基于高斯过程的表面形貌测量研究

发布时间：2020-04-25 19:21

【摘要】：表面结构的磨损、支承、润滑、润湿、抗反射和腐蚀等性能与表面形貌紧密相关。当前,在科学研究和工程应用的很多领域中,对表面形貌的定量测量显得尤为重要,人们对高效率、高精度的测量需求也日益强烈。然而,每种表面测量仪器都有各自的优缺点,没有一种仪器能满足所有的测量需求。像扫描探针显微镜(SPM)、三坐标测量仪(CMM)这类仪器具有较高的测量精度,然而这种逐点式扫描的测量效率较低,且SPM测量范围较小。光学显微镜(OM)具有高测量效率、测得数据密度大、非破坏性等优点,但光与表面结构间复杂的相互作用也会带来较大的测量误差。因此,为了满足高效率、高精度的测量需求,本文基于高斯过程的机器学习算法,分别从算法提出、仿真和实验上进行了以下几个方面的研究工作:1、基于高斯过程算法,研究了在扩大范围、棋盘式、Hilbert曲线及阿基米德螺旋线这四种特定路径下的表面重构。针对随机粗糙、自由曲面和结构化表面,分别从仿真和实验上得出:在不损失测量精度的前提下,这种特定轨迹扫描具有减少测量点、提升测量效率的优点。2、为了减少采样密度且不损失表面测量精度,本文提出了基于高斯过程的自适应采样算法,且验证了算法的有效性和鲁棒性。在每次迭代中,将当前的采样点作为训练数据来预测表面形貌,然后在预测出的最大不确定度处添加一个新的采样数据点,进而将更新后的采样点作为下一次迭代的训练数据。通过这种训练、预测、采样的迭代算法,重构出的表面形貌可以有效地收敛到真实表面形貌。在随机粗糙、自由曲面及结构化表面上的仿真实验上验证了该采样算法的有效性。该算法不仅可以精确地重构出表面形貌,也能大幅度地减少测量数据点。此外,本文验证了算法在表面的随机特征、测量噪声和表面结构突变情况下的鲁棒性。该算法尤其适用于逐点式测量。3、研究了基于高斯过程的数据融合算法在表面测量上的有效性。在复合式仪器测量中,主要存在两种不同特点的数据集:高精度低密度(HALD)与低精度高密度(LAHD)。在测量结构化表面时,为了提高表面测量精度和效率,本文将基于高斯过程的数据融合算法应用在这两种数据集上,对各种结构化表面的仿真及实验结果验证了该融合算法的有效性。此外,本文系统分析了测量偏差、噪声及采样间隔对融合结果的影响。融合的表面形貌精度高于LAHD数据集、数据密度高于HALD数据集。同时,该融合算法提高了测量效率,提升了复合式仪器测量的优点。
【图文】：

１．１．１表面结构逡逑表面结构是指一个真实表面的所有表面结构或波长部分［２］。一般来说，表逡逑面可按图１．邋１所示分类。逦逦逡逑表面分类逡逑Ｉ逡逑Ｉ逦Ｉ逡逑功能性表面逦非功能性表面逡逑逦Ｌ＿邋－－ｉ逦逦＊逦－随机表面逡逑结构化表面逦｜非结构化表面邋逦逡逑Ｉ逦Ｉ逦Ｌ系统表面逡逑有向表面｜逦｜无向表面逡逑图１．１表面的８种类别［３］逡逑功能性表面：为了实现特定的表面性能，通过改变表面或亚表面层而得的表逡逑面。逡逑非功能性表面：没有考虑表面性能、直接制造出来的表面。大多数传统的机逡逑械加工表面属于非功能性表面。逡逑结构化表面：为了实现特定的表面性能，通过设计高深宽比几何特征的确定逡逑性图案构成的表面。一些表面的纵横比是可变的。逡逑非结构化表面：制造过程中，由非确定性表面图案构成的表面。通过抛丸与逡逑１逡逑

