基于深度学习的终端光学组件损伤诊断方法研究

发布时间：2023-03-07 21:47

　　本课题来源于“神光Ⅲ”项目。该项目的目标是聚焦能量来实现核聚变。该项目所研究系统设计为在光学材料损伤阈值附近的能量密度水平下工作,以实现最大效率。因此,在该工作环境条件下的光学元件极易产生损伤。同时,从激光对于光学元件的损伤相关研究中发现,这种激光器损伤存在着指数效应,即损伤的增长趋势是指数级的。因此,在系统工作中,需要对大孔径光学元件进行损伤检查,以最大限度地降低人员风险并降低由于真空负载光学器件内爆而导致的设备风险,从而降低由损坏部位衍射引起的额外部件损失的风险,减少系统的性能下降,并提供在光学元件损坏无法修复之前移除光学元件(并随后进行翻新)的能力。本文以终端光学组件(FOA)中的大尺寸光学元件为研究对象,基于深度学习理论,对其损伤等级诊断以及剩余寿命(RUL)预测的方法进行研究,并且针对其损伤诊断工作设计实现了FOA损伤诊断系统。首先,针对深度学习模型训练的输入,对采集到的原始数据图像进行处理,通过实验对比验证,针对噪声及模糊问题分别给出了相应的解决方案。接下来建立了用于模型训练的数据集,在此,针对损伤等级诊断问题以及剩余寿命预测问题,分别探讨了数据集的不同划分方式。完成上述准...

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的来源
    1.2 课题研究的背景和意义
        1.2.1 研究背景
        1.2.2 研究意义
    1.3 国内外研究现状及分析
        1.3.1 FOA损伤检测技术国内外研究现状
        1.3.2 基于深度学习的故障诊断国内外研究现状
        1.3.3 国内外研究现状综述的简析
    1.4 主要研究内容
第2章 FOA损伤诊断图像预处理
    2.1 空间域滤波
    2.2 形态学滤波
    2.3 图像退化与复原
    2.4 本章小结
第3章 FOA损伤诊断数据预处理
    3.1 损伤等级划分标准的选定
        3.1.1 基于倍频效率的损伤等级划分标准
        3.1.2 基于损伤面积的损伤等级划分标准
    3.2 建立数据集
        3.2.1 数据采集
        3.2.2 训练及测试数据集的建立
    3.3 本章小结
第4章 FOA损伤等级诊断方法探究
    4.1 SIMPLE CNN
        4.1.1 CNN结构简介
        4.1.2 过拟合问题的应对
        4.1.3 简单CNN模型的构建
    4.2 CNN+SVM
        4.2.1 SVM技术说明
        4.2.2 SVM用于多分类问题
        4.2.3 构建CNN+SVM模型
    4.3 迁移学习(使用预训练网络的bottleneck特征)
    4.4 实验环境和实验结果
        4.4.1 实验环境
        4.4.2 实验结果
    4.5 本章小结
第5章 FOA剩余寿命预测方法探究
    5.1 建立剩余寿命预测数据集
    5.2 剩余寿命预测方法探究
        5.2.1 SIMPLE CNN
        5.2.2 FINE-TUNE
    5.3 实验环境和实验结果
        5.3.1 实验环境
        5.3.2 实验结果
    5.4 本章小结
第6章 FOA损伤诊断数据分析管理系统的设计与实现
    6.1 系统目标及开发环境
    6.2 系统总体设计
        6.2.1 系统结构设计
        6.2.2 系统功能设计
        6.2.3 数据库设计
    6.3 系统功能模块开发及实现
        6.3.1 系统主界面
        6.3.2 用户登录模块
        6.3.3 损伤等级诊断模块
        6.3.4 剩余寿命预测模块
        6.3.5 历史信息记录查询模块
        6.3.6 用户管理模块
    6.4 本章小结
结论
参考文献
致谢



本文编号：3757942