微结构性能分析与信号预测技术研究

Because of miniature inertial measurement combination adopting micro mechanical processing technology manufacturing miniature sensors，the volume of the sensor is much smaller than the traditional meaning。 Its unique microstructure design make it can bear larger overload, meet the diversity of the environment needs. However it is the diversity that we can't use the traditional methods of analysis and prediction. By using of cantilever mechanical properties and the theory of formula, we analysis of the cantilever structure of the size effect. When the micro-size components close to the grain-scale materials, due to surface effects, organizational structure and process, mechanical properties will change. We will analyze the cantilever beam loading force and deflection relationship and study of the cantilever beam structure size effect. We will use the neural network to predict the relationship l between oading force and the deflection under different mathematical model parameters of the microcantilever beam..We will study information fusion technology by using statistics method and artificial neural network method, which is Including data fusion method and analyzing software level research based on multi-sensor data fusion technology research. We research different sensor data fusion and information processing and forecasting, enhance the reliability of the target detection. With the improvement of the BP neural network and door control network we achieve the long-range forecasting and prediction and short-range fast forecasting of simulation test comparison from sensors signal.

由于微型惯性测量组合采用微机械加工工艺技术制造微型传感器，其体积比传统意义下的传感器小的多，其独特的微结构设计使其能承受较大的过载，满足这种环境的多样性需求；然而也正是这种多样性使我们不能用传统的方法对它进行分析和预测。本项目运用力学理论与神经网络算法，研究微梁结构的尺寸效应，当微构件尺寸接近材料晶粒尺度时，由于表面效应、组织结构及加工过程的影响，力学性能会发生变化。我们将分析微悬臂梁的加载力与挠度关系，分析微梁结构的尺寸效应；用神经网络数学模型预测不同参数下的微悬臂梁加载力与挠度的关系。.综合利用统计的方法和人工神经网络的方法进行信息融合技术研究, 包括数据融合层次、方法和分析软件的研究、基于多传感器的数据融合技术的研究；对不同传感器数据进行融合与信息处理及预测 ,增强目标检测的可靠性。用改进的BP神经网络与门控神经网络对传感器测得的信号进行短程预测、长程预测及快速预测的模拟试验比较.

MEMS是指集执行器和传感器等微型装置、微型机构、微型尺度驱动、控制与处理集成电路为一体的微型系统。首先，我们应用理论数学模型和神经网络预测的方法对微悬臂梁在轴向拉伸受力和垂直加载受力两种不同受力情况下的断裂失效可靠性进行了分析研究，并把微悬臂梁的梁数对其可靠性的影响考虑进去，在原有模型的基础上得到了其在垂直静态外加载力下新的断裂失效可靠性预测模型。建立了微悬臂梁力学特性研究的BP神经网络模型；针对BP网络收敛速度慢、易陷于局部极小点等缺点，用SVM和PSO-GRNN网络改进了网络的训练算法，以保证网络能够稳定快速收敛同时具有较高预测精度。其次，运用BP神经网络、SVM算法、SOM网络等聚类方法对电容式MEMS微型加速度计失效分析进行了研究，建立了自适应成品率分类模型，对提高产品的可靠性有指导的意义。第三，针对MEMS水听器采集的信号噪声较大，低信噪比下的消噪问题是一个公认的难题。我们采取T-S模糊神经网络结合LMS自适应噪声对消法进行消噪，以提高目标信号信噪比。另外，要达到对声目标的定向定位，需建立起声目标信号与其方位（波达方向或目标位置）之间的映射关系，人工神经网络最为合适。利用小波神经网络、非线性主成分分析等方法来直接的模拟上述映射关系，另一方面利用Kohonen自组织神经网络保持拓扑序这一特性得到信号与方位之间的间接映射关系。通过建立起的几种模型，分别利用消噪后的接收信号对目标信号方位进行了估计，从中确定信号源的目标方位（DOA）。最后我们对不同类型缺陷检测实验所获得的激光超声表面波信号进行了分析处理，研究泛化能力强、复杂度低、精确度高的分类识别算法。由于超声缺陷信号的非平稳性、非线性特点，传统的时、频域方法无法准确获得反映缺陷本征的特征向量。因此我们利用自组织神经网络强大的自组织、自适应能力对超声表面波信号进行自学习。首先根据其自学习的缺陷信息进行粗略的聚类处理，然后我们采用有监督学习的方法，针对聚类结果进行精确地分类识别。