CN115952826A - 基于人工神经网络的压力敏感涂料性能预测和测压方法 - Google Patents
基于人工神经网络的压力敏感涂料性能预测和测压方法 Download PDFInfo
- Publication number
- CN115952826A CN115952826A CN202310220980.5A CN202310220980A CN115952826A CN 115952826 A CN115952826 A CN 115952826A CN 202310220980 A CN202310220980 A CN 202310220980A CN 115952826 A CN115952826 A CN 115952826A
- Authority
- CN
- China
- Prior art keywords
- pressure
- neural network
- layer
- predicting
- artificial neural
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000000576 coating method Methods 0.000 title claims abstract description 44
- 239000011248 coating agent Substances 0.000 title claims abstract description 42
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 22
- 230000035945 sensitivity Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 239000003973 paint Substances 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000005507 spraying Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 21
- 239000000523 sample Substances 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000009596 phenolsulfonphthalein test Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003068 molecular probe Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Force Measurement Appropriate To Specific Purposes (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种基于人工神经网络的压力敏感涂料性能预测和测压方法，其包括：步骤S1：采集图像；步骤S2：构建神经网络，对神经网络进行训练；步骤S3：测量图层厚度及粗糙度，基于训练后的神经网络预测压力敏感度及温度敏感度；步骤S4：通过压力敏感度，基于神经网络预测压力校准系数A；步骤S5：计算压力P，输出压力分布结果图。本发明具有原理简单、灵活性高、适用范围广、精确度高等优点。
Description
技术领域
本发明主要涉及到压力敏感涂料压力检测技术领域，特指一种基于人工神经网络的压力敏感涂料性能预测和测压方法。
背景技术
压力敏感涂料（PSP）压力测量技术是一种基于图像处理的非接触式全场压力测量方法，可提供连续的压力测量数据，解决了传统方法存在的不便实现全域压力测量、无法测量旋转模型和流场干扰等问题。相比于传统测压方法，PSP具有空间分辨率高、成本低、实验准备时间短、流场干扰小等优点，当使用激光或UV-LED作为激发光源时，涂料中的发光分子与氧气发生氧猝灭反应，模型表面涂料的荧光强度变化通过CCD相机转换成伪彩色图像，最后，通过计算机图形处理得到表面压力分布。目前PSP测压技术已经日趋成熟，应用于汽车、飞机、发动机等压力测量，新涂料的开发、涂料性能的研究和试验方法成为主要研究的对象。
PSP性能通常是通过校准试验测得。压力敏感度是通过在校准腔内，温度保持不变，输入一个恒定步长的压力序列来测得，温度敏感度则是通过保持校准腔内压力不变，然后输入一个恒定步长的温度序列测得。试验设计的压力序列和温度序列的长度、步长的选择以及压力、温度变化的方向等因素可能会影响校准结果，此外，校准设备的好坏也会影响校准结果，如校准腔的密封性、压力和温度改变的效率以及压力、温度传感器的精确度都会影响校准结果。因此校准试验不仅消耗时间和经济成本，也存在许多不稳定因素。
