一种基于超声导波机器学习的涂层厚度表征方法技术

本发明专利技术公开了一种基于超声导波机器学习的涂层厚度表征方法，旨在利用机器学习和深度学习技术对非均匀涂层系统的厚度和均匀性进行非破坏性评估，该方法通过在锆合金和铬涂层组成的复合结构模型上模拟导波传播，并通过二维傅里叶变换分析采集到的时域信号，使用非最大值抑制技术在频率‑波数域内提取关键波动特征，将得到的特征输入到机器学习分类器中，实现对涂层厚度的有效分类，对于非均匀涂层厚度情况，开发了一个卷积神经网络（CNN）模型，通过调整网络参数来获取输入数据中的微小变化，从而有效地实现涂层厚度的反演。

【技术实现步骤摘要】

本专利技术涉及一种基于机器学习和深度学习使用导波进行涂层厚度表征方法，属于无损检测领域。

技术介绍

1、在现代工业应用中，涂层技术发挥着至关重要的作用。涂层不仅提供了物理保护，防止腐蚀和磨损，还改善了材料的美观性和特定功能属性，如热阻、电绝缘或特定的光学特性。例如，在航空和能源以及军工产业中，涂层用于提高材料在极端环境下的性能和耐久性。此外，微电子行业中的薄膜涂层对于制造高性能和小型化的电子设备以及军事设备养护方面至关重要。然而，涂层的性能和功能很大程度上取决于其厚度和均匀性。不适当的涂层厚度可能会导致性能下降，甚至故障。因此，对涂层厚度进行精确测量和控制是确保产品质量和性能的关键。传统的涂层厚度测量技术包括接触式测量和非接触式测量（如x射线荧光、红外光谱学和超声波测量）。这些方法各有优势，但也存在局限性，如对特定材料的依赖性、测量过程的破坏性、操作复杂性或成本高昂。

2、随着材料科学和信号处理技术的发展，无损评估（nde）技术已经被广泛研究和应用于涂层厚度的测量。特别是，基于超声波的无损评估技术因其高灵敏度和非破坏性而备受关注。在这些方法中，本文档来自技高网...

【技术保护点】

1.一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：步骤1中，建立一个由两种材料构成的复合结构，底层为长度L，厚度D1的锆合金板，上层为D2厚度的铬涂层，在复合结构上表面设置N个信号接收点，在涂层的左上角施加调制正弦波激励，以模拟导波在结构中的传播，激励频率设定为f，表达式如下：

3.根据权利要求1所述一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：步骤2中，获取由有限元模型生成的时域信号，包括在不同位置和时间点的波形数据，将收集到的时域信号进行二维傅里叶...

【技术特征摘要】

1.一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：步骤1中，建立一个由两种材料构成的复合结构，底层为长度l，厚度d1的锆合金板，上层为d2厚度的铬涂层，在复合结构上表面设置n个信号接收点，在涂层的左上角施加调制正弦波激励，以模拟导波在结构中的传播，激励频率设定为f，表达式如下：

3.根据权利要求1所述一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：步骤2中，获取由有限元模型生成的时域信号，包括在不同位置和时间点的波形数据，将收集到的时域信号进行二维傅里叶变换处理，首先，对于步骤1中n个信号接收点接收到的时域信号s(t,x)，其中t代表时间，x代表空间位置，进行去噪预处理，预处理后的信号s(t,x)转换到频率-波数域，二维离散傅里叶变换的表达式为：

4.根据权利要求1所述一种基于超声导波机器学习的涂层厚度表征方法，其特征在于：步骤3中，应用非极大值抑制技术从步骤2中的频散图提取关键波动特征，保留局部最大值点以建立波模式...

【专利技术属性】
技术研发人员：郑明方，姚辉，卢超，石文泽，马宏伟，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：