逑的数据集，右侧安装的是一个接触式探计．可用它测量稀疏但高精度、Ａ分辨率逡逑的数据集。图１．邋４为多传感器三坐标测量仪，它集成了多个高精度传感器［Ｉ邋１］，逡逑Ｒｅｓｏｌｕｔｉｏｎ逡逑Ｃｏｏｒｄｔｎａｔｏ邋Ｍ？Ａｓｕｍ＞９逡逑Ｍａｃｈｉｎｅ邋（ＣＭＭ）逦－逡逑“逦；；…ｒ：ｒｒ．，；ｒ邋＇邋＇？－／）逦＇逦１００－逦４．Ｕ．逡逑Ｓｃａｎｎｉｎｇ邋Ｅｌｅｃｔｒｏｎ逦＊邋ｉ逡逑一逦ｍ．ａｏｓｃｏｐｅ＜ＳＥＭ）逦；邋．邋ｉ邋ｇ邋ｒ逦ｐｍ邋１0－逦ｒ————一 逡逑Ｉ邋！0１ｉ逦！邋Ｊ｜邋Ｓ邋ｉ．逡逑？｜逦；逦｜逦１００－逦逦逦＂Ｉ逡逑Ｊ逦＾邋．ｖ，，邋，逦＾邋ｎｍ邋？0－逦Ｉ逡逑ｔｏ＇．逦／逦？逦＇逦ＴＯ逦．’…：士邋．－．．逡逑ｒ逦Ｓｔｙｌｕｓ邋？Ｗ？ｒｕｒｒｗｆ？逦“逦ｕ——奢—逡逑－－逦0＜ｒ邋Ｉ邋ｆａｎａｎ－ｉｆｓｓｔｏｎ邋Ｅ＊？ｃｔ＜ｏ？逡逑．逦ｃＴ邋ｒｒ＾ｃｒＷｆ＾ＪＴＥＭ）逦ｐｍ邋１0＿逡逑１０邋－■逡逑逦ｊ逦ｓ＿＿＿，—，逦■…飞．－逦？．逦ｒ逦逦－．逦．，逡逑—＊Ｈ—夺？一丨．“．ｆ￣４Ｈ逦＼逦ｂ—邋．．ｆ逦１逦■！逦１逦逦邋４０逦ＩＣＯ邋１逦１０逦１００逦，逦１０逦１００逡逑，Ｄ，，逦１０＜逦，0１逦１0Ｃ逦ｐｍ逦｜逦邮丨逦ｍ逡逑Ｌａｔｅｒａｌ邋ｄｉｍｅｎｓｉｏｎｓ邋（ｍｊ逦（ａｔｅｒａｆ邋ｒｅｓｏｌｕｔｉｏｎ邋（Ｘ
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TG84

【相似文献】

相关期刊论文 前10条

1 钟美;赵兵涛;黄朔;;基于高斯过程回归的燃煤烟气汞排放预测[J];动力工程学报;2016年12期

2 李慧琼;;d维平稳高斯过程极集的充分条件及维数[J];数学杂志;2007年05期

3 胡爱平;伍度志;;平稳高斯过程最大值的极限分布[J];西南师范大学学报(自然科学版);2006年06期

4 谢盛荣;一类高斯过程在高水平u上的逗留[J];科学通报;1998年13期

5 陈振龙,徐赐文;d维平稳高斯过程相交局部时的几个性质[J];武汉工业大学学报;1999年06期

6 侯炳旭;俞冀阳;徐沾杰;江光明;邹志强;;利用高斯过程回归对燃爆单元宽度的预测方法研究[J];核动力工程;2017年02期

7 李棕;崔得龙;;基于高斯过程回归和强化学习的云资源调度算法[J];电子设计工程;2017年11期

8 吴明;宋博;王锋;唐红;;基于高斯过程分类的调制识别方法[J];计算机仿真;2015年10期

9 陈宗帅;杨昌明;闫利宇;;基于计算机模拟与高斯过程回归的优化设计方法[J];计算机光盘软件与应用;2014年14期

10 杨春华,彭作祥;局部平稳高斯过程的最大值与最小值的渐近独立性[J];西南师范大学学报(自然科学版);2004年02期

相关会议论文 前3条

1 刘信恩;;高斯过程响应面法及其应用研究[A];中国工程物理研究院科技年报（2010年版）[C];2011年

2 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年

3 庞梦非;唐国安;张美艳;;参数不确定性对桥梁振动特性的影响[A];第十届动力学与控制学术会议摘要集[C];2016年

相关博士学位论文 前10条

1 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年

2 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年

3 房晟辰;基于高斯过程回归及Trust-Tech的短期风电功率预测方法[D];天津大学;2016年

4 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年

5 徐冲;分岔隧道设计施工优化与稳定性评价[D];北京交通大学;2011年

6 刘新亮;技术引入对武器装备体系能力影响的评估方法研究[D];国防科学技术大学;2009年

7 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

8 赵宏旭;波动方程的高斯过程模型分析及在晶圆切割中的应用研究[D];清华大学;2010年

9 谭中权;极值及相关对象的渐近性分析[D];苏州大学;2012年

10 宋彪;无设备定位的建模与优化方法研究[D];北京科技大学;2017年

相关硕士学位论文 前10条

1 庞蕊;高斯过程回归在气象数据方面的应用研究[D];西安建筑科技大学;2018年

2 韩淼;基于高斯过程的钱塘江涌潮预报算法研究[D];杭州电子科技大学;2018年

3 周莹;高斯过程在建筑节能气候分区中的应用[D];西安建筑科技大学;2018年

4 周晓康;基于高斯过程回归的异构无线网络室内盲区识别研究[D];哈尔滨工业大学;2018年

5 刘秋阳;多视角高斯过程的模型与算法研究[D];华东师范大学;2018年

6 王慧娟;贝叶斯高斯过程潜变量模型的研究与应用[D];华东师范大学;2018年

7 王志豪;基于免疫高斯过程算法的岩体物理力学参数位移反分析方法研究[D];北京交通大学;2018年

8 彭朝阳;基于高斯过程的表面形貌测量研究[D];中国科学技术大学;2018年

9 王赢逸;基于深度高斯过程的交通流预测[D];北京交通大学;2018年

10 何晶;基于高斯过程回归的锂电池健康预测[D];北京交通大学;2018年

本文编号：2640601