光纤传感器形貌测量中三维表面还原的关键技术
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1.绪论 | 第10-19页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 表面形貌测量技术概述 | 第11-12页 |
| 1.3 反射式光纤传感器测量表面形貌的现状 | 第12-17页 |
| 1.3.1 国内外研究现状及发展进程 | 第12-13页 |
| 1.3.2 研究的热点方向 | 第13-17页 |
| 1.4 论文的研究内容及安排 | 第17-19页 |
| 2.反射式光纤传感器表面形貌测量的理论研究 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 反射式光纤传感器的基本工作原理 | 第19-21页 |
| 2.3 表面形貌测量的基本原理 | 第21-28页 |
| 2.3.1 参数测量 | 第21-24页 |
| 2.3.2 三维表面测量 | 第24-28页 |
| 2.4 三维表面还原的几个关键问题 | 第28-30页 |
| 2.4.1 横向分辨力问题 | 第28-29页 |
| 2.4.2 干扰问题 | 第29页 |
| 2.4.3 被欺骗性问题 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3.三维表面还原的算法研究 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 关键问题的解决思路 | 第31-33页 |
| 3.2.1 横向分辨力的提升方法 | 第31-32页 |
| 3.2.2 干扰的补偿方法 | 第32页 |
| 3.2.3 探头被欺骗性的解决算法 | 第32-33页 |
| 3.3 神经网络算法模型 | 第33-37页 |
| 3.4 基于改进蝙蝠算法优化的神经网络 | 第37-43页 |
| 3.4.1 改进蝙蝠算法 | 第37-41页 |
| 3.4.2 神经网络权值阈值蝙蝠化 | 第41页 |
| 3.4.3 改进蝙蝠算法优化神经网络的算法步骤 | 第41-42页 |
| 3.4.4 仿真实验 | 第42-43页 |
| 3.5 循环神经网络RNN | 第43-44页 |
| 3.6 改进后的三维表面还原方案 | 第44页 |
| 3.7 小结 | 第44-45页 |
| 4.测量系统的设计与实现 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 测量系统的选型与实现 | 第45-52页 |
| 4.2.1 光源的选择 | 第46-47页 |
| 4.2.2 反射式光纤传感器的选择 | 第47-48页 |
| 4.2.3 光敏检测器件的选择 | 第48-49页 |
| 4.2.4 位移控制平台的选择 | 第49-51页 |
| 4.2.5 测量系统样机 | 第51-52页 |
| 4.3 测量系统各部分的性能验证 | 第52-53页 |
| 4.3.1 功率计性能验证 | 第52-53页 |
| 4.3.2 位移平台性能验证 | 第53页 |
| 4.4 系统的软件设计 | 第53-58页 |
| 4.4.1 通信采集的设计 | 第54-56页 |
| 4.4.2 运动模块的设计 | 第56-57页 |
| 4.4.3 操作界面的设计 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5.测量实验与结果分析 | 第59-71页 |
| 5.1 引言 | 第59页 |
| 5.2 位移实验 | 第59-60页 |
| 5.3 潜在干扰因素分析 | 第60-64页 |
| 5.3.1 环境光干扰因素 | 第61-62页 |
| 5.3.2 振动干扰因素 | 第62-64页 |
| 5.4 三维表面还原实验 | 第64-69页 |
| 5.4.1 被测工件参数与标定 | 第64-65页 |
| 5.4.2 建立输入输出特性曲线 | 第65-67页 |
| 5.4.3 获取表面数据点 | 第67-68页 |
| 5.4.4 三维还原实验结果 | 第68-69页 |
| 5.5 本章小结 | 第69-71页 |
| 6.总结与展望 | 第71-73页 |
| 6.1 论文总结 | 第71页 |
| 6.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
