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 |