基于阵列电容传感原理的介质分布异常检测研究

来源 :燕山大学 | 被引量 : 0次 | 上传用户:Aweichunxing890620
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
阵列电极电容成像技术作为一种基于边缘电场效应的新兴无损检测技术,具有可穿透、非接触和能够在空间受限的条件下进行单方向检测等优点。基于电容传感原理工作的阵列电极传感器能够对被测对象的内部的物质分布异常有很高的灵敏度,因而其在复杂目标物的检测等特定的场合下具有优势。本文针对陶瓷基复合材料结构件介质分布异常的检测需求,重点开展了新型阵列电极传感器的设计和特性研究。针对共面阵列传感器在介质分布异常的检测过程中容易受到外界干扰导致检测精度受限的问题,提出了一种针对于阵列电极电容传感器的联合工作模式。首先建立共面12电极传感器模型,对联合工作模式与单电极工作模式下传感器的穿透深度、灵敏度分布与电容数据进行对比分析,最后通过仿真和实验对陶瓷基复合材料的粘接层材质进行图像重建工作,验证了联合工作模式能够提高检测精度和检测效率。为了应对更加复杂的检测条件并提高传感器对检测区域内因介质的改变所引起的介电常数分布的变化的感应能力,本文提出了一种U型传感器和与其适配的旋转测量组合成像方法。创建了U型传感器的结构模型,建立了电容矩阵与敏感场矩阵的拓展优化方法,以电容数据和敏感场数据的图形可视化对传感器特性进行直观反映,以灵敏度分布均匀性和电容数据灵敏度为指标对传感器性能进行量化分析,以复合材料结构件介质分布异常的图像重建结果对图像重建精度进行评价,验证了新型传感器与新型成像方式能够提高重建的精确度。为了减少系统的计算量,提高检测效率,提出了一种针对于组合成像下U型传感器的电容数据峰值提取方法。通过对旋转组合成像下的电容数据进行分析,提取电容数据和敏感场矩阵数据,运用不同的成像算法对介质分布异常区域进行图像重建工作以验证该方法的普适性,结果证实了这种数据处理方式能够在保证重建质量的前提下提高检测效率。
其他文献
近年来,因果特征选择已逐渐成为机器学习和因果发现领域的研究热点。它通过将特征预测与因果发现联系在一起来识别目标属性(Target attribute,T)的马尔可夫毯(Markov Blanket,MB)。本文针对当前因果特征选择无法应用于动态特征空间,而面向流特征的特征选择无法挖掘出T的MB或只识别出T的PC集(Parents and Children)的问题,从在线学习MB的角度,提出一个面向
近年来,随着人工智能技术的不断发展,研究者在单智能体深度强化学习领域取得了许多优秀的成果。为了解决复杂的团队任务,研究人员将深度强化学习方法应用到了多智能体领域。地标覆盖任务是最常见的多智能体协同问题之一,在国防、物流、车间等领域均有重要应用。多智能体系统中,内部智能体同时与环境交互,且智能体之间相互影响,受邻居智能体的位置、运动速度等因素影响较大,导致很多单智能体深度强化学习算法在多智能体系统中
基于深度网络的图像分类技术性能大幅提升,使得计算机视觉迈入产业化阶段,逐步应用于人类工作和生活多方面。人体行为识别作为计算机视觉中典型的分类任务,在医疗、家庭、交通运输等多种场景下的潜在价值不可估量。本文从行为识别的应用方向出发,分析了日常行为中的跌倒动作以及相似动作,运用深度学习的方法设计了针对跌倒动作、相似动作的行为识别方法。首先,提取了FallFree骨架数据集,借助Kinect Studi
随着软件在日常生活中的广泛使用,软件安全问题正逐渐引起人们的重视。其中缓冲区溢出漏洞在软件安全中最常见也是最严重的一种漏洞。缓冲区溢出漏洞会导致权限被非法获取,信息被窃取,系统瘫痪等一系列危害。为了能有效的检测出缓冲区溢出漏洞,本文提出一种基于深度学习的缓冲区溢出漏洞检测方法。本文主要工作如下。首先,针对软件缓冲区溢出漏洞进行研究,针对缓冲区溢出漏洞可疑代码,构建了抽象语法树。基于缓冲区溢出漏洞可
随着社会的发展,针对复杂网络社区发现算法的研究逐渐深入,社区发现算法在推荐领域、信息传播、精准营销等方面都有着很大的价值。标签传播算法因为其简易性和效率高而受到研究学者的青睐,然而标签传播社区发现算法存在稳定性差、准确率低的问题。针对上述问题,本文分别在静态社区和动态社区上提出了基于标签传播思想的社区发现算法。首先,针对标签传播算法稳定性不足,提出了融合标签熵和k-shell的标签传播重叠社区发现
机械装备结构日益复杂、自动化,对设备安全性和可靠性的要求也越来越高,机械故障的检测和诊断显得尤为重要,基于振动信号分析的数据驱动类方法得到了广泛研究。但多数智能故障诊断方法的应用基础为训练数据与测试数据同分布,而实际中复杂工况的影响使得理论方法的诊断效果受到较大影响。迁移学习的引入为解决不同数据分布下的轴承故障诊断问题提供了新思路。该文主要研究了基于深度迁移学习的轴承故障跨域诊断方法。首先,考虑到
现代大型机械装备日趋复杂化、智能化与精密化,轴承作为多数机械装备的重要构成部分,一旦出现机械故障,所造成的损失与影响将相当巨大,准确的轴承故障诊断在机械健康管理中起着关键作用。近年来深度学习方法的引入为故障诊断及预测提供了新思路和新方法,该文主要研究了基于深层卷积神经网络与迁移学习的轴承故障诊断方法。首先,针对难以从原始轴承数据中获取全面的信息,以及经深度学习模型提取的大量特征对故障模式分类的重要
在公路路面检测与养护智能化的要求下,智能AI技术被广泛运用于我国公路的病害检测和预防养护上,它可以快速准确地分析采集到的影像,对公路路面病害进行智能识别,提高了公路养护的效率。基于此,通过研究分析AI智检在公路路面病害的检测与预防养护的应用,提升公路路面检测工作的效率和质量。
近红外光谱技术是一种具有绿色、快速、无损优势的检测技术,其在白酒行业中的应用越来越广泛。介绍了近红外光谱技术的工作原理及优势,主要介绍了近红外光谱技术在白酒行业中酿酒原料、酿酒大曲、发酵酒醅、半成品及成品酒检测方面的研究应用及在线检测及时的开发研究,分析了该技术在白酒行业应用推广过程中存在的问题,并展望了其应用前景。
随着工业智能化,机械设备结构日益复杂,机械设备的健康状态监测成为重要的研究方向。滚动轴承作为设备的关键部件,成为重要的监测对象。机械设备工况的复杂多变,对故障状态诊断方法提出了更高的要求。论文针对状态特征提取困难,提出了基于振动信号分解及熵值的特征提取方法;针对故障诊断精度低,提出了基于改进极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。论文主要研究内容如下: