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 |