基于多特征数据融合的金属缺陷超声智能检测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9页 |
| 1.2 研究概况 | 第9-12页 |
| 1.2.1 无损检测技术研究概况 | 第9-10页 |
| 1.2.2 超声缺陷信号处理研究概况 | 第10-11页 |
| 1.2.3 金属缺陷智能识别技术研究概况 | 第11-12页 |
| 1.3 课题的意义与内容 | 第12-14页 |
| 第2章 超声信号常规分析方法 | 第14-21页 |
| 2.1 短时傅立叶变换 | 第14页 |
| 2.2 小波包分解 | 第14-15页 |
| 2.3 经验模态分解 | 第15-16页 |
| 2.4 固有时间尺度分解 | 第16-20页 |
| 2.4.1 固有时间尺度分解原理 | 第16-17页 |
| 2.4.2 固有时间尺度分解优点 | 第17-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 超声缺陷信号特征提取 | 第21-33页 |
| 3.1 试块制作 | 第21-24页 |
| 3.2 金属缺陷超声检测与信号采集 | 第24-28页 |
| 3.2.1 超声波检测原理和参数选择 | 第27-28页 |
| 3.2.2 超声缺陷回波信号采集 | 第28页 |
| 3.3 ITD分解时频域特征 | 第28-31页 |
| 3.3.1 超声信号ITD分解 | 第28-30页 |
| 3.3.2 时域特征提取 | 第30页 |
| 3.3.3 频域特征提取 | 第30-31页 |
| 3.4 小波包分解能量特征 | 第31-32页 |
| 3.4.1 超声信号小波包分解 | 第31页 |
| 3.4.2 小波包能量特征提取 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 金属缺陷智能检测 | 第33-39页 |
| 4.1 金属缺陷特征归一化 | 第33-34页 |
| 4.2 BP神经网络缺陷初步识别 | 第34-36页 |
| 4.3 果蝇神经网络缺陷识别 | 第36-38页 |
| 4.3.1 基于果蝇算法的参数寻优 | 第36-37页 |
| 4.3.2 ITD分解时频域特征缺陷识别 | 第37-38页 |
| 4.3.3 小波包分解能量特征缺陷识别 | 第38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 基于数据融合的金属缺陷智能检测 | 第39-45页 |
| 5.1 D-S证据理论 | 第39-40页 |
| 5.2 决策级数据融合缺陷识别 | 第40-44页 |
| 5.2.1 决策级数据融合 | 第40-43页 |
| 5.2.2 决策级数据融合缺陷识别结果 | 第43-44页 |
| 5.3 本章小结 | 第44-45页 |
| 第6章 结论与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第51-52页 |
| 致谢 | 第52页 |
