| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 脉冲涡流技术缺陷检测研究现状 | 第11-13页 |
| 1.2.2 磁性材料缺陷检测研究现状 | 第13-14页 |
| 1.2.3 脉冲涡流缺陷识别反演算法研究现状 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文内容结构安排 | 第16-17页 |
| 第二章 脉冲涡流技术的磁性材料缝状缺陷识别理论及仿真研究 | 第17-36页 |
| 2.1 铁磁性材料磁化机理研究 | 第17-19页 |
| 2.1.1 磁化磁场产生机理 | 第17-18页 |
| 2.1.2 磁滞回线 | 第18-19页 |
| 2.2 磁性材料缝状缺陷检测原理 | 第19-22页 |
| 2.2.1 基于脉冲方波激励的磁性材料缺陷检测原理 | 第19-21页 |
| 2.2.2 趋肤深度计算 | 第21-22页 |
| 2.3 基于脉冲涡流检测技术的铁磁性材料缺陷检测的数值仿真研究 | 第22-35页 |
| 2.3.1 建立有限元仿真模型 | 第23-29页 |
| 2.3.2 检测信号的影响因素 | 第29-32页 |
| 2.3.3 缺陷尺寸与电磁信号关系仿真分析 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 脉冲涡流技术的磁性材料缝状缺陷识别实验研究 | 第36-59页 |
| 3.1 实验硬件平台 | 第36-40页 |
| 3.1.1 选取信号源 | 第36页 |
| 3.1.2 设计探头 | 第36-38页 |
| 3.1.3 设计放大滤波电路 | 第38-39页 |
| 3.1.4 设计被测试件 | 第39-40页 |
| 3.2 实验软件平台 | 第40-51页 |
| 3.2.1 数据采集 | 第40-41页 |
| 3.2.2 周期波形自动化提取技术研究 | 第41-48页 |
| 3.2.3 信号处理程序集成及封装 | 第48-51页 |
| 3.3 实验软硬件平台集成 | 第51-52页 |
| 3.4 缺陷尺寸与电磁信号关系实验研究 | 第52-57页 |
| 3.4.1 缺陷深度与检测电压的关系 | 第53-55页 |
| 3.4.2 缺陷宽度与检测电压的关系 | 第55-57页 |
| 3.5 实验结果与仿真结果对比 | 第57-58页 |
| 3.6 本章小结 | 第58-59页 |
| 第四章 基于神经网络的磁性材料缺陷定量识别算法研究 | 第59-87页 |
| 4.1 神经网络算法 | 第59-63页 |
| 4.1.1 人工神经元 | 第59-61页 |
| 4.1.2 神经网络结构模型 | 第61-63页 |
| 4.2 神经网络训练样本和验证值的选取 | 第63-64页 |
| 4.2.1 训练样本的选择 | 第63-64页 |
| 4.2.2 验证值的选择 | 第64页 |
| 4.3 基于不同神经网络算法的铁磁性材料缺陷识别算法研究 | 第64-72页 |
| 4.3.1 BP神经网络缺陷识别算法 | 第65-67页 |
| 4.3.2 RBF径向基函数神经网络缺陷识别算法 | 第67-68页 |
| 4.3.3 GRNN广义回归神经网络缺陷识别算法 | 第68-69页 |
| 4.3.4 PNN概率神经网络缺陷识别算法 | 第69-71页 |
| 4.3.5 神经网络反演结果比较 | 第71-72页 |
| 4.4 BP神经网络算法优化 | 第72-82页 |
| 4.4.1 BP神经网络训练样本优化 | 第73-77页 |
| 4.4.2 基于遗传算法优化的BP神经网络算法 | 第77-82页 |
| 4.5 智能算法与传统算法对比 | 第82-84页 |
| 4.5.1 基于传统算法的缺陷验证和预测 | 第82-83页 |
| 4.5.2 算法对比 | 第83-84页 |
| 4.6 基于优化的BP神经网络缺陷反演精度研究 | 第84-86页 |
| 4.7 本章小结 | 第86-87页 |
| 第五章 总结与展望 | 第87-90页 |
| 5.1 总结 | 第87-88页 |
| 5.2 展望 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 攻读硕士学位期间取得的研究成果 | 第95页 |
