首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化元件、部件论文--发送器(变换器)、传感器论文

多孔硅相对湿度传感器的研究

致谢第7-8页
摘要第8-9页
abstract第9页
第一章 绪论第16-20页
    1.1 MEMS概述第16-18页
        1.1.1 MEMS的概念第16-17页
        1.1.2 MEMS设计第17-18页
        1.1.3 MEMS制造第18页
    1.2 湿度传感器的发展现状第18页
    1.3 本论文主要研究内容与结构第18-20页
第二章 多孔硅湿度传感器技术背景第20-27页
    2.1 湿度传感器概述第20-24页
        2.1.1 湿度第20-21页
        2.1.2 湿度传感器的性能参数第21-23页
        2.1.3 湿度传感器的分类第23-24页
    2.2 多孔硅湿度传感器第24-26页
        2.2.1 多孔硅的感湿机理第24页
        2.2.2 多孔硅湿度传感器的结构第24-26页
    2.3 小结第26-27页
第三章 多孔硅的可控制备与湿敏材料的参数选择第27-41页
    3.1 多孔硅的概述第27-28页
        3.1.1 多孔硅的研究历史第27页
        3.1.2 多孔硅的发展现状与应用前景第27-28页
    3.2 多孔硅的制备方法第28-32页
        3.2.1 电化学腐蚀法第28-30页
        3.2.2 化学腐蚀法第30-31页
        3.2.3 火花腐蚀法第31页
        3.2.4 水热腐蚀法第31页
        3.2.5 多孔硅的微观结构第31-32页
    3.3 实验制备多孔硅第32-34页
        3.3.1 实验材料第32页
        3.3.2 仪器设备第32-33页
        3.3.3 实验步骤第33-34页
    3.4 形貌表征与结果分析第34-39页
        3.4.1 实验处理与分析第34-39页
    3.5 湿敏材料参数与制备条件的确定第39-40页
    3.6 小结第40-41页
第四章 多孔硅湿度传感器的设计与结构性能分析第41-62页
    4.1 多孔硅湿度传感器的结构设计第41-43页
        4.1.1 常见的多孔硅湿度传感器的结构第41-42页
        4.1.2 多孔硅相对湿度传感器结构的总体设计第42-43页
    4.2 湿敏材料OPS的介电性能分析第43-45页
        4.2.1 吸湿前OPS的介电常数的分析与计算第43-44页
        4.2.2 吸收水分的OPS的介电常数的分析与计算第44-45页
    4.3 湿度传感器结构的有限元仿真第45-48页
        4.3.1 有限元ANSYS仿真软件概述第45页
        4.3.2 ANSYS对湿度传感器结构的仿真步骤第45-48页
        4.3.3 仿真结果及分析第48页
    4.4 多孔硅湿度传感器的实验性能分析第48-61页
        4.4.1 湿敏元件的制作第49页
        4.4.2 实验制备多孔硅湿敏元件的敏感特性研究第49-53页
        4.4.3 多孔硅湿度传感器湿度敏感特性测试结果第53-57页
        4.4.4 多孔硅湿度传感器的性能测试结果分析第57-61页
    4.5 小结第61-62页
第五章 多孔硅湿度传感器的制备工艺第62-72页
    5.1 湿度传感器制备工艺概述第62-66页
        5.1.1 IC制造工艺与MEMS加工工艺第62-63页
        5.1.2 微机械加工技术第63-65页
        5.1.3 特殊的MEMS微加工技术第65-66页
    5.2 湿度传感器所需的一些加工工艺第66-69页
        5.2.1 刻蚀第66-67页
        5.2.2 光刻第67-68页
        5.2.3 淀积第68页
        5.2.4 氧化第68-69页
        5.2.5 硅通孔工艺(TSV)第69页
    5.3 多孔硅相对湿度传感器的制备流程第69-71页
    5.4 小结第71-72页
第六章 总结与今后工作展望第72-75页
    6.1 本文总结第72-73页
    6.2 今后的工作展望第73-75页
参考文献第75-78页
攻读硕士学位期间的学术活动和成果情况第78页

论文共78页,点击 下载论文
上一篇:CAN总线与以太网嵌入式互联网关的研究与开发
下一篇:蚁群算法的改进及其应用