涂料的性能主要包括压力敏感度、温度敏感度和响应时间，三种性能分别表示涂料的荧光强度随压力变化1 kPa而变化的百分比、涂料的荧光强度随温度变化1℃而变化的百分比和涂料对压力阶跃反应达到压力峰值的90%的时间。传统的性能研究方法昂贵、耗时。以压力敏感度研究为例，决定PSP压力敏感度的原因是由化学和物理因素耦合的，如涂料中发光分子探针的浓度、涂层厚度等因素。传统方法是一次改变PSP的一个影响因素以提取影响因素与压力敏感度之间的相关性。根据所需的压力敏感度的范围，必须广泛研究涂料的物理、化学性质等因素对压力敏感度的影响，因此需要进行多次校准试验。理想情况下，必须研究所有与PSP压力敏感度可能相关物理化学因素，包括它们的相互作用，以便描述它们对PSP压力灵敏度的影响。随着影响因素的增加，典型方法例如现象学建模或统计建模方法的应用变得越来越困难，并且鉴于压力灵敏度和因素之间相关性的复杂性和试验时间的限制，将所有因素纳入研究具有巨大的挑战性。
此外，在进行PSP压力测量试验时，获得Stern-Volmer方程系数的主要方法为通过喷涂样片，然后通过校准试验获取，或者使用原位标定法，通过在模型上使用传统方法安装电子压力扫描阀，然后将压力数据和PSP测得的光强比数据拟合得到Stern-Volmer方程系数。但是原位标定法仍然无法避免测压孔的问题，如测压孔对流场的改变。使用样片校准方法计算模型表面压力时，由于人为因素可能会导致样片和模型表面涂料的厚度、粗糙度等物理性质不一致。在校准试验中，通过研究发现对于同一种涂料，不同的涂层厚度和粗糙度会较大的改变涂料的性能。这种样片和模型表面涂料性能的差异，可能会给PSP测压试验引入较大的误差。
压力和荧光强度可以通过Stern-Volmer方程表示，如下面第一个公式所示，I为光强值，下标ref代表在参考情况下，参考情况下的光强值Iref和Pref为参考条件下的荧光强度和压力，A和B为温度（T）相关的Stern-Volmer方程系数。为减小样片和模型表面涂料喷涂导致的不一致性引入的误差，可以通过直接测量模型表面厚度和粗糙度，然后使用预测的方法计算温度相关的Stern-Volmer方程系数A(T)和B(T)，最后使用下面第二个公式计算压力P。
由上可知，现有技术中的PSP测压技术存在以下不足：
1. PSP测压技术目前仍然面临涂料性能和测试方法不规范的问题。涂料研发工作和性能的研究工作需要花费大量的时间和金钱。涂料性能和涂料的多种物理、化学性质关系耦合，十分复杂。现有技术中并未有合理、有效的解决方案。
2．涂料性能校准在实际测压试验中十分重要。目前通过样片校准的方式可以为压力计算提供较准确的Stern-Volmer方程系数。但是由于喷涂工艺的不确定性，通常模型表面的涂层厚度和粗糙度与样片上的涂层不一致，这种不一致引入的误差也不可忽略。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、灵活性高、适用范围广、精确度高的基于人工神经网络的压力敏感涂料性能预测和测压方法。
为解决上述技术问题，本发明采用以下技术方案：
一种基于人工神经网络的压力敏感涂料性能预测和测压方法，其包括：
步骤S1：采集图像；
步骤S2：构建神经网络，对神经网络进行训练；
步骤S3：测量图层厚度及粗糙度，基于训练后的神经网络预测压力敏感度及温度敏感度；
步骤S4：通过压力敏感度，基于神经网络预测压力校准系数A；
步骤S5：计算压力P，输出压力分布结果图。
作为本发明方法的进一步改进：所述步骤S1的流程包括：
步骤S101：模型喷涂；
步骤S102：关闭光源，采集若干张背景图像，图像平均后像素值记为Idark;
步骤S103：打开激励光源，采集若干张参考图像，图像平均后减去背景图像Idark，像素值记为I；
步骤S104：计算光强比。
作为本发明方法的进一步改进：所述步骤S2中的神经网络由全连接层组成，即第n层中的任一神经元肯定与第n+1 层的任一神经元相连接，其连接的关系由下面第一式表达，第二式为人工神经网络的基本模型形式：
其中，
s为神经元输出，
w为权重，
n为神经网络的层数，
i表示当前层，
w i为当前层的权重，
b为偏置，
x为神经单元
，x i为第
i层神经单元。第二式中，
y为人工神经网络的输出，
y m为当前节点的输出，当前层的节点数为
p，
m为当前层数的节点，m=1，...，p，
w im为第
i层
m节点的权重，
f(
)为激活函数。
作为本发明方法的进一步改进：所述神经网络包括输入层、输出层和隐藏层；选择4个隐藏层，每个隐藏层中有8个神经元。ReLU函数作为隐层的激活函数。
作为本发明方法的进一步改进：所述神经网络有两个ANN，N1和N2，除了输入层和输出层神经元外，它们具有相同的结构；对于N1，涂料厚度和粗糙度是ANN模型的输入，压力灵敏度和温度灵敏度是ANN模型的输出；对于N2，压力敏感度是输入，Stern-Volmer方程系数A是输出。
作为本发明方法的进一步改进：所述步骤S2中还包括数据增强流程，对校准后的实验数据点在一定的置信区间内随机生成增强数据点；每个校准数据点周围随机生成n个增强数据点，形成一个新的数据集；将增强数据点的数量称为数据增强因子；使用相同的方法将数据增强因子增加到任意倍数以形成大型数据集。
作为本发明方法的进一步改进：所述步骤S2中在神经网络中对于密集或全连接网络中的每一层给出了dropout的概率p1。
作为本发明方法的进一步改进：所述步骤S5中，通过Stern-Volmer方程进行系数预测，在压力校准过程中，使用压力敏感度近似替代Stern-Volmer方程系数B，然后通过N1预测得到的压力敏感度预测Stern-Volmer方程系数A，自此Stern-Volmer方程中的温度相关的系数A和B预测完毕。
与现有技术相比，本发明的优点就在于：
1、本发明的基于人工神经网络的压力敏感涂料性能预测和测压方法，基于人工神经网络提出一种新的建立PSP性能与涂层厚度、粗糙度等影响因素的关系模型的方法。创建一个神经网络，使用影响PSP性能的物理、化学因素等作为输入，预测PSP的某种或某些性能，然后在此训练好的神经网络上，确定性能后，根据神经网络建立的性能与影响因素的关系模型，输出此时涂料所需的物理、化学性质等参数。此外，在PSP的试验方法上，使用样片校准涂料的方法获得Stern-Volmer方程系数可能由于样片表面和模型表面实际情况不一致引入误差，通过测量模型表面涂层厚度和粗糙度，然后通过神经网络预测Stern-Volmer方程系数的方法计算压力，减少PSP试验中由于人为因素引入的误差。
2、本发明的基于人工神经网络的压力敏感涂料性能预测和测压方法，根据PSP在涂料开发和试验方法上遇到的实际问题，提出基于人工神经网络的解决方法。在PSP的性能研究上，可以输入多种物理、化学因素，研究多种因素对某个或某些性能的影响，然后为得到某性能的涂料，预测所需的涂料成分比例、涂层厚度和粗糙度等物理、化学性质参数，为涂料开发提供指导，大幅节省校准试验的时间和经济成本。基于传统的PSP测压试验方法，进一步通过神经网络预测Stern-Volmer方程系数进而计算压力，是一种新的压力计算方法。
3、本发明的基于人工神经网络的压力敏感涂料性能预测和测压方法，考虑PSP测压试验时，喷涂样片和模型表面喷涂厚度和粗糙度的不一致性，直接从模型表面获得数据，进而预测Stern-Volmer方程的系数，减少了试验时使用样片校准方法引入的误差的风险，同时节省了校准试验的时间成本和经济成本。
附图说明
图1是本发明在具体应用实例中的流程示意图。
图2是本发明在具体应用实例中神经网络的原理示意图。
图3是本发明在具体应用实例中数据增强方法的实现原理示意图。
图4是本发明在具体应用实例中dropout方法的原理示意图。
图5是本发明在具体应用实例中Stern-Volmer方程系数A和B变化曲线示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
本发明目的是通过神经网络预测涂料的性能，建立影响因素和性能之间的关系模型，在确定压力敏感度、温度敏感度的范围后，预测涂料所需的的物理、化学参数，为涂料的研制工作提供指导，节省性能研究的经济和时间成本。本发明在使用校准试验测量样片Stern-Volmer方程系数方法的基础上进一步改良，通过神经网络预测的方法获得涂料的Stern-Volmer方程系数，减少由于样片和模型表面喷涂情况不一致引入的误差，省去了昂贵、耗时的校准试验，降低PSP试验的时间和经济成本。
如图1所示，本发明的基于人工神经网络的压力敏感涂料性能预测和测压方法，其流程包括：
步骤S1：采集图像；
步骤S2：构建神经网络，对神经网络进行训练；
步骤S3：测量图层厚度及粗糙度，基于训练后的神经网络预测压力敏感度及温度敏感度；
步骤S4：通过压力敏感度，基于神经网络预测压力校准系数A；
步骤S5：计算压力P，输出压力分布结果图。
在具体应用实例中， 所述步骤S1的具体流程可以包括：
步骤S101：模型喷涂；
步骤S102：关闭光源，采集若干张（如五张）背景图像，图像平均后像素值记为Idark;
步骤S103：打开激励光源，采集若干张（如十张）参考图像，图像平均后减去背景图像Idark，像素值记为I；
步骤S104：计算光强比。
在具体应用实例中， 所述步骤S2中的神经网络为人工神经网络，本发明的人工神经网络由全连接层组成，即第n层中的任一神经元肯定与第n+1 层的任一神经元相连接，其连接的关系可以由下面第一式表达，第二式为人工神经网络的基本模型形式。
其中，
s为神经元输出，
w为权重，
n为神经网络的层数，
i表示当前层，
w i为当前层的权重，
b为偏置，
x为神经单元
，x i为第
i层神经单元。第二式中，
y为人工神经网络的输出，
y m为当前节点的输出，当前层的节点数为
p，
m为当前层数的节点，m=1，...，p，
w im为第
i层
m节点的权重，
f(
)为激活函数。
进一步，本发明提出的人工神经网络的原理图如图2所示，包括输入层、输出层和隐藏层；理论上，神经网络的隐藏层越多，拟合函数就越强。但是，更深的层次可能会导致过拟合，增加训练难度，从而使模型难以收敛。作为优先方案，本发明选择4个隐藏层，每个隐藏层中有8个神经元。ReLU函数作为隐层的激活函数。
进一步，在本发明中，有两个ANN，N1和N2，除了输入层和输出层神经元外，它们具有相同的结构。对于N1，涂料厚度和粗糙度是ANN模型的输入，压力灵敏度和温度灵敏度是ANN模型的输出。对于N2，压力敏感度是输入，Stern-Volmer方程系数A是输出。
其中，损失函数用来表示预测结果
与真实值y之间的差值。在神经网络训练过程中，通过改变神经网络中的所有参数来不断减小损失函数，从而训练出更高的精度的神经网络模型。平均绝对百分比误差(MAPE)表示如下，用于评估模型:
其中，测试集中真实值的个数为n，i为当前真实值的编号，yi为真实值，
为预测当前真实值的预测结果，通常，数据集以8:2的比例分为训练集和验证集。但是，由于数据集很小，为了使训练集尽可能大，以保证预测精度，本工作的比例为9:1。N1和N2以同样的方式训练。初始学习率为10-4。采用Adam算法对神经网络进行优化，更新并获得影响模型训练和模型输出的网络参数。人工神经网络被训练了4万次，使其接近或达到最佳值。
