CN117195734B - 融合时间序列与太赫兹特征的热生长氧化层演变预测方法 - Google Patents
融合时间序列与太赫兹特征的热生长氧化层演变预测方法 Download PDFInfo
- Publication number
- CN117195734B CN117195734B CN202311201763.8A CN202311201763A CN117195734B CN 117195734 B CN117195734 B CN 117195734B CN 202311201763 A CN202311201763 A CN 202311201763A CN 117195734 B CN117195734 B CN 117195734B
- Authority
- CN
- China
- Prior art keywords
- oxide layer
- terahertz
- evolution
- thermally grown
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 abstract description 7
- 239000011248 coating agent Substances 0.000 abstract description 3
- 238000000576 coating method Methods 0.000 abstract description 3
- 239000012720 thermal barrier coating Substances 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005382 thermal cycling Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种融合时间序列与太赫兹特征的热生长氧化层演变预测方法,属于涂层性能评估和预测领域,包括:对样品进行热循环试验,采集实验数据;根据实验数据,获得融合特征向量;基于长短时记忆网络算法构建热循环时间‑太赫兹特征‑氧化层厚度三者之间的初始映射演化预测模型;以所述融合特征向量作为输入,氧化层厚度数据作为输出,对所述初始映射演化预测模型进行训练,获得映射演化预测模型;通过所述映射演化预测模型预测未来热生长氧化层的演变情况。本方法能够准确预测热生长氧化层随时间的演变趋势,包括厚度的变化和特征的演变。
Description
技术领域
本发明属于涂层性能评估和预测领域,尤其涉及一种融合时间序列与太赫兹特征的热生长氧化层演变预测方法。
背景技术
热障涂层是在高温工作环境下保护结构材料的重要技术,广泛应用于航空航天、能源和工业领域。热障涂层的性能评估对于确保材料的长期可靠性和耐久性至关重要。然而,长期处于高温服役工况下的热障涂层出现不同程度的破坏,即热循环引起的热生长氧化层的演变会导致热障涂层的性能下降,进而影响设备的可靠性和寿命。因此,准确评估和预测热生长氧化层的演变趋势对于确保设备的长期性能至关重要。
传统的热障涂层性能评估方法主要依赖于离线的试验和研究,需要大量的时间和资源。例如,使用扫描电镜观察热障涂层的开裂和失效情况,需要对样品进行切割、镶嵌、抛光等处理,导致分析过程繁琐且时间耗费巨大。伴随取样周期长、数据获取不及时、操作繁琐等问题。而且,对于热障涂层热疲劳行为的准确预测和实时监测一直是一个挑战。因此,开发一种能够实现在线监测和预测热障涂层演变的方法具有重要的科学和工程意义。
太赫兹技术是一种新兴的非破坏性测试方法,具有在纳米和微米尺度下探测材料特性的能力。近年来,太赫兹技术在材料科学、化学、生物医学等领域取得了显著进展。然而,在热障涂层热生长氧化层的研究中,太赫兹技术的应用尚未得到充分挖掘。结合先进机器学习算法,基于时间序列的长短时记忆网络(LSTM),在时间序列数据分析和预测中表现出色。LSTM可以捕捉数据中的长期依赖关系,适用于模拟时间序列数据中的动态变化。
综上所述,当前领域需要一种创新的方法,能够融合太赫兹技术和时间序列分析,以实现对热障涂层热生长氧化层演变趋势的实时监测和准确预测。
发明内容
为解决上述问题,本发明提供了如下方案:一种融合时间序列与太赫兹特征的热生长氧化层演变预测方法,包括以下步骤:
对样品进行热循环试验,采集氧化层厚度数据,并在热循环试验过程中进行太赫兹数据采集,对所述太赫兹数据进行分析和特征提取处理,获得太赫兹特征参数,基于太赫兹数据采集获得时间序列数据;
将所述时间序列数据和太赫兹特征参数进行数据融合处理,获得融合特征向量;
基于长短时记忆网络算法构建热循环时间-太赫兹特征-氧化层厚度三者之间的初始映射演化预测模型;
以所述融合特征向量作为输入,氧化层厚度数据作为输出,对所述初始映射演化预测模型进行训练,获得映射演化预测模型;
通过所述映射演化预测模型预测未来热生长氧化层的演变情况。
优选地,所述热循环试验的方法包括:加热阶段,加热速率为240℃/10min,在50min内加热至1200℃;保温阶段,加热至预设温度后保持60min;冷却阶段,10min内通过风冷装置冷却至室温。
优选地,基于太赫兹数据采集获得时间序列数据的方法包括:
以每次太赫兹数据采集的时间点为序列点,通过记录序列点并统计构成时间序列数据。
