本发明专利技术提出了一种基于深度学习的非接触式磁应力检测装置设计方法，步骤为：获取多组元磁致伸缩材料的磁学参数及其在应力作用下的磁畴构型或磁力线分布图，建立深度学习数据集；创建深度学习网络架构，设置合适的损失函数和模型性能评估指标；将数据集随机划分为训练集和测试集，分别用于训练优化模型参数和评估模型性能；利用拍摄装置捕获材料在应力作用下的磁畴构型或磁力线分布图，通过训练优化后的深度学习网络实时检测材料所受应力大小，进而完成新型高性能的非接触磁应力检测器件的设计；本发明专利技术方法通过深度学习精准迅速地预测出了不同材料磁畴构型所对应的应力大小，相比于人工标定方法，有效地缩短了标定时长，减少了人为主观误差。了人为主观误差。了人为主观误差。
【技术实现步骤摘要】
基于深度学习的非接触式磁应力检测装置设计方法
[0001]本专利技术涉及磁应力传感检测方法设计领域，具体说是一种基于深度学习的非接触式磁应力检测装置设计方法。
技术介绍
[0002]目前，非接触磁应力检测装置一般利用应力驱动磁性材料的磁性变化来测量应力大小。例如，基于霍尔效应的磁应力检测器件，使用霍尔元件测量磁性材料附近磁场变化，在转换成电信号后实现应力检测。然而，这类检测装置通常表现出较弱的抗干扰能力，当所处环境中的温度和磁场发生变化时，其性能会大受影响。此外，测量距离较远时，霍尔元件无法有效捕获磁信号，导致测量精度下降。另一方面，基于电磁感应定律的磁应力检测装置，则利用感应线圈获取应力作用下磁路中磁通量的变化，并以感生电动势的形式输出，从而完成机械信号
‑
磁信号
‑
电信号之间的转换，达到应力检测的目的。但是，这类检测装置一般用于动态应力检测，不能实时反映静态的应力大小。并且，机械信号、磁信号、电信号之间的多次转换会带来响应时间增加和信号衰减，降低了测量精度。
[0003]我们知道应力改变材料磁性能本质上是应力调控了微观组织结构，即应力改变了材料内部的磁畴构型，同时导致材料表面磁力线分布变化。有鉴于此，若能够捕获不同应力下磁性材料的微观磁畴构型或磁力线分布，并标定应力与磁畴构型(或磁力线分布)的关联关系，则可以实时获得当前应力大小，从而实现原位应力检测。这种利用图像识别方式设计的新型磁应力检测装置，不仅精确度高、稳定性好、测量范围宽，而且适用于动态和静态等复杂的应力信号检测，有望成为新一代非接触磁应力检测器件。但是，若采用人工方法标定不同磁畴构型(或磁力线分布)对应的应力大小，不仅标定效率低，而且精确度受人为主观因素影响较大。同时实验人员需要具备较强专业能力，会增加时间和人力成本，不利于快速准确地应力标定和应力检测。随着人工智能的快速发展，以卷积神经网络为代表的深度学习算法在图片分析、语音识别、语义分割等领域带来了巨大的变革，可以提供一种快捷高效的应力标定和应力检测方法。
技术实现思路
[0004]专利技术目的：鉴于以上所述现有技术的缺点，本专利技术提出了一种基于深度学习的非接触式磁应力检测装置设计方法。
[0005]本专利技术采取的技术方案为：一种基于深度学习的非接触式磁应力检测装置设计方法，包括以下步骤：
[0006]步骤1：获取多组元磁致伸缩材料的磁学参数及其在应力作用下的磁畴构型或磁力线分布图，建立深度学习数据库；
[0007]步骤2：创建深度学习网络架构，设置合适的损失函数和模型性能评估指标；
[0008]步骤3：将步骤1中建立的数据集随机划分为训练集和测试集，训练步骤2所构建的深度学习网络模型，优化模型参数，分析训练后的深度学习模型精确度及泛化能力；
[0009]步骤4：捕获材料在应力作用下的磁畴构型或磁力线分布图，步骤3训练优化后的深度学习模型识别所采集图像代表的应力值，实现实时检测。
[0010]在所述步骤1中，可具体分为以下几个步骤：
[0011]步骤1
‑
1：通过实验测量、查找公开数据库或已发表文献途径，获取多组元磁致伸缩材料的磁学参数，包括交换劲度系数、饱和磁化强度、磁晶各向异性常数和饱和磁致伸缩系数；
[0012]步骤1
‑
2：采用粉纹法、磁光效应法、磁力显微镜方法和X射线技术等实验方法，获取多组元磁致伸缩材料在应力作用下的磁畴构型；或者通过微磁学和相场模拟等计算方法获得材料磁畴构型；此外，可利用磁极观察显示片，获取多组元磁致伸缩材料在应力作用下的磁力线分布图；
[0013]步骤1
‑
3：利用步骤1
‑
1获取的多组元磁致伸缩材料的磁学参数和步骤1
‑
2获取的磁畴构型，建立深度学习数据集，其中将不同材料的磁学参数与其在应力作用下的磁畴构型或磁力线分布图作为特征，将不同图片对应的应力值作为标签。
[0014]进一步地，若利用步骤1
‑
1获取的多组元磁致伸缩材料的磁学参数和步骤1
‑
2获取的磁力线分布图，建立深度学习数据集，可将不同材料的磁学参数与其在应力作用下的磁力线分布图作为特征，将不同磁力线分布图对应的应力值作为标签。