本发明基于人工神经网络的方法，通过测量模型表面的涂层厚度和粗糙度，即可使用N1预测压力敏感度和温度敏感度，再将预测得到的压力敏感度近似为Stern-Volmer方程系数B，输入系数B，得到系数A，结合试验测得的光强比Iref/I，根据上式则可计算模型表面压力。
进一步，作为优先方案，在步骤S2中，本发明进一步包括了数据增强流程，所述数据增强方法的原理图如图3所示。该方法对校准后的实验数据点在一定的置信区间内随机生成增强数据点。每个校准数据点周围随机生成n个增强数据点，形成一个新的数据集。本发明把增强数据点的数量称为数据增强因子。使用相同的方法将数据增强因子增加到任意倍数以形成大型数据集。
进一步，作为优先方案，在步骤S2中，本发明进一步在神经网络中对于密集(或全连接)网络中的每一层给出了dropout的概率p1。由于在机器学习模型中，如果模型参数过多，训练样本过少，训练后的模型容易产生过拟合现象。为了防止训练阶段的过拟合，随机移除神经元。本发明优选的对于密集(或全连接)网络中的每一层，给出了dropout的概率p1。在每次迭代中，输入层每个神经元被移除的概率为0.2，隐藏层dropout的概率为0.5，输出层用于预测结果，所以本发明没有在输出层应用dropout。dropout方法原理图如图4所示。
在数学上，每个神经元的下降概率遵循概率为p1的伯努利分布。因此，在带掩模的神经元向量(层)上执行逐元素的操作，其中每个元素都是遵循伯努利分布的随机变量。无dropout神经网络的前向传播计算如下:
有dropout的神经网络的前向传播计算如下:
其中，p1为dropout的概率，y为对上一层每个神经元的输出x进行权重为W的加权计算后得到的结果，
表示由i个自变量按照相同的伯努利分布组成的向量。输出y由dropout方法转换成
。过拟合现象通常发生在数据集较大时，因此在数据增强系数大于100时应用dropout方法。
在具体应用实例中， 所述步骤S5中，本发明通过Stern-Volmer方程进行系数预测，在压力校准过程中，通过研究发现Stern-Volmer方程系数A和B之间似乎有很强的相关性，30个样品的Stern-Volmer方程系数A和B的变化如图5所示，它们同时有规律地变化。为此，本发明进一步使用压力敏感度近似替代Stern-Volmer方程系数B，然后通过N1预测得到的压力敏感度预测Stern-Volmer方程系数A，自此，Stern-Volmer方程中的温度相关的系数A和B预测完毕。
在一个具体应用实例中，通过采用本发明的方法，进行基于人工神经网络的PSP测压试验，详细流程为：
首先关闭UV-LED以创建一个完全黑暗的环境；
然后使用与实验中相同的相机设置捕获五张背景图像，这些图像的平均值被称为Idark。采集了10张参考和风洞开启条件下的图像，首先从对应的原始图像中减去Idark，然后将在这两种情况下采集的图像的平均值分别记为I和Iref。计算光强比Iref/I；
最后使用膜厚仪和粗糙度仪测量模型表面的涂层厚度和粗糙度，将数值输入训练好的神经网络中，预测得到Stern-Volmer方程系数A和B，根据公式计算压力值，得到模型表面的全域压力分布图。
由上可知，本发明基于人工神经网络，设计出通过涂料厚度和粗糙度预测涂料的压力敏感度和温度敏感度的方法，并且将预测结果应用于PSP测压试验，验证基于神经网络性能预测方法的精确度以及用于PSP测压试验的可行性。通过校准试验准备数据集，数据集包括涂层厚度、粗糙度、压力敏感度和温度敏感度。由于校准试验昂贵及耗时，通过校准收集的真实数据较少，而神经网络通常需要大量的数据集以保证预测的精确度，因此采用数据增强的方法，在真实数据点的周围生成增强数据点。同时，为防止发生过拟合现象，本发明进一步采用dropout的方法进一步提升神经网络预测的精确度。本发明进一步还提出了使用神经网络预测Stern-Volmer方程系数。
通过采用本发明的上述方法，可以为迅速建立涂料性能和物理、化学性质关系模型提供帮助，便于开发目标性能的涂料。通过本发明的基于神经网络的方法，可以通过测量模型表面涂层的实际厚度和粗糙度预测Stern-Volmer方程系数，避免了引入这种误差，实现了无需校准试验的PSP压力测量。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，包括：
步骤S1：采集图像；
步骤S2：构建神经网络，对神经网络进行训练；
步骤S3：测量图层厚度及粗糙度，基于训练后的神经网络预测压力敏感度及温度敏感度；
步骤S4：通过压力敏感度，基于神经网络预测压力校准系数；
步骤S5：计算压力，输出压力分布结果图。
2.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S1的流程包括：
步骤S101：模型喷涂；
步骤S102：关闭光源，采集若干张背景图像，图像平均后像素值记为Idark;
步骤S103：打开激励光源，采集若干张参考图像，图像平均后减去背景图像，像素值记为I；
步骤S104：计算光强比。
3.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S2中的神经网络由全连接层组成，即第n层中的任一神经元肯定与第n+1 层的任一神经元相连接，其连接的关系由下面第一式表达，第二式为人工神经网络的基本模型形式：
其中，s为神经元输出，w为权重，n为神经网络的层数，i表示当前层，w i为当前层的权重，b为偏置，x为神经单元，x i为第i层神经单元；第二式中，y为人工神经网络的输出，y m为当前节点的输出，当前层的节点数为p，m为当前层数的节点，m=1，...，p，w im为第i层m节点的权重，
为第i层第m个节点的偏置，f (
)为激活函数。
4.根据权利要求3所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述神经网络包括输入层、输出层和隐藏层；选择4个隐藏层，每个隐藏层中有8个神经元；采用ReLU函数作为隐层的激活函数。
5.根据权利要求4所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述神经网络有两个ANN，N1和N2，除了输入层和输出层神经元外，它们具有相同的结构；对于N1，涂料厚度和粗糙度是ANN模型的输入，压力灵敏度和温度灵敏度是ANN模型的输出；对于N2，压力敏感度是输入，Stern-Volmer方程系数A是输出。
6.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S2中还包括数据增强流程，对校准后的实验数据点在一个置信区间内随机生成增强数据点；每个校准数据点周围随机生成n个增强数据点，形成一个新的数据集；将增强数据点的数量称为数据增强因子；使用相同的方法将数据增强因子增加到任意倍数以形成大型数据集。
7.根据权利要求1所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S2中在神经网络中对于密集或全连接网络中的每一层给出了dropout的概率p1。
8.根据权利要求5所述的基于人工神经网络的压力敏感涂料性能预测和测压方法，其特征在于，所述步骤S5中，通过Stern-Volmer方程进行系数预测，在压力校准过程中，使用压力敏感度近似替代Stern-Volmer方程系数B，然后通过N1预测得到的压力敏感度预测Stern-Volmer方程系数A，自此Stern-Volmer方程中的温度相关的系数A和B预测完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220980.5A CN115952826B (zh) | 2023-03-09 | 2023-03-09 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220980.5A CN115952826B (zh) | 2023-03-09 | 2023-03-09 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115952826A true CN115952826A (zh) | 2023-04-11 |
| CN115952826B CN115952826B (zh) | 2023-05-16 |
Family
ID=85892914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310220980.5A Active CN115952826B (zh) | 2023-03-09 | 2023-03-09 | 基于人工神经网络的压力敏感涂料性能预测和测压方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952826B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100049450A1 (en) * | 2006-09-12 | 2010-02-25 | Akihiko Nagakubo | Method for measuring physical quantity distribution and measurement system using sensor for physical quantity distribution |
| CN103205665A (zh) * | 2012-01-13 | 2013-07-17 | 鞍钢股份有限公司 | 一种连续热镀锌线锌层厚度自动控制方法 |
| CN105784220A (zh) * | 2016-05-03 | 2016-07-20 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种提高压力敏感涂料测量精准度的方法 |
| CN107665266A (zh) * | 2016-07-28 | 2018-02-06 | 中国空气动力研究与发展中心高速空气动力研究所 | 压力敏感涂料特性参数的优化方法和装置 |
| CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
| JP2019067074A (ja) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法 |
