首页--工业技术论文--石油、天然气工业论文--石油机械设备与自动化论文--油气开采机械设备论文--抽油机械设备论文

抽油杆缺陷检测及模式识别的研究

摘要第1-7页
Abstract第7-9页
目录第9-12页
第一章 绪论第12-22页
   ·研究背景第12-13页
   ·抽油杆的主要缺陷形式第13-14页
   ·抽油杆无损检测研究历史、现状和发展第14-16页
   ·常用的抽油杆缺陷无损检测方法第16-17页
     ·涡流检测第16-17页
     ·漏磁检测第17页
   ·抽油杆缺陷的模式识别方法第17-20页
     ·神经网络第18-19页
     ·支持向量机第19-20页
   ·主要研究内容第20-22页
第二章 抽油杆缺陷检测方法第22-38页
   ·引言第22页
   ·涡流检测原理第22-24页
   ·漏磁检测原理第24-25页
   ·抽油杆试样的缺陷检测实验第25-30页
     ·抽油杆实验样杆第25-28页
     ·抽油杆实验设备第28-29页
     ·实验流程第29-30页
   ·抽油杆缺陷的涡流检测法第30-35页
   ·抽油杆缺陷的漏磁检测法第35-36页
   ·检测灵敏度分析第36-37页
   ·结果分析第37页
   ·本章小结第37-38页
第三章 基于小波理论的缺陷信号去噪和特征提取第38-56页
   ·引言第38页
   ·小波分析原理第38-40页
   ·小波变换用于信号降噪的原理第40-41页
     ·信号降噪的准则第40页
     ·小波分析用于降噪的过程第40-41页
   ·改进的小波阈值去噪方法第41-44页
   ·改进阈值去噪在抽油杆缺陷信号中的应用第44-48页
   ·基于小波包的缺陷特征提取第48-50页
     ·小波包能量特征提取方法第48-49页
     ·抽油杆的缺陷信号小波能量特征第49-50页
   ·时域信号峰峰值特征第50-53页
     ·信号标定第50-52页
     ·抽油杆裂纹的门槛值第52-53页
   ·基于类内类间距离的可分离性判据第53-55页
   ·本章小结第55-56页
第四章 基于神经网络和支持向量机的抽油杆缺陷模式识别第56-77页
   ·引言第56页
   ·基于神经网络的抽油杆缺陷模式识别第56-59页
     ·人工神经元模型第56-57页
     ·人工神经网络的拓扑结构第57-58页
     ·人工神经网络的知识表示第58页
     ·人工神经网络的学习第58页
     ·神经网络诊断方法第58-59页
   ·神经网络样本的构造第59-60页
   ·神经网络期望输出第60-61页
   ·基于BP神经网络的抽油杆缺陷识别第61-63页
     ·神经网络的前向计算第61-62页
     ·误差的反向传播计算第62页
     ·测试结果第62-63页
   ·基于概率神经网络的抽油杆缺陷识别第63-65页
     ·概率神经网络第63-64页
     ·基于PNN的抽油杆缺陷识别第64-65页
   ·支持向量机在抽油杆缺陷识别中应用第65-75页
     ·支持向量机理论第66-73页
     ·基于改进的1-v-1多分类器第73-74页
     ·支持向量机在抽油杆缺陷识别中应用第74-75页
   ·神经网络法与支持向量机的分类结果比较第75-76页
   ·本章小结第76-77页
第五章 抽油杆缺陷自动检测和识别系统的开发第77-96页
   ·引言第77-78页
   ·抽油杆自动探伤和识别系统的开发第78-84页
     ·总体功能第78页
     ·方案设计第78-84页
   ·软件开发的硬件环境第84-87页
   ·系统开发的软件环境第87-93页
   ·现场应用结果分析第93-95页
   ·本章小结第95-96页
第六章 提高抽油杆裂纹检测灵敏度的措施第96-103页
   ·引言第96页
   ·抽油杆在拉伸下的裂纹检测第96-102页
   ·本章小结第102-103页
第七章 总结和展望第103-105页
   ·论文工作总结第103-104页
   ·展望第104-105页
参考文献第105-112页
致谢第112-113页
攻读博士学位期间发表的论文第113页
参加科研项目情况第113-114页
作者简介第114页

论文共114页,点击 下载论文
上一篇:嵌入式氧化物制备和物理性能研究
下一篇:涤纶短纤维生产过程管理优化方法研究