[0015]在所述步骤2中，可具体分为以下几个步骤：
[0016]步骤2
‑
1：创建多层卷积网络模块，并在每层卷积层后配置一个池化层，用于缩小特征维度，提取磁畴图(或磁力线分布图)中的关键特征。将所提取的图片特征构成张量a1，并将该材料对应的磁学参数构建成张量a2；
[0017]步骤2
‑
2：设置张量拼接模块，将步骤2
‑
1中提取的图片特征(张量a1)与该材料磁学参数(张量a2)进行拼接，构成新的张量a3；
[0018]步骤2
‑
3：构建恰当层数的全连接网络，根据a3张量的元素个数设置输入层神经元个数。由于仅有一个预测目标，为此将输出层神经元个数设置为1。同时，为增加深度学习网络的非线性，在每个隐藏层之间都设有ReLu(Rectified Linear Unit，修正线性单元)激活函数，其中ReLu函数表达式为f(x)＝max(0,x)。
[0019]步骤2
‑
4：设置合适的损失函数，例如L1 Loss主要衡量了预测值与真实值之间的平均绝对误差MAE，其对异常值具有较好的鲁棒性，但求解效率较低，网络收敛速度慢。
[0020]平均绝对误差MAE被定义为
[0021][0022]其中n为样本数量，f
i
和y
i
分别表示第i个样本的预测值和真实值。L2 Loss主要通过计算预测值与真实值之间的均方误差MSE，在求解过程中其每个点连续可导，梯度下降计算更为便捷，但其对异常值十分敏感。均方误差MSE定义为
[0023][0024]设置所需的模型评判指标，例如平均绝对误差、均方误差和决定系数等。
[0025]在所述步骤3中，可具体分为以下几个步骤：
[0026]步骤3
‑
1：将步骤1
‑
3建立的深度学习数据集随机划分为训练集和测试集，选取数据集中70％的数据作为训练集，并用于对所构建的深度学习网络进行训练，调整模型的权
重、偏置和学习率等参数；
[0027]步骤3
‑
2：利用数据库中剩余30％的数据建立测试集，用于测试深度学习网络的精确度和泛化能力；
[0028]步骤3
‑
3：保存最终具有优异预测性能的深度学习网络模型。
[0029]在所述步骤4中，可具体分为以下几个步骤：
[0030]步骤4
‑
1：通过粉纹法、磁光效应法、磁力显微镜等方法获取在应力作用下材料的磁畴构型，或者通过安放磁极观察显示片，捕获材料在应力作用下的磁力线分布图；
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度学习的非接触式磁应力检测装置设计方法，其特征在于，包括以下步骤：步骤1：获取多组元磁致伸缩材料的磁学参数及其在应力作用下的磁畴构型或磁力线分布图，建立深度学习数据库；步骤2：创建深度学习网络架构，设置合适的损失函数和模型性能评估指标；步骤3：将步骤1中建立的数据集随机划分为训练集和测试集，训练步骤2所构建的深度学习网络模型，优化模型参数，分析训练后的深度学习模型精确度及泛化能力；步骤4：利用拍摄装置捕获材料在应力作用下的磁畴构型或磁力线分布图，通过步骤3训练优化后的深度学习模型识别所采集图像代表的应力值，实现实时检测。2.根据权利要求1所述的基于深度学习的非接触式磁应力检测装置设计方法，其特征在于：所述步骤1中，具体分为以下步骤：步骤1
‑
1：通过实验测量、查找公开数据库或已发表文献途径，获取多组元磁致伸缩材料的磁学参数，包括交换劲度系数、饱和磁化强度、磁晶各向异性常数和饱和磁致伸缩系数；步骤1
‑
2：采用粉纹法、磁光效应法、磁力显微镜方法和X射线技术实验方法，获取多组元磁致伸缩材料在应力作用下的磁畴构型；或者通过微磁学和相场模拟计算方法获得材料磁畴构型；此外，利用磁极观察显示片，获取多组元磁致伸缩材料在应力作用下的磁力线分布图；步骤1
‑
3：利用步骤1
‑
1获取的多组元磁致伸缩材料的磁学参数和步骤1
‑
2获取的磁畴构型，建立深度学习数据集，其中将不同材料的磁学参数与其在应力作用下的磁畴构型或磁力线分布图作为特征，将不同图片对应的应力值作为标签。3.根据权利要求1所述的基于深度学习的非接触式磁应力检测装置设计方法，其特征在于：所述步骤2中，具体分为以下步骤：步骤2
‑
1：创建多层卷积网络模块，并在每层卷积层后配置一个池化层，用于缩小特征维度，提取磁畴图或磁力线分布图中的关键特征；将所提取的图片特征构成张量a1，并将该材料对应的磁学参数构建成张量a2；步骤2
‑
2：设置张量拼接模块，将步骤2
‑
1中提取的图片特征张量a1与该材料磁学参数张量a2进行拼接，构成新的张量a3；步骤2
‑
3：构建恰当层数的全连接网络，...
【专利技术属性】
技术研发人员：张正明，龚健虎，王敦辉，张成亮，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。