| CN110059803A (zh) * | 2019-04-03 | 2019-07-26 | 东华大学 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
| CN110222844A (zh) * | 2019-05-30 | 2019-09-10 | 西安交通大学 | 一种基于人工神经网络的压缩机性能预测方法 |
| CN111401623A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 一种基于bp神经网络的喷丸强化表面完整性预测方法 |
| CN112066912A (zh) * | 2020-11-16 | 2020-12-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 模型三维表面轮廓和表面压力同步测量方法及测量装置 |
| CN112825105A (zh) * | 2019-11-20 | 2021-05-21 | 上海交通大学 | 混合材料参数压缩的板料挤压成形力快速预测方法 |
-
2023
- 2023-03-09 CN CN202310220980.5A patent/CN115952826B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100049450A1 (en) * | 2006-09-12 | 2010-02-25 | Akihiko Nagakubo | Method for measuring physical quantity distribution and measurement system using sensor for physical quantity distribution |
| CN103205665A (zh) * | 2012-01-13 | 2013-07-17 | 鞍钢股份有限公司 | 一种连续热镀锌线锌层厚度自动控制方法 |
| CN105784220A (zh) * | 2016-05-03 | 2016-07-20 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种提高压力敏感涂料测量精准度的方法 |
| CN107665266A (zh) * | 2016-07-28 | 2018-02-06 | 中国空气动力研究与发展中心高速空气动力研究所 | 压力敏感涂料特性参数的优化方法和装置 |
| JP2019067074A (ja) * | 2017-09-29 | 2019-04-25 | 清水建設株式会社 | 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法 |
| CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
| CN110059803A (zh) * | 2019-04-03 | 2019-07-26 | 东华大学 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
| CN110222844A (zh) * | 2019-05-30 | 2019-09-10 | 西安交通大学 | 一种基于人工神经网络的压缩机性能预测方法 |
| CN112825105A (zh) * | 2019-11-20 | 2021-05-21 | 上海交通大学 | 混合材料参数压缩的板料挤压成形力快速预测方法 |
| CN111401623A (zh) * | 2020-03-12 | 2020-07-10 | 重庆大学 | 一种基于bp神经网络的喷丸强化表面完整性预测方法 |
| CN112066912A (zh) * | 2020-11-16 | 2020-12-11 | 中国空气动力研究与发展中心低速空气动力研究所 | 模型三维表面轮廓和表面压力同步测量方法及测量装置 |
Non-Patent Citations (5)
| Title |
|---|
| MITSUGU HASEGAWA 等: "Predicting Pressure Sensitivity to Luminophore Content and Paint Thickness of Pressure-Sensitive Paint Using Artificial Neural Network", 《SENSORS》 * |
| MITSUGU HASEGAWA 等: "Pressure Sensitivity Prediction for Pressure-Sensitive Paint Development using Artificial Neural Network", 《AIAA SCITECH FORUM》 * |
| XIANHUI LIAO 等: "Pressure Sensitivity Prediction and Pressure Measurement of Fast Response Pressure-Sensitive Paint Based on Artificial Neural Network", 《APPLIED SCIENCES》 * |
