| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题研究背景 | 第15页 |
| 1.2 水下焊接方法 | 第15-16页 |
| 1.3 高压GMAW的研究现状 | 第16-18页 |
| 1.4 人工神经网络及其在焊缝成形预测中的应用 | 第18-22页 |
| 1.4.1 焊接智能化的研究趋势 | 第18页 |
| 1.4.2 人工神经网络的概述 | 第18-19页 |
| 1.4.3 人工神经网络在焊接中的应用 | 第19-20页 |
| 1.4.4 人工神经网络在焊缝成形预测中的研究现状 | 第20-22页 |
| 1.5 本文的研究意义和研究内容 | 第22-25页 |
| 1.5.1 本文的研究意义 | 第22-23页 |
| 1.5.2 本文的研究内容 | 第23-25页 |
| 第二章 基于正交设计法的试验样本采集 | 第25-35页 |
| 2.1 高压GMAW焊缝成形的影响因素 | 第25-26页 |
| 2.2 高压GMAW焊接试验系统 | 第26-29页 |
| 2.3 正交试验采集样本 | 第29-33页 |
| 2.3.1 正交设计法原理 | 第29-30页 |
| 2.3.2 焊接试验方案设计 | 第30-31页 |
| 2.3.3 焊接准备工作 | 第31页 |
| 2.3.4 试验数据采集 | 第31-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第三章 高压GMAW焊缝成形的分析 | 第35-47页 |
| 3.1 环境压力对焊缝成形的影响 | 第35-37页 |
| 3.2 焊接电流对焊缝成形的影响 | 第37-39页 |
| 3.3 保护气成分对焊缝成形的影响 | 第39-42页 |
| 3.4 干伸长对焊缝成形的影响 | 第42-43页 |
| 3.5 高压GMAW焊缝成形分析 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 回归模型的建立 | 第47-55页 |
| 4.1 回归分析的数学模型 | 第47-48页 |
| 4.2 回归方程的建立与回归诊断 | 第48-53页 |
| 4.2.1 熔宽B的回归方程及回归诊断 | 第48-50页 |
| 4.2.2 熔深H的回归方程及回归诊断 | 第50-52页 |
| 4.2.3 余高E的回归方程及回归诊断 | 第52-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第五章 基于BP神经网络的焊缝成形预测模型建立 | 第55-71页 |
| 5.1 BP神经网络的基本原理 | 第55-59页 |
| 5.1.1 BP网络神经元的数学模型 | 第55-56页 |
| 5.1.2 BP网络的前馈计算 | 第56-57页 |
| 5.1.3 BP网络权值系数调整规则 | 第57-58页 |
| 5.1.4 BP算法的不足及改进 | 第58-59页 |
| 5.2 BP神经网络的结构和参数选取 | 第59-62页 |
| 5.2.1 网络结构的确定 | 第59-61页 |
| 5.2.2 初始值和参数的设定 | 第61页 |
| 5.2.3 数据归一化 | 第61-62页 |
| 5.3 BP神经网络模型的程序实现 | 第62-69页 |
| 5.3.1 BP网络的学习流程图 | 第62-63页 |
| 5.3.2 程序的实现 | 第63-68页 |
| 5.3.4 预测模型的实现 | 第68-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 预测系统的开发和应用 | 第71-85页 |
| 6.1 用户界面设计 | 第71-77页 |
| 6.1.1 主界面设计 | 第71-72页 |
| 6.1.2 训练界面设计 | 第72-75页 |
| 6.1.3 预测界面设计 | 第75-77页 |
| 6.2 预测系统的应用 | 第77-81页 |
| 6.2.1 学习训练模块的应用 | 第77-79页 |
| 6.2.2 网络预测模块的应用 | 第79页 |
| 6.2.3 预测结果分析 | 第79-81页 |
| 6.3 经验公式与神经网络结果对比 | 第81-82页 |
| 6.4 本章小结 | 第82-85页 |
| 第七章 总结与展望 | 第85-87页 |
| 7.1 总结 | 第85-86页 |
| 7.2 展望 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-93页 |
| 研究成果及发表的学术论文 | 第93-95页 |
| 作者和导师简介 | 第95页 |