GMAW电弧声参数化模型及模式识别
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-22页 |
| 1．1 引言 | 第8页 |
| 1．2 用于质量检测的电弧信号 | 第8-12页 |
| 1．2．1 电弧电压及电流信号 | 第9页 |
| 1．2．2 电弧声信号 | 第9-11页 |
| 1．2．3 电弧光信号 | 第11-12页 |
| 1．3 焊接过程质量监控研究方法 | 第12-20页 |
| 1．3．1 信号分析方法 | 第12-13页 |
| 1．3．2 统计分析方法 | 第13-14页 |
| 1．3．3 神经网络技术 | 第14-17页 |
| 1．3．4 计算机专家系统 | 第17-19页 |
| 1．3．5 模糊控制技术 | 第19-20页 |
| 1．4 本文研究内容 | 第20-22页 |
| 第二章 信号采集 | 第22-29页 |
| 2．1 引言 | 第22页 |
| 2．2 信号采集系统硬件 | 第22-25页 |
| 2．2．1 系统构成 | 第22页 |
| 2．2．2 采样放大电路 | 第22-23页 |
| 2．2．3 数据采集卡 | 第23-25页 |
| 2．3 信号采集系统软件 | 第25-28页 |
| 2．3．1 图形界面 | 第25页 |
| 2．3．2 数据采集 | 第25-27页 |
| 2．3．3 图形数据显示 | 第27-28页 |
| 2．4 本章小结 | 第28-29页 |
| 第三章 GMAW电弧声信号特征分析 | 第29-42页 |
| 3．1 引言 | 第29-30页 |
| 3．2 时域分析 | 第30-34页 |
| 3．2．1 信号同步波形 | 第30-32页 |
| 3．2．2 短时相关性分析 | 第32-34页 |
| 3．3 频域分析 | 第34-40页 |
| 3．3．1 傅立叶变换 | 第34-36页 |
| 3．3．2 短时傅立叶变换 | 第36-38页 |
| 3．3．3 功率谱分析 | 第38-40页 |
| 3．4 本章小结 | 第40-42页 |
| 第四章 电弧声的参数化模型及模式识别 | 第42-82页 |
| 4．1 电弧声产生机理 | 第42-44页 |
| 4．1．1 电弧声的产生动因 | 第42-43页 |
| 4．1．2 电弧声的形成机理 | 第43-44页 |
| 4．2 电弧声道数学模型 | 第44-45页 |
| 4．3 电弧声线性预测模型 | 第45-58页 |
| 4．3．1 线性预测的基本原理 | 第46-49页 |
| 4．3．2 线性预测方程组的解法 | 第49-52页 |
| 4．3．3 格形法 | 第52-55页 |
| 4．3．4 基于线性预测的电弧声信号参数模型 | 第55-56页 |
| 4．3．5 基于LPC的电弧声特征提取 | 第56-58页 |
| 4．4 基于RBF神经网络的焊接状态识别 | 第58-69页 |
| 4．4．1 人工神经网络特点 | 第58-59页 |
| 4．4．2 径向基函数网络 | 第59-61页 |
| 4．4．3 RBF网络学习方法 | 第61-64页 |
| 4．4．4 焊接状态的RBF网络识别 | 第64-69页 |
| 4．5 基于SVM的焊接状态识别 | 第69-80页 |
| 4．5．1 机器学习问题的表示 | 第70页 |
| 4．5．2 风险最小化问题 | 第70-73页 |
| 4．5．3 SVM基本理论 | 第73-76页 |
| 4．5．4 SVM算法 | 第76页 |
| 4．5．5 基于SVM焊接状态识别 | 第76-80页 |
| 4．6 本章小结 | 第80-82页 |
| 第五章 结论 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 附录 | 第87页 |
| 致谢 | 第87-88页 |
| 攻读硕士研究生期间发表论文 | 第88页 |
