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--自动化系统论文--数据处理、数据处理系统论文

基于LabVIEW的应力波无损检测系统的设计

摘要第4-5页
abstract第5页
第一章 绪论第9-16页
    1.1 课题研究的目的和意义第9-10页
    1.2 虚拟仪器在无损检测中的研究现状第10-11页
    1.3 信号处理技术在应力波检测中应用的研究现状第11-13页
        1.3.1 时频分析方法在应力波检测中应用的研究现状第11-12页
        1.3.2 支持向量在应力波检测中应用的研究现状第12-13页
    1.4 论文的主要工作和章节安排第13-16页
第二章 应力波无损检测系统的总体设计第16-24页
    2.1 应力波无损检测系统的总体方案第16-17页
    2.2 应力波无损检测系统的硬件部分第17-20页
        2.2.1 系统硬件的介绍第17-19页
        2.2.2 缺陷试块第19页
        2.2.3 应力波探头第19-20页
    2.3 应力波无损检测系统的软件总体结构第20-22页
    2.4 本章小结第22-24页
第三章 缺陷的特征表征以及特征的选择第24-50页
    3.1 应力波信号的非线性和非平稳特性第24-27页
        3.1.1 应力波信号的平稳性检验第24-26页
        3.1.2 应力波信号的非线性检验第26-27页
    3.2 小波包和集合经典模态分解的基本理论和方法研究第27-32页
        3.2.1 小波包分解的基本原理和算法第27-29页
        3.2.2 EMD及EEMD分解的原理和算法第29-32页
    3.3 应力波信号的特征分析第32-35页
        3.3.1 应力波信号的常用特征第32-33页
        3.3.2 本文选用的特征第33-35页
    3.4 应力波信号的特征提取第35-44页
        3.4.1 电磁超声应力波信号的时域和频域结构特征提取第35-38页
        3.4.2 基于WPT变换的应力波信号特征提取第38-41页
        3.4.3 基于EEMD变换的应力波特征提取第41-44页
    3.5 特征选择第44-49页
        3.5.1 特征评估的基本原理第45-46页
        3.5.2 序列前向选择的基本原理第46-47页
        3.5.3 特征的最优的选择第47-49页
    3.6 本章小结第49-50页
第四章 基于支持向量机缺陷识别、半监督增量学习的研究第50-70页
    4.1 支持向量机的概述第50-54页
        4.1.1 支持向量机的分类第50-54页
        4.1.2 支持向量机工具箱第54页
    4.2 基于SVM的缺陷识别第54-61页
        4.2.1 特征预处理方式、核函数及核函数参数对SVM网络识别的影响第54-57页
        4.2.2 SVM的参数寻优第57-59页
        4.2.3 SVM网络的训练第59-61页
        4.2.4 基于SVM的缺陷识别第61页
    4.3 半监督增量学习第61-68页
        4.3.1 半监督支持向量机第61-65页
        4.3.2 安全的半监督支持向量机第65-67页
        4.3.3 实验验证第67-68页
    4.4 本章小结第68-70页
第五章 软件系统搭建以及缺陷识别的实验验证第70-84页
    5.1 软件设计技术第70-71页
        5.1.1 虚拟仪器技术第70页
        5.1.2 模块化软件设计技术第70-71页
        5.1.3 多线程软件开发技术第71页
    5.2 软件系统的总体框架第71-73页
        5.2.1 软件实现的流程图第71-72页
        5.2.2 系统的主程序框架第72-73页
    5.3 各功能模块的设计第73-78页
        5.3.1 采集模块第73-74页
        5.3.2 数据储存与读取模块第74-76页
        5.3.3 参数实时更新模块第76-77页
        5.3.4 支持向量机模块第77-78页
    5.4 裂纹缺陷的在线识别实验第78-82页
        5.4.1 实验的操作流程第78-79页
        5.4.2 缺陷数据的采集第79-80页
        5.4.3 裂纹缺陷网络的训练第80-81页
        5.4.4 裂纹缺陷的在线识别第81-82页
    5.5 本章小结第82-84页
第六章 结论与展望第84-86页
参考文献第86-92页
附录 A第92-93页
附录 B第93-94页
攻读硕士学位期间所得的相关科研成果第94-96页
致谢第96页

论文共96页,点击 下载论文
上一篇:基于突触可塑性机制的多神经元连接电路的仿真和分析
下一篇:基于忆阻器的脉冲神经网络仿真分析