摘要:原子力显微镜（AFM）探针针尖形貌尺寸是表面微纳结构精确测量、局域物理化学特性准确表征中的关键参数。基于数学形态学的传统方法，针尖盲估计方法可以仅根据扫描图像来评估针尖形状尺寸，但其往往能给出的是针尖尺寸上限值并非真正的针尖尺寸。而且此种方法受扫描噪声影响较大，获得的尺寸精度难以完全满足需求。针对该问题，基于编码器-解码器架构的卷积神经网络，进行了AFM针尖形貌尺寸的稳定、准确的估计研究。在网络的监督学习训练中，以包含不同半径和数量的纳米颗粒结构，应用数学形态学膨胀算法模拟一系列设定半径针尖的扫描图像作为训练数据集，并以平均绝对误差作为损失函数来更新网络参数。结果表明，卷积神经网络模型对于针尖半径包含在训练集范围内的探针所得扫描图像具备准确预测针尖尺寸的能力。但是当扫描图像的对应针尖尺寸超出该范围时，预测的准确性会降低。此外，通过引入叠加噪声的训练数据，模型的预测能力显著提高，可以准确预测含噪声的扫描图像所用探针的针尖尺寸，且无需额外去噪处理。随后在实际AFM扫描图像上的测试结果证实了该方法预测针尖形貌尺寸的有效性。最后通过模拟和实验数据验证了同样的方法还可以用在受针尖效应影响的图像处理上。

摘要:为探究数控机床进给系统中各因素对热误差的影响规律,建立精准的热误差预测模型。 在进给速度为 10 m/ min、环境温度 20℃的条件下进行进给系统热误差测量实验,获得进给系统关键点的温升及热误差。 为提高预测精度,采用 Tent 混沌改进松鼠搜索算法,并利用改进的算法对神经网络进行优化,建立热误差预测模型。 利用热误差测量实验获得的数据进行验证,结果表明改进前的神经网络预测误差为 12. 23% ,改进后的模型预测误差为 8. 92% ,精度有较大提升。 利用预测模型针对不同进给速度下相同位置处热误差进行分析,结果表明,进给系统中关键测温点的温度和丝杠各点的热误差随着进给速度的增加而增加。 因此提出的预测模型可实现进给系统热误差的准确预测,为误差补偿提供理论依据。

摘要:针对轴承在变工况下工作时受环境噪声和工况变化的干扰，现有的基于单源信号的轴承故障诊断方法因单源信号难以提供全面且稳定的故障信息，导致诊断效果不理想的问题，提出一种基于注意力机制的多源信息融合网络模型(MSIFNM)。该模型的多尺度特征提取模块可以提取更充足的故障特征信息；双阶段注意力模块从多个维度增强对工况变化不敏感的故障特征；多源信息特征加权模块根据不同传感器信号对不同故障的敏感程度，自适应地对多源信息进行权重分配；特征融合与类别输出模块实现对加权后的特征进一步融合与特征提取，再经全连接层和Softmax层输出分类结果。采用变转速和变负载轴承故障数据集对本文所提的MSIFNM模型进行实验验证，实验结果表明，MSIFNM可以有效实现多源信息融合特征提取，提高变工况条件下轴承故障诊断的准确性、稳定性和工况自适应性。

摘要:微型发光二极管(Mini / Micro-LED)是下一代显示技术。 随着 Mini / Micro-LED 芯片物理尺寸的微小化,制造良品率下降、集成度激增,Mini / Micro LED 芯片的快速、精确检测成为工业生产的关键。 然而由于芯片尺寸小、分布密集,单个目标的特征信息占比不足,且工业检测要求检测算法速度快、易部署,Mini / Micro-LED 芯片缺陷检测仍面临巨大挑战。 针对这些问题,设计了一种压缩注意力细节-语义互补卷积神经网络(CADSC-CNN)。 在特征融合网络加入基于自注意力机制的编码器结构,更容易获取全局信息,对小目标的特征信息进行补充;同时对自注意力进行压缩操作减少模型的参数量,提高检测速率。 此外,通过工业相机采集的 Mini / Micro-LED 数据集验证该方法的有效性。 实验表明,该方法的平均精度均值(mAP)达到了 95. 6% ,速度为 100. 6 fps关键词。

摘要:微型发光二极管（Mini/Micro-LED）是下一代显示技术。随着Mini/Micro-LED芯片物理尺寸的微小化,制造良品率下降、集成度激增,Mini/Micro LED芯片的快速、精确检测成为工业生产的关键。然而由于芯片尺寸小、分布密集,单个目标的特征信息占比不足,且工业检测要求检测算法速度快、易部署,Mini/Micro-LED芯片缺陷检测仍面临巨大挑战。针对这些问题,设计了一种压缩注意力细节-语义互补卷积神经网络(CADSC-CNN)。在特征融合网络加入基于自注意力机制的编码器结构,更容易获取全局信息,对小目标的特征信息进行补充;同时对自注意力进行压缩操作减少模型的参数量,提高检测速率。此外,通过工业相机采集的Mini/Micro-LED数据集验证该方法的有效性。实验表明,该方法的平均精度均值（mAP）达到了95.6%,速度为100.6 fps。

摘要:绝大多数大型望远镜采用分块镜的设计方案,为了获得优质的成像效果,需要控制分块望远镜系统的 piston 和 tip-tilt误差。 神经网络误差检测方法相较于传统的检测方法具有一定优势,但存在仅检测单一类型误差的局限性。 本文提出一种基于卷积神经网络的 piston 和 tip-tilt 误差同步检测方法,通过在出瞳面设置具有离散孔的光阑,引发分段镜反射的子波发生干涉-衍射现象,构建包含丰富 piston 和 tip-tilt 误差信息的数据集。 通过粗测网络和精测网络级联,满足大范围和高精度同步检测的需求。 结果表明,该方法实现了对输入光源相干长度内纳米级的 piston 误差检测,并对 10 μrad 范围内的 tip-tilt 误差实现了亚微弧度检测;对 40 dB 的 CCD 噪声表现出良好的抗干扰性,对面形误差的允差为 0. 05λ0RMS(λ0= 600 nm),同时对六子镜系统具有可扩展性。 本文方法光路简单,操作便利,具有实际意义。

摘要:随着油气钻井日益向深部地层以及复杂地层发展,传统的溢流钻井事故监测凸显滞后性和多解性,复杂的地层情况和井下高温高压,导致流量计量产生偏差,这是造成溢流识别精度的主要问题之一,针对计量偏差问题,利用泥浆热膨胀效应,构建了一种流量修正模型,攻克非溢流影响因素,修正计量偏差。 其次在修正流量数据的基础上,建立了多元数据融合与时序神经网络相结合的溢流识别预警模型,该模型的溢流漏报次数为 0,溢流及时率相较于常规监测手段得到了较大的提升,可提前约 5 min 发出预警,在钻井作业工程中,具有较大的应用价值和前景。

摘要:太阳能热发电换热管主要材料渗铝 321 钢的损伤会导致换热管的寿命缩短甚至断裂,因此必须进行损伤检测。采用声发射方法对渗铝 321 钢的损伤特性进行分析,实现对换热管性能的在线动态监测。 通过采用声发射 Ib 值特征来表征渗铝 321 钢的损伤程度,并运用自组织映射( SOM) 神经网络算法进行声发射特征参数聚类,以分析材料的损伤模式。 结果表明,力学塑性阶段的声发射事件数量剧增,能量和振铃计数的峰值标志着试件的断裂。 此外,在试件失效前,Ib 值显著降低且密度变密集,表明 Ib 值的变化特征可以作为材料临界失效的预警信号。 通过 SOM 算法对特征参数进行聚类分析得到 4 个簇及其对应的特征频率,并使用扫描电子显微镜( SEM)观察试件的断口形貌,得出 4 个簇分别对应于孔洞生长与汇合、微裂纹成核、宏观裂纹扩展和纤维状断裂 4 类损伤模式。 这项研究旨在探索金属管材的损伤演化行为,并为管材的损伤分析和健康监测提供依据。

摘要:针对强噪声干扰下磁场信号精准去噪难题,提出一种结合中心-卫星架构辅助传感器阵列和深度噪声重建网络的磁场信号去噪新方法。 首先,搭建磁场传感器阵列,通过有限元分析进行传感器阵列位置优化,分析中心和卫星传感器信号之间的信号特征。 随后,构造一种结合噪声增强卷积神经网络(NECNN)和双向长短期记忆网络(BiLSTM)的深度神经网络模型,利用传感器阵列捕获的噪声信号对构造的网络模型进行训练,揭示中心传感器信号和卫星传感器信号之间的非线性映射关系。 最后,在磁场检测过程中,利用卫星传感器阵列噪声重建出中心传感器的噪声分量,再将中心传感器捕获的含噪信号减去重建噪声,得到去噪后的待检测磁场信号。 实验结果表明,本文提出方法在磁场去噪的最大误差与均方根误差指标上均优于常规方法,为磁场强干扰下信号动态去噪提供一种新手段,有望应用于电流检测、磁场成像、电池质量检测等领域。

摘要:为了减少热致误差对数控机床进给系统定位精度的影响，提高被加工产品的一致性，提出一种基于霜冰算法（RIME）优化后的BP神经网络热误差预测模型。在不同工况下，布置温度传感器和激光干涉仪以采集温度和丝杆热误差数据。结合模糊C均值聚类和灰色关联度算法对温度样本进行特征选择，筛选出关键温度特征点。以温度和丝杆位置坐标作为输入，丝杆热误差作为输出，构建RIME-BP热误差预测模型。针对H650GA型磨齿机，利用K折交叉验证法对该模型预测精度进行实例验证，并与GA-BP、BP和SVM模型进行对比。结果表明，该模型的平均决定系数R2高达0.995，相对于GA-BP、BP和SVM模型，分别提高了3.54%、9.58%和17.75%。所提出方法为热误差补偿提供了理论和技术指导，具有工程应用价值。