优选地,所述获得太赫兹特征参数的方法包括:对太赫兹数据中的时域信号进行傅里叶变换,获得太赫兹信号的相位谱,基于所述相位谱计算相位的标准差和相位差。
优选地,所述相位谱的获取表达式为:
φ(f)=atan2(Imag(X(f)),Real(X(f)));X(f)=FFT(x(t));
式中,x(t)为时域信号,X(f)为傅里叶变换后的时域信号,φ(f)为相位谱。
优选地,计算相位的标准差的表达式为:
式中,N表示频率分量的个数,φ(fi)表示相位谱中相位集合的第i个元素,表示相位集合的均值。
优选地,计算相位的相位差的表达式为:
Δφ(t)=φ(t)-φ(t-1);
式中,φ(t)表示t时刻的相位,φ(t-1)表示t-1时刻的相位。
优选地,所述融合特征向量的表达式为:
F(t)=[σ(t),Δφ(t),X(t)];
式中,X(t)表示时间序列数据,σ(t)表示相位的标准差,Δφ(t)表示相位的相位差。
优选地,所述获得映射演化预测模型的方法包括:
初始化初始映射演化预测模型的权重和偏置参数;
将融合特征向量输入到初始映射演化预测模型中,通过前向传播计算得到预测的热生长氧化层厚度;
采用均方误差损失函数计算预测值与实际热生长氧化层厚度之间的差值;
使用反向传播算法计算均方误差损失函数对模型参数的梯度,并更新模型参数;
通过以上步骤迭代优化模型参数,并通过验证集监测模型进行调整,获得映射演化预测模型。
优选地,预测未来热生长氧化层的演变情况的方法包括:
周期性的获取融合特征向量,并将融合特征向量输入到映射演化预测模型中,通过映射演化预测模型预测未来热生长氧化层的厚度,根据周期性预测的厚度预测未来热生长氧化层的演变情况。
与现有技术相比,本发明具有如下优点和技术效果:
本发明通过采集不同热循环次数下的热障涂层样品,结合太赫兹技术获取的特征参数,构建了基于时间序列的机器学习模型;这一模型能够准确预测热生长氧化层随时间的演变趋势,包括厚度的变化和特征的演变。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的热生长氧化层演变预测方法流程图;
图2为本发明实施例的LSTM模型训练流程图;
图3为本发明实施例的热生长氧化层演变预测流程图;
图4为本发明实施例的热生长氧化层的演变预测方法示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,本发明所提供的一种融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,包括:
热循环样品制备;所述热循环样品制备,通过控制所述热循环时间,获取不同厚度的热生长氧化层样品,并记录热循环的时间,构成时间序列;
太赫兹特征提取;所述太赫兹特征提取,是在热循环过程中,使用太赫兹实时检测经过热循环的热障涂层样品,而获取的可表征热生长氧化层演变的太赫兹数据,对所述太赫兹数据进行分析并提取特征参数;
融合特征的构建;所述融合特征包括将太赫兹特征与热循环时间序列数据融合,构建融合特征向量;
LSTM模型构建;所述LSTM模型包括基于时间序列的采用长短时记忆网络(LSTM)算法,构建热循环时间-太赫兹特征-氧化层厚度三者之间的映射演变预测模型;其中LSTM模型以融合特征向量作为输入数据,热生长氧化层厚度作为输出数据,从而能够学习特征与氧化层演变关系之间的复杂性;
演变预测;所述演变预测包括训练完成的所述LSTM模型,输入当前时刻的融合特征向量,预测未来热生长氧化层的演变情况。实现对热生长氧化层演变趋势的准确预测,并实时监测其状态变化,为热障涂层的性能评估和寿命预测提供新的途径。
进一步的,所述热障涂层样品制备,包括对所述热障涂层进行热循环实验,获取含有不同热生长氧化层厚度的热障涂层样品;所述热循环实验包括三个阶段,所述加热阶段,加热速率为240℃/10min,在50min内加热至1200℃;所述保温阶段,加热至设定温度后保持60min;所述冷却阶段,10min内通过风冷装置快速冷却至室温;每个完整的热循环时间为2h。
进一步的,所述时间序列为持续的热循环时间点,即每次太赫兹检测的时间点,经过多次热循环,以及对应多次太赫兹检测,所构成的时间序列。
进一步的,所述太赫兹特征提取,获取不同热循环时间热障涂层的太赫兹检测数据;太赫兹信号的相位谱通过对时域信号进行傅里叶变换得到,相位谱表示信号在频率域的相位分布,提取相位谱的标准差和相位差表征热生长氧化层厚度的演变特性;
假设太赫兹时域信号为x(t),其傅里叶变换为X(f),相位谱为φ(f),可以表示为:
X(f)=FFT(x(t)),φ(f)=atan2(Imag(X(f)),Real(X(f)))
相位标准差衡量了相位的变化程度,假设有N个频率分量,相位谱中的相位集合为φ(f1),φ(f2),...,φ(fN),为相位集合的均值,相位标准差σ可以表示为:
相位差表示了不同频率分量之间的相位差异,φ(t)为第t个时间点的相位值:Δφ(t)=φ(t)-φ(t-1);以上数学表达展示了从太赫兹时域信号中提取相位谱,计算相位的标准差和相位差的方法;可用来反映材料的电场相关变化,进而与热循环时间序列融合,进行热生长氧化层厚度的评估与预测。
进一步的,所述融合特征的构建将太赫兹相位标准差和相位差与热循环的时间序列数据融合,构建融合特征向量;对于每个时间点t,热循环时间序列数据为X(t),已提取的相位标准差σ(t),相位差Δφ(t),融合特征向量F(t)=[σ(t),Δφ(t),X(t)]用于训练LSTM模型。
进一步的,所述LSTM模型构建,包括基于时间序列的采用长短时记忆网络(LSTM)算法,构建热循环时间-太赫兹特征-氧化层厚度三者之间的映射演变预测模型;其中LSTM模型以所述融合特征向量作为输入数据,热生长氧化层厚度作为输出数据进行训练;LSTM模型的训练是一个迭代优化过程,目标是最小化预测值与实际热生长氧化层厚度之间的差距。以下是训练过程的详细解释:
S11、初始化模型参数:首先,初始化LSTM模型的权重和偏置参数,可以使用随机初始化或者预训练的权重;
S21、前向传播:将融合特征向量输入LSTM模型,通过前向传播计算得到预测的热生长氧化层厚度;
S31、损失计算:计算预测值与实际热生长氧化层厚度之间的差距,常用的损失函数可以是均方误差(MSE);
S41、反向传播:使用反向传播算法计算损失函数对模型参数的梯度,更新模型参数以减小损失函数的值;
S51、迭代优化:重复执行S21、S31和S41步骤,通过迭代优化模型参数,使预测值逐渐接近实际值;
S61、验证与调整:在训练过程中,使用验证集监测模型的性能,根据验证集的表现进行调整,以避免过拟合。
通过以上步骤,可以构建一个能够融合时间序列和太赫兹特征的LSTM模型,用于准确预测热生长氧化层的演变情况。
进一步的,所述演变预测,通过训练完成的LSTM模型,在输入当前时刻的融合特征向量的情况下,对未来热生长氧化层的演变情况进行预测;这一过程实现了对热生长氧化层演变趋势的准确预测,并能够实时监测其状态变化,为热障涂层的性能评估和寿命预测提供了一种全新的、高效的方法;具体来说,使用LSTM进行热生长氧化层的演变预测的过程如下:
S12、输入融合特征向量:获取当前时刻的融合特征向量,其中包含了热循环时间和太赫兹特征等信息;这些特征向量将作为输入提供给训练完成的LSTM模型;
S22、模型预测:将输入的融合特征向量输入到LSTM模型中,根据之前的训练学习到的演变关系,预测未来热生长氧化层的厚度;LSTM模型能够捕捉时间序列中的长期依赖关系,因此能够较准确地预测氧化层演变情况;
S32、获取预测结果:模型输出的预测结果即为未来热生长氧化层的厚度预测值;可用于分析和评估热障涂层的演变趋势,为性能评估和寿命预测提供依据;
S42、实时监测:随着热循环的进行,可周期性地获取新的融合特征向量,并通过LSTM模型进行预测;实现实时监测热生长氧化层的状态变化,以及其随服役时间的演变情况。
一种融合时间序列与太赫兹特征的热生长氧化层的演变预测方法,其特征在于,包括以下步骤:
S1、通过控制热循环时间,在热循环过程中,获取不同厚度的热生长氧化层样品,并记录热循环的时间,构成时间序列;
S2、在热循环过程中,使用太赫兹实时检测经过热循环的热障涂层样品,获取可表征热生长氧化层演变的太赫兹数据,并对太赫兹数据进行分析和特征提取;
S3、将太赫兹特征与热循环时间序列数据融合,构建融合特征向量。融合特征向量包含了时间序列与太赫兹特征之间的关系;
S4、采用基于时间序列的长短时记忆网络(LSTM)算法构建热循环时间-太赫兹特征-氧化层厚度三者之间的映射演变预测模型。LSTM模型以融合特征向量作为输入数据,热生长氧化层厚度作为输出数据,能够学习特征与氧化层演变关系的复杂性;
S5、使用训练完成的LSTM模型,输入当前时刻的融合特征向量,预测未来热生长氧化层的演变情况。通过这种方式,可以实现对热生长氧化层演变趋势的准确预测,并实时监测其状态变化。
本发明存在以下优点:
准确预测演变趋势:本方法通过采集不同热循环次数下的热障涂层样品,结合太赫兹技术获取的特征参数,构建了基于时间序列的机器学习模型;这一模型能够准确预测热生长氧化层随时间的演变趋势,包括厚度的变化和特征的演变;
实时监测状态变化:本方法通过太赫兹在线监测装置,能够实时获取热障涂层在不同热循环时间下的太赫兹特征;结合时间序列分析和机器学习模型,可以对热生长氧化层的演变状态进行实时监测,及时发现异常变化;
提供全生命周期性能评估:本方法不仅能够评估热障涂层的当前性能,还能够预测其未来演变趋势,从而为热障涂层的全生命周期性能评估提供了新的手段;这有助于优化材料选择、制备工艺和使用条件,延长涂层的使用寿命;
高效、精确、非破坏性:与传统的取样检测方法相比,本方法采用太赫兹技术进行在线监测,无需破坏性取样,避免了实验过程中的材料破坏和数据损失,提高了检测的效率和精度;
多参数融合分析:本方法将太赫兹特征与热循环时间序列数据融合,通过LSTM模型进行分析;这种多参数融合分析能够更全面地捕捉热生长氧化层演变的复杂性,从而提高了预测的准确性和可靠性;
所提出的融合时间序列与太赫兹特征的热生长氧化层演变预测方法能够实现对热障涂层性能和寿命的准确评估和预测,为材料科学、航空航天等领域提供了一种先进的、非破坏性的检测手段。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,包括以下步骤:
对样品进行热循环试验,采集氧化层厚度数据,并在热循环试验过程中进行太赫兹数据采集,对所述太赫兹数据进行分析和特征提取处理,获得太赫兹特征参数,基于太赫兹数据采集获得时间序列数据;
将所述时间序列数据和太赫兹特征参数进行数据融合处理,获得融合特征向量;
基于长短时记忆网络算法构建热循环时间-太赫兹特征-氧化层厚度三者之间的初始映射演化预测模型;
以所述融合特征向量作为输入,氧化层厚度数据作为输出,对所述初始映射演化预测模型进行训练,获得映射演化预测模型;
通过所述映射演化预测模型预测未来热生长氧化层的演变情况。
2.根据权利要求1所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
所述热循环试验的方法包括:加热阶段,加热速率为240℃/10min,在50min内加热至1200℃;保温阶段,加热至预设温度后保持60min;冷却阶段,10min内通过风冷装置冷却至室温。
3.根据权利要求1所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
基于太赫兹数据采集获得时间序列数据的方法包括:
以每次太赫兹数据采集的时间点为序列点,通过记录序列点并统计构成时间序列数据。
4.根据权利要求1所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
所述获得太赫兹特征参数的方法包括:对太赫兹数据中的时域信号进行傅里叶变换,获得太赫兹信号的相位谱,基于所述相位谱计算相位的标准差和相位差。
5.根据权利要求4所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
所述相位谱的获取表达式为:
φ(f)=atan2(Imag(X(f)),Real(X(f)));X(f)=FFT(x(t));
式中,x(t)为时域信号,X(f)为傅里叶变换后的时域信号,φ(f)为相位谱。
6.根据权利要求4所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
计算相位的标准差的表达式为:
式中,N表示频率分量的个数,φ(fi)表示相位谱中相位集合的第i个元素,表示相位集合的均值。
7.根据权利要求4所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
计算相位的相位差的表达式为:
Δφ(t)=φ(t)-φ(t-1);
式中,φ(t)表示t时刻的相位,φ(t-1)表示t-1时刻的相位。
8.根据权利要求1所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
所述融合特征向量的表达式为:
F(t)=[σ(t),Δφ(t),X(t)];
式中,X(t)表示t时刻的时间序列数据,σ(t)表示t时刻相位的标准差,Δφ(t)表示t时刻相位的相位差。
9.根据权利要求1所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
所述获得映射演化预测模型的方法包括:
初始化初始映射演化预测模型的权重和偏置参数;
将融合特征向量输入到初始映射演化预测模型中,通过前向传播计算得到预测的热生长氧化层厚度;
采用均方误差损失函数计算预测值与实际热生长氧化层厚度之间的差值;
使用反向传播算法计算均方误差损失函数对模型参数的梯度,并更新模型参数;
通过以上步骤迭代优化模型参数,并通过验证集监测模型进行调整,获得映射演化预测模型。
10.根据权利要求1所述的融合时间序列与太赫兹特征的热生长氧化层演变预测方法,其特征在于,
预测未来热生长氧化层的演变情况的方法包括:
周期性的获取融合特征向量,并将融合特征向量输入到映射演化预测模型中,通过映射演化预测模型预测未来热生长氧化层的厚度,根据周期性预测的厚度预测未来热生长氧化层的演变情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311201763.8A CN117195734B (zh) | 2023-09-18 | 2023-09-18 | 融合时间序列与太赫兹特征的热生长氧化层演变预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311201763.8A CN117195734B (zh) | 2023-09-18 | 2023-09-18 | 融合时间序列与太赫兹特征的热生长氧化层演变预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195734A CN117195734A (zh) | 2023-12-08 |
CN117195734B true CN117195734B (zh) | 2024-04-16 |
Family
ID=89003138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311201763.8A Active CN117195734B (zh) | 2023-09-18 | 2023-09-18 | 融合时间序列与太赫兹特征的热生长氧化层演变预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195734B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490244A (zh) * | 2018-11-13 | 2019-03-19 | 华东理工大学 | 一种基于太赫兹技术的热障涂层平行裂纹监测方法 |
CN111239019A (zh) * | 2020-01-22 | 2020-06-05 | 华东理工大学 | 基于太赫兹光谱技术的热障涂层微孔隙结构特征表征方法 |
CN113935367A (zh) * | 2021-10-08 | 2022-01-14 | 广东工业大学 | 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 |
WO2022068587A1 (zh) * | 2020-09-30 | 2022-04-07 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN115979991A (zh) * | 2023-01-06 | 2023-04-18 | 北京航空航天大学 | 一种热障涂层失效判据确定方法及系统 |
CN116432697A (zh) * | 2023-01-09 | 2023-07-14 | 西南民族大学 | 一种融合长短期记忆网络与注意力机制的时间序列预测方法 |
CN116562118A (zh) * | 2023-02-21 | 2023-08-08 | 福建技术师范学院 | 基于Elman神经网络的热障涂层陶瓷层厚度太赫兹测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10648937B2 (en) * | 2016-10-27 | 2020-05-12 | General Electric Company | Nondestructive inspection method for coatings and ceramic matrix composites |
CN112067574A (zh) * | 2020-10-05 | 2020-12-11 | 山东科技大学 | 不等光程法太赫兹光谱测量方法及其系统 |
-
2023
- 2023-09-18 CN CN202311201763.8A patent/CN117195734B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490244A (zh) * | 2018-11-13 | 2019-03-19 | 华东理工大学 | 一种基于太赫兹技术的热障涂层平行裂纹监测方法 |
CN111239019A (zh) * | 2020-01-22 | 2020-06-05 | 华东理工大学 | 基于太赫兹光谱技术的热障涂层微孔隙结构特征表征方法 |
WO2022068587A1 (zh) * | 2020-09-30 | 2022-04-07 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
CN113935367A (zh) * | 2021-10-08 | 2022-01-14 | 广东工业大学 | 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 |
CN115979991A (zh) * | 2023-01-06 | 2023-04-18 | 北京航空航天大学 | 一种热障涂层失效判据确定方法及系统 |
CN116432697A (zh) * | 2023-01-09 | 2023-07-14 | 西南民族大学 | 一种融合长短期记忆网络与注意力机制的时间序列预测方法 |
CN116562118A (zh) * | 2023-02-21 | 2023-08-08 | 福建技术师范学院 | 基于Elman神经网络的热障涂层陶瓷层厚度太赫兹测量方法 |
Non-Patent Citations (4)
Title |
---|
Nondestructive Evaluation of Thermal Barrier Coatings’Porosity Based on Terahertz Multi-Feature Fusion and a Machine Learning Approach;Rui Li et al.;《applied sciences》;20230805;全文 * |
基于双向长短期记忆网络的太赫兹光谱识别;虞浩跃;沈韬;朱艳;刘英莉;余正涛;;光谱学与光谱分析;20191215(第12期);全文 * |
基于太赫兹技术的热障涂层平行裂纹监测研究;叶东东等;《表面技术》;20200531;第49卷(第5期);全文 * |
热障涂层折射率与厚度的太赫兹无损检测;张平等;《机械工程学报》;20211031;第57卷(第20期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117195734A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Application of artificial neural networks in micromechanics for polycrystalline metals | |
Hua et al. | Transport regimes in quasiballistic heat conduction | |
CN109460574A (zh) | 一种航空发动机剩余寿命的预测方法 | |
Ma et al. | Probabilistic reconstruction for spatiotemporal sensor data integrated with Gaussian process regression | |
Gao et al. | Thermography spatial-transient-stage mathematical tensor construction and material property variation track | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
Huang et al. | A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines | |
Mo et al. | Few-shot RUL estimation based on model-agnostic meta-learning | |
Sun et al. | Support vector machine-based Grassmann manifold distance for health monitoring of viscoelastic sandwich structure with material ageing | |
CN110763728A (zh) | 一种基于金属表面红外偏振热像特征的疲劳损伤评估方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
Dudzik | Characterization of material defects using active thermography and an artificial neural network | |
Glorieux et al. | Depth profiling of thermally inhomogeneous materials by neural network recognition of photothermal time domain data | |
CN112284595A (zh) | 金属构件的应力测量方法、装置、设备及存储介质 | |
CN117782957B (zh) | 一种船用电缆老化性能的测试方法及系统 | |
Che et al. | Multi-head self-attention bidirectional gated recurrent unit for end-to-end remaining useful life prediction of mechanical equipment | |
CN117195734B (zh) | 融合时间序列与太赫兹特征的热生长氧化层演变预测方法 | |
Guan et al. | Probabilistic fatigue life prediction using ultrasonic inspection data considering equivalent initial flaw size uncertainty | |
Huang et al. | Physical informed sparse learning for robust modeling of distributed parameter system and its industrial applications | |
He et al. | Uncertainty quantification in multiaxial fatigue life prediction using Bayesian neural networks | |
Lu et al. | Automatic relevance determination of adaptive variational Bayes sparse decomposition for micro-cracks detection in thermal sensing | |
Gorgül et al. | Kernel Ridge Regression Based Modelling and Anomaly Detection for Temperature Control in Textile Dyeing Processes | |
Cai et al. | Automatically constructing a health indicator for lithium-ion battery state-of-health estimation via adversarial and compound staked autoencoder | |
Allard et al. | A Novel Approach for Solving Inverse Heat Conduction Problems Using Genetic Algorithm |
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 |