| 姜勇道 等: "基于神经网络技术的注塑成型注射压力和熔体温度预测", 《塑料工业》 * |
| 马应斌 等: "人工神经网络在汽车涂料老化预测中的应用", 《合成材料老化与应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115952826B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107045575B (zh) | 基于自调整维纳模型的航空发动机性能模型建模方法 | |
| CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
| Bučar et al. | A neural network approach to describing the scatter of S–N curves | |
| Nakakita et al. | Practical pressure-sensitive paint measurement system for industrial wind tunnels at JAXA | |
| CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| Cai et al. | Acquisition of kHz-frequency two-dimensional surface temperature field using phosphor thermometry and proper orthogonal decomposition assisted long short-term memory neural networks | |
| Somehsaraei et al. | A novel approach based on artificial neural network for calibration of multi-hole pressure probes | |
| CN114861928A (zh) | 一种量子测量方法及装置和计算设备 | |
| CN115952826B (zh) | 基于人工神经网络的压力敏感涂料性能预测和测压方法 | |
| Khlamov et al. | The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling | |
| CN115510763A (zh) | 一种基于数据驱动探索的空气污染物浓度预测方法及系统 | |
| CN116007761A (zh) | 一种基于环境温度的红外测温智能补偿方法 | |
| CN115327451A (zh) | 一种基于深度学习的nv色心磁力计磁场计算方法及应用 | |
| Lai et al. | Adaptive multinoulli-based Kalman filter with randomly unknown delayed and lost measurements | |
| Mardani et al. | Online distributed fuzzy modeling of nonlinear PDE systems: Computation based on adaptive algorithms | |
| Washio et al. | Machine learning independent of population distributions for measurement | |
| CN112731439B (zh) | 一种粗糙表面光散射场直接计算方法 | |
| Gao et al. | Study on Data Fusion Processing Algorithm of Marine Sensor Based on Information Entropy | |
| Silva et al. | Distributed Sensor Calibration by Gaussian Approximation | |
| CN111812637B (zh) | 具有类型概率的l-rfs混合目标结构建模与估计方法 | |
| Zhao et al. | Radial basis function network for endpoint detection in plasma etch process | |
| CN117115510A (zh) | 一种基于机器学习的布里渊异形谱识别方法及系统 | |
| Hasegawa et al. | Pressure Sensitivity Prediction for Pressure-Sensitive Paint Development using Artificial Neural Network | |
| Popov | Method of indirect measurements on the basis of vector-observation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |