,各层具体参数如下表所示:
自适应权重层卷积神经网络参数设置表
利用源域数据集对源域卷积神经网络进行训练,待训练完毕后迁移卷积层、池化层以 及激活层参数至目标域卷积神经网络中。
利用目标域数据集对目标域卷积神经网络的自适应权重层与全连接层参数进行训练, 建立实验信号与厚度之间的数学映射,测量陶瓷层实际厚度。
如图5和图6所示,本发明实施例中,选取6条已知厚度太赫兹实验信号输入至训练完毕迁移学习网络中,评估方法精度,平均绝对误差为1.78μm。通过太赫兹时域光谱系 统(例如:TeraMetrix T-Ray 5000)对新制备热障涂层进行逐点扫描,得到试件所有位置 的太赫兹实验信号输入至训练完毕目标域卷积神经网络中,可直接求解出各检测位置厚度值。
本发明构建了自适应迁移学习框架,采用太赫兹信号解析模型生成源域数据集训练源 域卷积神经网络,并迁移其卷积层、激活层以及池化层参数,实现仅需少量目标域数据集 可实现目标域卷积神经网络自适应权重层与全连层参数训练,完成对实际陶瓷层厚度测 量。本发明提出的方法避免制备大量标准试件,目标域卷积神经网络训练完毕后,无需通 过迭代运算便可实现陶瓷层厚度测量,能够减小反射峰变形对测量精度影响,形成一种准 确与高效的智能测厚方法。本发明能够实现以无损方式快速测量各位置陶瓷层厚度,可减 少陶瓷层微观结构不均匀对测厚精度,对准确评估叶片涂层制造质量具有重要的理论意义 和工程应用价值。
以上仅对本发明的较佳实施例进行了详细叙述,并不用以限制本发明,凡在本发明的 精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方 案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应 性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用 技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (5)
1.一种基于自适应迁移学习的陶瓷层厚度太赫兹测量方法,其特征在于,所述方法包括以下步骤:
构建考虑材料色散热障涂层太赫兹信号的解析模型,应用太赫兹时域光谱系统测量银反射镜的反射信号,将所述反射信号作为参考信号输入至解析模型,依照实际陶瓷层厚度范围,应用解析模型模拟太赫兹波在不同陶瓷层厚度的热障涂层传播规律,获得大量不同仿真厚度的太赫兹信号,并建立源域数据集;
制备热障涂层样品,确定待测位置,应用太赫兹时域光谱系统测量对应位置的太赫兹实验信号,然后开展金相实验提取样品准确厚度值,构建目标域数据集;
建立源域卷积神经网络与目标域卷积神经网络,形成迁移学习框架,以实现热障涂层陶瓷层厚度测量。
2.根据权利要求1所述一种基于自适应迁移学习的陶瓷层厚度太赫兹测量方法,其特征在于,所述构建考虑材料色散热障涂层太赫兹信号的解析模型的步骤,具体包括:
根据陶瓷材料色散引起太赫兹信号反射峰展宽的现象,推出线性近似模型表征所述现象,ε2=k1ω+ε1,其中k1为斜率,ε1为致密陶瓷层介电常数初值,ε2为多孔陶瓷层介电常数初值,ω是角速度;
3.根据权利要求1所述一种基于自适应迁移学习的陶瓷层厚度太赫兹测量方法,其特征在于,所述建立源域卷积神经网络与目标域卷积神经网络,形成迁移学习框架的步骤,具体包括:
根据菲涅尔公式,确定前三反射峰与折射率间数学映射关系;
构建源域卷积神经网络与目标域卷积神经网络,源域卷积神经网络与目标域卷积神经网络均包含相同自适应权重层、卷积层、池化层与全连接层,形成完整迁移学习框架;
利用源域数据集对源域卷积神经网络进行训练,待训练完毕后迁移卷积层、池化层以及激活层参数至目标域卷积神经网络中;
利用目标域数据集对目标域卷积神经网络的自适应权重层与全连接层参数进行训练,建立实验信号与厚度之间的数学映射,测量陶瓷层实际厚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866761.XA CN115507759A (zh) | 2022-07-22 | 2022-07-22 | 基于自适应迁移学习的陶瓷层厚度太赫兹测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866761.XA CN115507759A (zh) | 2022-07-22 | 2022-07-22 | 基于自适应迁移学习的陶瓷层厚度太赫兹测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115507759A true CN115507759A (zh) | 2022-12-23 |
Family
ID=84525270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210866761.XA Pending CN115507759A (zh) | 2022-07-22 | 2022-07-22 | 基于自适应迁移学习的陶瓷层厚度太赫兹测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115507759A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116086330A (zh) * | 2023-02-17 | 2023-05-09 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度检测平台 |
-
2022
- 2022-07-22 CN CN202210866761.XA patent/CN115507759A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116086330A (zh) * | 2023-02-17 | 2023-05-09 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度检测平台 |
CN116086330B (zh) * | 2023-02-17 | 2024-01-12 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度检测平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109669075B (zh) | 基于开口矩形波导的介质复介电常数无损反射测量方法 | |
CN111200896B (zh) | 基于宽带反射系数曲线曲率分析的等离子体参数诊断方法 | |
CN107764195B (zh) | 基于菲涅尔矩阵THz波传播模型的涂层厚度检测方法 | |
CN115507759A (zh) | 基于自适应迁移学习的陶瓷层厚度太赫兹测量方法 | |
CN103245311A (zh) | 用超声检测多层吸波涂层的测厚装置及其测厚方法 | |
CN109813225A (zh) | 一种柔性臂坐标测量机空间误差补偿方法 | |
Li et al. | A simulation-assisted non-destructive approach for permittivity measurement using an open-ended microwave waveguide | |
CN111553877A (zh) | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 | |
Qaddoumi et al. | Innovative near-field microwave nondestructive testing of corroded metallic structures utilizing open-ended rectangular waveguide probes | |
Hayber et al. | 3D sound source localization with fiber optic sensor array based on genetic algorithm | |
Lopes et al. | Development of 3-D ultrasonic anemometer with nonorthogonal geometry for the determination of high-intensity winds | |
CN115356702A (zh) | 一种基于海上多源雷达回波的蒸发波导深度学习联合反演方法 | |
Li et al. | A new microwave cavity resonator sensor for measuring coating thickness on carbon fibre composites | |
Li et al. | Thickness measurement of thermal barrier coating based on mutual inductance of eddy current system | |
Wei et al. | Damage quantification of aluminum plates using SC-DTW method based on Lamb waves | |
CN106680821A (zh) | NiCoCrAlYTa六元涂等离子喷涂涂层厚度超声无损检测方法 | |
CN110488099A (zh) | 一种用于毫米波天线近场校准及幅相扫描的测试系统及其使用方法 | |
Morfey et al. | Shear layer refraction corrections for off-axis sources in a jet flow | |
CN116562118A (zh) | 基于Elman神经网络的热障涂层陶瓷层厚度太赫兹测量方法 | |
CN113569505A (zh) | 基于等效电路模型的超声换能器智能优化设计方法 | |
CN110489886B (zh) | 一种基于软件仿真紧缩场暗室设计方法 | |
Zhang et al. | A novel genetic algorithm based method for measuring complex permittivity of thin samples in the compact radar frequency band | |
Li et al. | Machine learning-enabled thickness estimation of thin coatings on carbon fibre composites using microwaves | |
Gregory et al. | Extending terahertz paint thickness measurements to advanced industry-standard automotive paint structures | |
CN109164439A (zh) | 一种电波射线上大气折射率计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |