| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 熔滴过渡类型识别的研究现状 | 第10-12页 |
| 1.2.2 关于电弧声信号的研究现状 | 第12-14页 |
| 1.2.3 利用电弧声信号进行模式识别的研究现状 | 第14-15页 |
| 1.3 本文研究的主要内容 | 第15-17页 |
| 第2章 电弧信号数据采集与分析系统 | 第17-27页 |
| 2.1 采集系统硬件构成 | 第17-21页 |
| 2.2 基于LabVIEW的采集系统软件构成 | 第21-24页 |
| 2.2.1 电弧信号采集模块 | 第22-24页 |
| 2.3 分析系统软件构成 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于LabVIEW的电弧声信号特征分析 | 第27-43页 |
| 3.1 电弧声时域分析 | 第30-33页 |
| 3.2 电弧声频域分析 | 第33-35页 |
| 3.3 电弧声小波分析 | 第35-42页 |
| 3.3.1 小波分析方法 | 第35-36页 |
| 3.3.2 小波基函数的选择 | 第36-39页 |
| 3.3.3 小波包分析方法 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 电弧声信号特征提取 | 第43-55页 |
| 4.1 电弧声信号分解与重构 | 第43-49页 |
| 4.2 提取小波包频带能量特征 | 第49-52页 |
| 4.3 电弧声信号几何特征提取 | 第52-54页 |
| 4.3.1 峰度分析理论 | 第52-53页 |
| 4.3.2 提取几何特征值 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 MIG焊神经网络熔滴过渡类型辨识建模 | 第55-62页 |
| 5.1 广义回归神经网络（GRNN） | 第56-57页 |
| 5.2 概率神经网络（PNN） | 第57-60页 |
| 5.3 基于GRNN和PNN网络熔滴过渡类型分类识别 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 攻读硕士期间发表论文 | 第66-67页 |
| 致谢 | 第67-68页 |