一、应用模式识别技术识别超声检测的缺陷类型（论文文献综述）
周梦茜[1]（2021）在《电力变压器局部放电超声信号的声纹识别方法研究》文中指出电力变压器是电网中的关键设备,对变压器进行状态评估和故障诊断具有重要意义。当变压器内部绝缘产生缺陷时,会发生局部放电现象,对局放进行检测可以表征绝缘性能。存在局部放电时会发出异常超声波,目前对于局部放电的超声法诊断有相位图谱,飞行时间图、频率相关性方法等。由于超声波持续时间较长,现有方法模式识别均比较粗略,仅可实现部分缺陷类型,不能对全部放电类型进行精细判别。局部放电的超声信号也是广义上的“声音”,基于超声信号的“声音”属性进行识别的研究仅止步于声学特征量的引入,声学方法能否有效识别这种“声音”是一个值得探索的问题。基于该问题,本文在设计制作了四种典型油纸绝缘局部放电缺陷模型,搭建局部放电超声检测实验系统,采集不同类型局部放电的超声信号,结合在变压器进行出厂试验时采集的局部放电超声信号,将这些信号经过端点检测环节,对其经过端点检测前后的时间长度进行对比,根据结果筛选超声样本,建立变压器局部放电超声样本库。引入声纹识别技术,对不同模式局部放电超声信号进行分析。基于声纹识别技术,绘制了不同类型局部放电超声信号的语谱图,分析不同模式局部放电超声信号语谱图的差异性,提取了超声信号的梅尔频率倒谱系数和伽马通频率倒谱系数,基于特征量训练得到了不同模式局部放电超声信号的高斯混合模型,发现不同类型局部放电超声信号的语谱图、特征量和模型均存在较大差异。为凸显超声的“声音”属性,提出降频系数的概念,分析降频系数对识别效果的影响。对于算法中的关键参数:帧长、特征量维数和模型分量数进行了优化,同时基于识别贡献率进一步精简了特征量,提高了识别效率和准确率。结果表明:降频系数为10、帧长为5ms、特征量维数为8、模型分量数为4时,基于MFCC参数的识别率可达97.78%,降频系数为10、帧长为10ms、特征量维数为16、模型分量数为8时,基于GFCC参数的识别率可达到87.36%。
姜智通[2]（2020）在《碳纤维复合材料层合板冲击损伤表征方法研究》文中研究说明碳纤维复合材料因其具有比强度高,比刚度大,耐腐蚀,抗压耐高温及重量轻等优良复合材料的力学性能,广泛应用于高精尖的科研装备制造领域和其他机械制造行业。但是碳纤维复合材料在生产和服役的过程中,由于长期在恶劣的环境中运行,如承受外力冲击、疲劳、蠕变等各种环境因素,都可能对其产生严重和不可目视的内部力学损伤,使得碳纤维复合材料的整体力学性能和其使用寿命发生了急剧下降,严重影响了材料的使用性和其可靠性。因此发展对碳纤维复合材料内部损伤的机理和力学性能影响预测的有效技术以及检测和可靠性评价的方法至关重要。本文以T700型环氧树脂基碳纤维复合材料层合板为研究对象,对所选择的试件先后进行不同能量下的低速多次冲击实验及受冲击后试件的弯曲实验,实验过程采用声发射检测技术和非线性超声检测技术进行检测,并结合电镜扫描技术对冲击试验进行观察,分析环氧树脂基碳纤维复合材料冲击损伤过程中试件的非线性系数随冲击次数的变化趋势,进而确定碳纤维复合材料层合板多次低速冲击后非线性系数与冲击次数相关性;冲击实验完成后,对带有不同程度冲击损伤的试件进一步开展层合板弯曲实验,实验过程全程利用声发射技术进行监测,通过所建立的基于SVM支持向量机的模式识别方法对比分析各试件弯曲损伤过程声发射信号变化,综合碳纤维复合材料层合板试件多次低速冲击实验非线性系数及受冲试件声发射数据分析结果,获得多次低速冲击对环氧树脂基碳纤维复合材料层合板性能的影响。
任慧霞[3]（2020）在《基于超声的变工况超超临界螺旋管圈水冷壁鳍片焊缝缺陷检测及模式识别》文中研究说明超超临界锅炉具有显着的节能效果,热效率也比较高,符合我们国家绿色低碳高效发展理念,但锅炉螺旋管圈水冷壁焊缝缺陷造成爆管事故不容忽视,每次停机将会带来巨大的人力物力财力损失,因此,对水冷壁鳍片焊缝中的缺陷进行有效判别,进而采取相应的措施,对节约资源,保证锅炉正常运行,减少事故发生具有重大意义。超声波具有传递能量和传递信息的功能,因此超声检测技术应用广泛,目前通过超声检测技术可以成功定位到缺陷的位置和计算缺陷的大小,但是对于缺陷的识别还存在一定的难度。本论文研究以超超临界锅炉水冷壁鳍片焊缝中的裂纹、孔、未焊透、未熔合四种人工缺陷为研究对象,通过超声波检测采集缺陷信号,首先对缺陷信号进行截短和去噪处理,再使用傅里叶变换和时频分析方法（包括短时傅里叶变换和小波变换）对缺陷信号进行分析,提取不同缺陷信号的特征值。通过对比分析,发现不同缺陷信号的功率谱密度和能量谱存在差异,因此可以选择这两种特征值作为模式识别的依据,进而达到对缺陷的定量识别。
李晓巍[4]（2020）在《基于高维特征信息融合的焊缝缺陷超声识别方法应用研究》文中研究表明随着社会生产以及科学技术的发展,焊接作为一种重要的加工方式在各个领域得到了广泛应用,如何确保焊接质量成了保证设备安全、高效运行所需考虑的重要问题。现如今对于焊缝多采用超声检测的方法对其加以检测,该方法无辐射、速度快、对于焊件本身无损伤。但传统的超声检测多采用人工方式进行缺陷种类判定,效率低、一致性差、对检测人员经验要求高;而现有的方法对于单一特征的识别率已经达到瓶颈,高维特征又会带来计算量的大幅增长,很难兼顾效率与准确率。因此将现代信号处理分析方法同机器学习相结合,寻找一种可以高效、准确的识别焊缝缺陷方法对于提高效率和准确率,减轻人员的劳动强度,保证评判结果的一致性,减少事故发生,保证相关设备安全高效的运行具有重要意义。针对焊缝缺陷的高维度样本识别率有待进一步提高的问题,以五类焊缝缺陷中的气孔、夹渣、裂纹三类埋藏缺陷为主要研究对象,提出一种新的将随机森林算法与DS证据理论（Dempster-Shafer envidence theory）相结合的算法。将随机森林算法抗噪声且可以很好地处理高维样本处理的特点,与DS证据理论的决策级信息融合能力相结合,实现焊缝缺陷高效、准确识别,并利用预制缺陷试块进行了实验,对所提出的算法准确性进行了验证。主要工作如下:（1）有限元仿真与实验。基于超声波反射法的基本检测原理,进行了静电-固体力学-压力声学多物理场耦合的有限元仿真,研究超声波与不同种类缺陷相互作用对于回波信号所产生的影响。并通过超声检测设备进行实验,采集气孔、裂纹、夹渣三种预制焊缝缺陷试样的超声回波信号。（2）特征提取。考虑到仅使用某单一类型的特征对于焊缝缺陷的属性并不能完全的表征的问题,提取时域、频域、时频域三类特征。又将不同传播过程产生的回波信号携带的信息具有差异纳入考虑,将回波信号分为缺陷回波以及底面回波两种,分别进行特征提取。（3）缺陷类型识别。分别利用所提取的三类特征样本集训练随机森林算法,并对其进行测试。结果表明随机森林算法可以较好的识别出三种缺陷,准确率达到了95.37%,但还有进一步组提升空间。引入DS证据理论将随机森林识别结果进行决策级信息融合,对三类特征训练出的随机森林识别效果进行综合决策,以消除单一种类特征带来片面性。实验结果表明,引入DS证据理论后,对于气孔、裂纹、夹渣三种焊缝缺陷的识别准确率有了明显提升,达到了99.67%,准确率及算法稳定性均优于支持向量机。
王新[5]（2019）在《风电叶片典型缺陷的性能评估与模式识别》文中提出风电叶片是风力发电的核心部件,由于风电叶片结构复杂、工艺繁多、不可避免的会在其生产过程中产生缺陷,缺陷的存在会严重影响风电叶片的使用性能。典型的叶片缺陷包括夹杂缺陷与褶皱缺陷,夹杂缺陷的产生机制是由于在加工过程中掺入夹杂物而产生,褶皱缺陷的产生是由于在铺层过程中出现褶皱。这两种缺陷对于叶片的力学性能的影响程度极大,夹杂缺陷和褶皱缺陷会造成风电叶片的力学强度下降。不同褶皱高宽比和夹杂缺陷层数对于风电叶片的影响差异很大,其对叶片的性能影响评估显得格外重要。目前常规超声无损检测法不能对缺陷的种类进行有效识别,而缺陷种类的不确定会导致后续的缺陷修复没有数据依据,极大增加了修复的成本,因此工业上迫切需要能够对风电叶片的缺陷类别进行区分的方法。本文初步研究了这两种缺陷对于风电叶片力学性能的影响,并基于小波包分析与BP神经网络相结合实现了对风电叶片典型缺陷类型的模式识别。主要研究的内容如下:（1）对具有夹杂缺陷和褶皱缺陷的实验样品进行了拉伸压缩实验,以评估不同高宽比和不同夹杂厚度对叶片性能的影响。实验结果表明褶皱缺陷高宽比在0.08范围时,褶皱缺陷对风电叶片造成的影响在安全范围内,当褶皱高宽比大于0.08时其力学性能下降显着,需要对其进行修补。当夹杂缺陷的厚度低于2层时其力学强度下降不太明显,但是当具有3层夹杂缺陷时其力学性能下降迅速下降,需要对其缺陷进行重点关注。（2）为了能够找到实现缺陷识别的方法,对褶皱和夹杂两种缺陷样品进行了超声检测,对缺陷信号进行频谱分析和小波包分解。结果表明,不同的缺陷能谱系数分布不同,可以将能谱系数作为特征参量,区分不同的缺陷。（3）构建BP神经网络,以能谱系数矩阵作为BP神经网络的输入向量,输入到BP神经网络中进行训练、验证和测试。实验结果表明:运用BP神经网络与小波包分析相结合的分析方法使对风电叶片缺陷种类智能识别成为了可能,最后通过对BP神经网络的期望误差和训练次数的优化实现了风电叶片缺陷识别率的提高,其识别率为92.8%。
马晓磊[6]（2019）在《基于COMSOL仿真的材料缺陷超声检测模式识别》文中提出本文采用超声检测技术对材料中两类典型缺陷（裂纹和气孔）的模式识别开展了研究。为获得较为丰富的典型缺陷回波信号,选择有限元仿真软件COMSOL模拟超声波在材料中的传播以及与缺陷相互作用的情况,并与实验结果相对比,发现结果一致性较好,证明基于有限元方法仿真超声检测缺陷的研究值得信赖。在上述研究的基础上,主要开展以下工作:（1）引用合理的构件和缺陷模型。选择45#钢材圆柱体作为被检构件,缺陷模型以椭圆为基础,设置三种长轴尺寸的缺陷:长轴分别小于探头直径、等于探头直径（10mm）和大于探头直径。通过调节短-长轴比来表征裂纹（短-长轴比为0.05/0.1/0.2）和气孔（短-长轴比为0.4/0.6/0.8/1）,共21个不同形态的缺陷模型,较为全面地覆盖了影响检测的主要因素。通过分析大量的缺陷回波信号,归纳总结裂纹和气孔回波信号的不同规律,为缺陷的模式识别提供参考。（2）全方位检测的缺陷信号特征及模式识别。采用纵波直探头检测裂纹和气孔缺陷,提取缺陷回波峰值,发现不同形态缺陷的超声回波峰值在0180°的检测范围内的变化呈现不同规律,以峰值系数（90°和0°峰值的比值）作为特征参数,能有效识别裂纹和气孔类缺陷。通过改变检测角度,使用动态回波频谱分析法,可定性地识别缺陷类型。（3）检测方位受限情况下的缺陷信号特征和模式识别。通过分段拟合直探头检测的缺陷回波峰值与各个检测角度区间的关系曲线,以曲线的斜率值作为特征参数,发现在030°以及2050°小角度检测区间可辨别裂纹和气孔缺陷。然而在5090°大角度检测区间,使用斜率值特征参数不易区分两类缺陷。为此,增加10°斜探头检测,在5090°检测区间中,根据频谱波形的低频峰值和高频峰值之比与检测角度的变化关系,能明显地区别裂纹和气孔缺陷。通过对圆柱体中不同尺寸、尖锐度的裂纹和气孔缺陷的超声检测有限元仿真分析,采集缺陷不同部位反射的脉冲声波,为缺陷类型模式识别提供了较为系统的数据。在全方位检测以及检测方位有限的情况下,根据缺陷回波信号的时域和频域特征,能较好地识别不同形态的裂纹和气孔缺陷。本研究可为实际超声检测缺陷的模式识别提供参考,对预测构件寿命和保证设备安全具有重要的意义。
甘文成[7]（2019）在《转向架金属橡胶件粘接状态超声无损检测方法研究》文中提出转向架空气弹簧是动车组的关键部件,其中含有诸多金属橡胶粘接构件,假如金属橡胶之间发生脱粘现象,将直接影响到动车组的运行安全。为了确保动车组的安全运行,科学准确地检测空气弹簧中的脱粘现象具有十分重要的工程意义和运用价值。本文针对CRH3型动车组SYS510E型空气弹簧进行脱粘检测研究。通过查阅大量的国内外文献,分析敲击法、红外热成像法、核磁共振成像法、超声检测法等粘接状态检测方法的优缺点,确定采用操作简单,环保清洁,且具有良好的理论与技术基础的超声检测方法进行粘接状态检测。论文进而分析了脉冲反射法、超声透射法、超声导波法等不同超声检测方法的特点,针对转向架空气弹簧易发生脱粘部位的结构与检修过程的特点,决定采用超声脉冲反射法进行粘接状态检测。论文完成了基于FPGA和LabVIEW的脱粘检测系统的设计。该系统分为基于FPGA的超声检测硬件电路与基于LabVIEW的脱粘检测应用软件两大部分。硬件电路能够实现对八个超声探头进行超声波激励、超声回波数据采集以及数据传输的功能。FPGA把采样后的数据通过以太网接口传输至工控机,工控机上的应用软件可以实现对超声波数据的预处理、特征提取与模式识别。为了方便在实验室进行试验和数据分析以及标定测试,采用与SYS510E型空气弹簧易脱粘部位相同材料的金属与橡胶设计制作了带有人造脱粘缺陷的金属橡胶试块。在此基础上研究分析超声波信号预处理方法、特征提取方案与模式识别方法。论文分析比较了奇异谱分析与小波阈值降噪两种方法的优缺点。根据实际检测过程中的噪声特征,提出了结合奇异谱分析与小波阈值降噪两种方法对超声回波信号进行预处理,该方法能够有效地提高超声回波信号的信噪比,并尽可能减小计算量。接着,研究分析传统的高次回波声压比法,由于简单依靠超声高次回波幅值差异很难对粘接状态进行有效识别,因此进一步对超声回波信号进行了EMD分解研究,找出各分量与原始信号的相关系数、样本熵、能量参数等新的能够表征粘接状态的特征值。随后,使用GA-BP神经网络对找出的特征值进行模式识别。结果显示,GA-BP神经网络相较于BP神经网络有更高的识别率与更快的计算速度,80组被测样本的识别准确率高达98.75%,足以满足检修要求。最后,对金属橡胶试块和SYS510E空气弹簧底座与辅助弹簧的粘接界面进行C-扫描检测。结果表明,该检测系统各项性能能够达到预期的技术要求。
魏子兵[8]（2019）在《缺陷超声检测信号模式识别研究》文中研究指明超声无损检测是五种常用无损检测方法之一,目前已在工业领域得到了较为广泛的应用。本文结合小波包变换（WPT）和经验模态分解（EMD）在分析非平稳信号的优点,基于核主成分分析方法（KPCA）在处理非高斯分布的数据,以及去除与样本分类不相关和冗余的特征信息的优势,改进的粒子群优化算法能够有效地收敛到全局最优解的优点以及支持向量机能够很好地解决小样本、非线性、高维数和局部极小点等实际问题的优越性,提出了一种超声波检测缺陷深度的模式识别方法。本文对超声波检测腐蚀缺陷深度大小的分类识别方法进行了研究,主要的工作如下:首先,介绍了超声波无损检测的基本理论。重点介绍了超声波场及介质的声参量、超声波垂直入射平面的透射和反射、超声波检测方法、缺陷信号显示方法和缺陷的定量、定位和定性分析等方面进行了探讨分析,为后续的超声波检检测缺陷的实验实现作了理论准备。其次,主要结合小波包变换（WPT）和经验模态分解（EMD）在分析非线性非平稳信号的优势以及基于核的主成分分析（KPCA）在处理非高斯分布的数据,以及去除与样本分类不相关和冗余的特征信息的优势,实现了对缺陷超声检测信号特征的提取和优化。通过实验表明,通过小波包变换（WPT）和经验模态分解（EMD）分解后对各级信号中提取的联合特征虽然能够较为全面表征缺陷信号,但是其中含有一些冗余特征,且与样本分类不相关,增加了分类器的计算的复杂度,而且降低了分类器的准确率。采用了基于核的主成分分析的特征优化方法能够有效地克服选择特征的盲目性,从联合特征组消除了冗余的特征信息,在数据空间中找到一组能够解释数据方差的特殊向量矩阵,进而减少了分类器计算的复杂度,使其分类的准确率和检测效率得到有效地提高。再次,引入了支持向量机算法和改进后的粒子群优化算法。首先介绍了统计学理论的中VC理论和结构风险最小化原则;描述了支持向量机的最优分类面、线性学习机以及SVM的非线性映射,并对支持向量机模型选择进行了相关的介绍。进一步,在标准的粒子群算法的基础上,提出了改进的粒子群算法（IPSO）。最后,基于IPSO-SVM模型深度缺陷分类识别的流程,主要包括缺陷深度信号数据的采集和处理、基于经验模态分解（EMD）和小波包变换（WPT）对缺陷信号数据进行特征提取、基于核主成分分析方法对提取的原始特征进行进一步的优化、基于改进的粒子群算法对支持向量算法的核函数的参数γ和惩罚因子C、基于支持向量机算法利用改进的粒子群算法优化后的参数实现对缺陷深度信号的分类识别这6个步骤;然后介绍了缺陷检测的实验系统设计、实验系统工作原理以及实验系统中的硬件介绍。将通过实验获取的深度缺陷信号,进行零均值处理和趋势项去除,通过小波包变换（WPT）和经验模态分解（EMD）得到84个联合时域无量纲统计特征,并通过核主成分方法进行优化。将优化后的样本和未经优化的样本,分别基于GA-SVM、PSO-SVM和IPSO-SVM进行缺陷深度的分类识别,通过实验结果对比得出,经过核主成分分析方法（KPCA）优化后的特征值比未经优化的原始特征值能够有效地表征样本,使用优化的样本进行分类比未经优化的样本分类正确率较高,以及基于改进粒子群优化支持向量机模型（IPSO-SVM）在对不同深度的缺陷的分类上,比基于遗传算法优化的支持向量机模型（GA-SVM）和基于标准的粒子群优化的支持向量机模型具有较高的分类正确率,用改进后的粒子群算法优化支持向量机明显地提升了分类器的分类能力和泛化能力,是一种有效的优化支持向量机参数的方法,IPSO-SVM分类器模型适用于不同深度缺陷的分类。实验结果表明,本文提出的超声检测缺陷深度模式识别方法是可行有效的,可以应用于缺陷深度的模式识别。
左腾腾[9]（2019）在《天然气管道内涂层超声检测数值模拟与缺陷识别研究》文中研究说明内涂层技术凭借其良好的技术优势以及显着的经济效益,已成为天然气管道内腐蚀防护的重要手段之一,对延长管道的使用寿命具有重要的意义。而在实际应用中,内涂层剥离、鼓泡等缺陷是导致天然气管道内涂层失效的主要因素,传统的天然气管道检测技术主要针对于管道壁厚的检测,难以实现对内涂层缺陷的检测。因此实现对天然气管道内涂层缺陷的直接检测评定对管道的完整性评价具有重要意义。本文依据超声波在异质界面间的传播规律,通过对管壁-天然气界面与管壁-环氧树脂涂层的超声回波特性进行研究,提出了超声波纵波检测法检测内涂层缺陷的评定方法。本文采用数值模拟与实验相结合的方式对超声波纵波检测法检测内涂层缺陷的可行性进行了研究及验证,通过对超声波在不同类型内涂层缺陷中的传播规律进行研究,建立内涂层缺陷评定的评价体系,并针对不同尺寸的内涂层缺陷对超声波回波信号的影响,建立超声回波信号幅值-内涂层缺陷尺寸关系曲线。研究表明内涂层剥离及鼓泡缺陷均属于管壁-天然气界面类型缺陷,难以进行缺陷类型的区分,而缺陷回波信号与完整内涂层的回波信号的幅值差异显着,并且内涂层缺陷的有效检测面积与超声波换能器的晶片直径相关。实验结果与模拟结果具有很好的一致性,并且实验结果表明涂层的厚度与工件厚度均不会对缺陷的识别造成影响。在实际的管道的超声检测中实现了内涂层缺陷的识别,验证了采用超声波纵波检测法检测内涂层缺陷的可行性。结合实际超声检测中的噪声干扰,讨论了超声波内涂层检测信号小波降噪的参数的选定方法和最优选取原则,研究表明,选用sym8小波基函数、4层分解、半软阈值函数,信号SNR改善最大为10.78d B,得到了较好的去噪效果。针对超声检测依靠人为经验判断内涂层缺陷的低可靠性及低效率的问题,探讨了基于小波包与SVM结合的超声检测内涂层缺陷识别方法。对回波信号进行5层小波包分解提取能量特征值构建特征向量,采用主元分析法（PCA）对特征向量进行降维处理并结合遗传算法对SVM模型进行优化提升缺陷识别的准确率,研究结果表明,PCA-GA-SVM模型能够显着提高内涂层缺陷的识别率,综合识别率达到98.3%,优于其他类型的支持向量机模型。
张安石[10]（2019）在《基于电磁超声的储罐底板缺陷识别技术研究》文中提出随着现代石油天然气工业的发展进步,储罐成为保障石油天然气工业生产的关键设备。近些年我国储罐的事故呈频发态势,其中储罐底板腐蚀导致的泄漏问题尤其严重。因此,有必要加强储罐底板检测技术方面的研究。针对罐底钢板的常见缺陷,设计了基于电磁超声的罐底钢板缺陷识别方法。采用EMAT-2000电磁超声探伤仪,以3类人工自制缺陷的试块为实验对象,利用MATLAB软件编程对采集的信号进行处理。对采集到的信号通过小波去噪方法开展了信号去噪,分别提取了时域、频域、时频域共计32个特征值用于缺陷识别。通过欧氏距离评价特征值的可分性,根据启发式搜索特征选择方法对特征值开展选择,选取了可分性较大的特征集合。设计了支持向量机分类器,利用V折交叉验证方法,确定了支持向量机的参数值。应用支持向量机开展分类识别,总体识别正确率达到了93%。
二、应用模式识别技术识别超声检测的缺陷类型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、应用模式识别技术识别超声检测的缺陷类型（论文提纲范文）
（1）电力变压器局部放电超声信号的声纹识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 第2章 变压器典型局放缺陷实验平台 |
| 2.1 试验系统搭建 |
| 2.1.1 试验系统 |
| 2.1.2 变压器绝缘 |
| 2.2 缺陷模型搭建 |
| 2.3 试验方法及步骤 |
| 2.3.1 超声信号采集 |
| 2.3.2 声纹识别技术 |
| 2.4 本章小结 |
| 第3章 变压器超声信号的筛选与建库 |
| 3.1 声纹库 |
| 3.1.1 实验室声纹 |
| 3.1.2 变压器厂声纹 |
| 3.2 数据筛选 |
| 3.3 本章小结 |
| 第4章 基于GMM的变压器声纹识别算法 |
| 4.1 声纹信号前端处理 |
| 4.1.1 数据筛选 |
| 4.1.2 预处理 |
| 4.2 声纹信号特征参量提取 |
| 4.2.1 特征参量选取 |
| 4.2.2 MFCC特征参量提取 |
| 4.2.3 GFCC特征参量提取 |
| 4.3 基于GMM的声纹识别系统设计 |
| 4.3.1 高斯混合模型 |
| 4.3.2 参数训练 |
| 4.3.3 识别算法 |
| 4.4 本章小结 |
| 第5章 声纹识别系统的实验与分析 |
| 5.1 降频系数选择 |
| 5.2 参数选取 |
| 5.2.1 帧长选择 |
| 5.2.2 特征参量的加权降维 |
| 5.2.3 模型的分量个数选择 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）碳纤维复合材料层合板冲击损伤表征方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 碳纤维复合材料冲击损伤研究现状 |
| 1.3 碳纤维复合材料冲击损伤检测方法 |
| 1.4 碳纤维复合材料冲击损伤的数值模拟 |
| 1.5 声发射无损检测技术 |
| 1.5.1 声发射技术简介 |
| 1.5.2 复合材料声发射检测技术的研究现状 |
| 1.6 非线性超声无损检测技术 |
| 1.6.1 非线性超声技术简介 |
| 1.6.2 非线性超声检测技术国内外研究现状 |
| 1.7 本文主要研究内容 |
| 第二章 复合材料层合结构冲击损伤分析的力学模型 |
| 2.1 纤维增强树脂基复合材料层合板的结构特征 |
| 2.1.1 纤维增强树脂基复合材料的制造工艺 |
| 2.1.2 纤维增强树脂基复合材料层合板的描述规则 |
| 2.2 CFRP复合材料宏观力学损伤分析 |
| 2.2.1 单层复合材料力学基础 |
| 2.2.2 复合材料层合板失效形式 |
| 2.3 冲击作用下纤维增强树脂基复合材料层合结构的损伤模式 |
| 2.3.1 层合板面内累积损伤模型 |
| 2.3.2 层合板层间累积损伤模型 |
| 2.4 本章小结 |
| 第三章 T700碳纤维复合材料层合板低速冲击损伤过程的有限元模拟 |
| 3.1 有限元模型的建立 |
| 3.1.1 创建部件 |
| 3.1.2 材料性能的定义和铺层方式 |
| 3.2 有限元参数的设定 |
| 3.2.1 装配、分析步的确定 |
| 3.2.2 约束和加载 |
| 3.2.3 网格的划分 |
| 3.3 数值模拟结果分析 |
| 3.3.1 基体开裂损伤分析 |
| 3.3.2 界面分层损伤分析 |
| 3.3.3 纤维断裂损伤分析 |
| 3.4 本章小结 |
| 第四章 碳纤维复合材料层合板低速冲击损伤声学特性实验研究 |
| 4.1 碳纤维复合材料低速冲击试验系统 |
| 4.1.1 冲击平台及试件 |
| 4.1.2 非线性超声测试系统 |
| 4.1.3 扫描电镜 |
| 4.1.4 实验过程 |
| 4.2 碳纤维复合材料层合板宏观损伤分析 |
| 4.3 碳纤维复合材料层合板细观损伤分析 |
| 4.3.1 非线性超声声学特性分析 |
| 4.3.2 扫描电镜分析 |
| 4.4 本章小结 |
| 第五章 碳纤维复合材料层合板冲击后弯曲损伤声学特性实验研究 |
| 5.1 碳纤维复合材料层合板弯曲试验系统 |
| 5.2 实验过程 |
| 5.3 碳纤维复合材料面内弯曲损伤宏观特征 |
| 5.4 层合板多次冲击后弯曲实验声发射信号分析 |
| 5.5 弯曲实验结果对比分析 |
| 5.6 本章小结 |
| 第六章 碳纤维复合材料板弯曲损伤声发射信号模式识别 |
| 6.1 弯曲损伤模式识别理论基础 |
| 6.1.1 EMD分解原理 |
| 6.1.2 快速傅里叶变换原理 |
| 6.1.3 主成分分析基本原理 |
| 6.1.4 支持向量机原理 |
| 6.2 EMD-PCA-SVM分析 |
| 6.2.1 EMD分解 |
| 6.2.2 分解信号FFT变换及特征频率提取 |
| 6.2.3 特征频率集降维与损伤模式识别 |
| 6.3 模式识别结果分析 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所获成果及荣誉 |
| 致谢 |
（3）基于超声的变工况超超临界螺旋管圈水冷壁鳍片焊缝缺陷检测及模式识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 锅炉管道的无损检测方法 |
| 1.3 超声检测技术的发展 |
| 1.3.1 超声检测技术的国内外研究现状 |
| 1.3.2 超声检测焊缝缺陷的技术要求及其局限性 |
| 1.3.3 焊缝缺陷超声波检测及模式识别的研究现状 |
| 1.4 论文框架及主要研究工作 |
| 第2章 超声检测及模式识别基本原理 |
| 2.1 超声波的基本特性 |
| 2.1.1 超声波的分类 |
| 2.1.2 超声波的常用物理量 |
| 2.1.3 超声波的传播特性 |
| 2.2 超声检测及模式识别的基本原理和特点 |
| 2.2.1 超声检测的基本原理和方法 |
| 2.2.2 超声检测的信号处理与模式识别 |
| 2.3 超声检测试验系统 |
| 2.3.1 超声探头及其选择 |
| 2.3.2 超声波发射电路 |
| 2.3.3 超声波接收电路 |
| 2.3.4 高频数据采集模块 |
| 2.4 本章小结 |
| 第3章 水冷壁鳍片焊缝缺陷超声检测试验及检测参数分析 |
| 3.1 水冷壁鳍片焊缝超声检测实验总体说明 |
| 3.1.1 课题试件选材与实验设备简介 |
| 3.1.2 制作人工缺陷 |
| 3.2 不同超声检测方式及数据采集 |
| 3.2.1 水冷壁鳍片焊缝缺陷检测方法 |
| 3.2.2 水冷壁鳍片焊缝缺陷检测数据采集 |
| 3.3 信号的预处理 |
| 3.3.1 信号截短处理 |
| 3.3.2 信号的延拓处理 |
| 3.3.3 信号的去噪 |
| 3.4 本章小结 |
| 第4章 水冷壁鳍片焊缝信号分析与模式识别 |
| 4.1 非平稳信号 |
| 4.2 主要时频分析方法 |
| 4.2.1 快速傅里叶变换 |
| 4.2.2 短时傅里叶变换 |
| 4.2.3 小波分析 |
| 4.3 模式识别 |
| 4.3.1 特征提取 |
| 4.3.2 特征选择 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所开展的科研项目和发表的学术论文 |
（4）基于高维特征信息融合的焊缝缺陷超声识别方法应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 基于统计学的焊缝缺陷识别 |
| 1.2.2 基于机器学习的焊缝缺陷识别 |
| 1.3 研究内容 |
| 第2章 焊缝超声无损检测基本理论及仿真 |
| 2.1 超声无损检测基本原理 |
| 2.1.1 超声反射法基本原理 |
| 2.1.2 超声透射法基本原理 |
| 2.2 焊缝超声无损检测概述 |
| 2.2.1 焊缝常见缺陷 |
| 2.2.2 基于反射法的焊缝超声无损检测方法 |
| 2.3 焊缝超声无损检测的有限元仿真 |
| 2.3.1 焊缝超声无损检测有限元仿真模型建立 |
| 2.3.2 网格划分、求解步长与激励加载 |
| 2.4 本章小结 |
| 第3章 含缺陷超声回波信号特征提取 |
| 3.1 无损检测用焊接试块 |
| 3.2 含缺陷焊缝试样超声检测与信号采集 |
| 3.2.1 含缺陷焊缝试样超声检测系统 |
| 3.2.2 含缺陷焊缝试样超声回波信号采集 |
| 3.3 超声回波信号特征提取 |
| 3.3.1 时域特征 |
| 3.3.2 频域特征 |
| 3.3.3 时频域特征 |
| 3.4 本章小结 |
| 第4章 基于信息融合的焊缝缺陷识别 |
| 4.1 基于随机森林的焊缝缺陷初步识别 |
| 4.2 信息融合方法的选取 |
| 4.3 基于DS证据理论信息融合的焊缝缺陷识别 |
| 4.3.1 决策级数据融合 |
| 4.3.2 融合后的识别结果 |
| 4.4 识别结果对比 |
| 4.4.1 改进效果对比 |
| 4.4.2 与其他算法对比 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（5）风电叶片典型缺陷的性能评估与模式识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 风电叶片简介 |
| 1.3 风电叶片缺陷对叶片的影响 |
| 1.3.1 风电叶片的缺陷类型 |
| 1.3.2 典型缺陷对风电叶片性能的影响 |
| 1.4 风电叶片性能评估现状 |
| 1.5 基于超声检测风电叶片缺陷识别现状 |
| 1.5.1 超声无损检测的应用 |
| 1.5.2 风电叶片缺陷识别现状 |
| 1.6 选题依据及其主要内容 |
| 1.6.1 选题依据 |
| 1.6.2 主要内容 |
| 第二章 风电叶片典型缺陷样品性能评估 |
| 2.1 实验样品制作 |
| 2.1.1 褶皱缺陷样品制作 |
| 2.1.2 夹杂缺陷样品制作 |
| 2.2 拉伸实验 |
| 2.2.1 褶皱样品拉伸实验 |
| 2.2.2 夹杂缺陷拉伸实验 |
| 2.3 压缩实验 |
| 2.3.1 褶皱样品压缩实验 |
| 2.3.2 夹杂样品压缩实验 |
| 2.4 本章小结 |
| 第三章 风电叶片典型缺陷样品超声信号的特征参量提取 |
| 3.1 缺陷检测样品制作 |
| 3.2 缺陷样品超声检测 |
| 3.3 缺陷信号时域分析 |
| 3.4 缺陷样品信号的小波包分析 |
| 3.4.1 小波包变换基本原理 |
| 3.4.2 小波基的选择 |
| 3.4.3 小波包分解相关参数确定 |
| 3.4.4 利用小波包变换对缺陷信号进行时频分析 |
| 3.5 利用小波包变换对缺陷信号进行能谱分析 |
| 3.6 本章小结 |
| 第四章 基于BP网络的风电叶片缺陷智能识别 |
| 4.1 BP神经网络结构与原理 |
| 4.1.1 BP神经网络结构 |
| 4.1.2 BP神经网络的原理 |
| 4.2 基于缺陷特征参量设计BP神经网络 |
| 4.3 缺陷信号的BP神经网络模式识别 |
| 4.3.1 缺陷信号的BP神经网络识别步骤 |
| 4.3.2 构造特征参数向量矩阵 |
| 4.3.3 BP神经网络的训练和验证 |
| 4.3.4 BP神经网络的测试样本识别 |
| 4.4 基于风电叶片缺陷识别的BP神经网络关键参数优化 |
| 4.4.1 BP神经网络期望误差参数优化 |
| 4.4.2 对BP神经网络的训练次数的优化 |
| 4.4.3 BP神经网络经参数优化后缺陷识别率测试 |
| 4.5 风电叶片缺陷类型的模式识别方法 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 A:文中主要程序 |
| 附录 B:个人简历与攻读硕士学位期间发表的学术论文 |
（6）基于COMSOL仿真的材料缺陷超声检测模式识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 超声无损检测技术研究现状 |
| 1.3 超声检测缺陷模式识别的研究现状 |
| 1.4 超声检测数值模拟技术研究现状 |
| 1.5 论文主要研究内容及章节安排 |
| 1.5.1 研究内容 |
| 1.5.2 章节安排 |
| 第2章 超声检测有限元分析及信号频谱分析基础理论 |
| 2.1 超声检测的物理基础 |
| 2.1.1 超声波的基本概念 |
| 2.1.2 波的类型 |
| 2.1.3 超声场的声阻抗 |
| 2.1.4 超声波的聚焦与发散 |
| 2.1.5 超声波的衰减 |
| 2.1.6 超声波脉冲反射法 |
| 2.2 弹性各向同性介质中的超声传播 |
| 2.2.1 运动微分方程 |
| 2.2.2 几何方程 |
| 2.2.3 物理方程 |
| 2.2.4 定解条件 |
| 2.2.5 纳维方程 |
| 2.3 固体声波方程的有限元形式 |
| 2.3.1 有限元法基本理论 |
| 2.3.2 有限元分析步骤 |
| 2.3.3 二维有限元超声波动方程 |
| 2.4 超声波频谱分析的基本原理 |
| 2.4.1 离散傅里叶变换 |
| 2.4.2 快速傅里叶变换 |
| 2.5 本章小结 |
| 第3章 超声检测缺陷的有限元模型及实验验证 |
| 3.1 有限元仿真软件COMSOL介绍 |
| 3.2 声场有限元仿真的基本过程 |
| 3.3 有限元计算模型 |
| 3.3.1 构件及缺陷设计方案 |
| 3.3.2 材料属性和边界条件 |
| 3.3.3 超声信号的激励 |
| 3.3.4 网格参数和时间步长 |
| 3.3.5 信号求解及采集 |
| 3.3.6 检测方向和角度的定义 |
| 3.4 有限元仿真超声检测方法的有效性验证 |
| 3.4.1 声场分布仿真与动态光弹实验比较 |
| 3.4.2 超声A扫描实验与仿真波形比较 |
| 3.5 本章小结 |
| 第4章 全方位超声检测仿真的缺陷回波特征及模式识别 |
| 4.1 直探头全方位检测缺陷的时域特征信号分析 |
| 4.1.1 缺陷回波峰值与检测角度的关系 |
| 4.1.2 基于峰值系数的缺陷类型模式识别 |
| 4.1.3 缺陷延展方向的判断和尺寸的预估 |
| 4.2 直探头全方位检测缺陷的频域特征信号分析 |
| 4.3 本章小结 |
| 第5章 检测角度受限时缺陷回波特征提取和模式识别 |
| 5.1 小角度检测缺陷信号的特征提取及模式识别 |
| 5.1.1 0 ~30°检测范围内缺陷的模式识别 |
| 5.1.2 20 ~50°检测范围内缺陷的模式识别 |
| 5.2 大角度检测缺陷信号的特征提取及模式识别 |
| 5.2.1 斜探头检测的时域信号波形 |
| 5.2.2 斜探头检测缺陷信号的频谱特征分析 |
| 5.2.3 缺陷频谱一峰与二峰比值的变化规律 |
| 5.3 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参加科研情况 |
| 致谢 |
（7）转向架金属橡胶件粘接状态超声无损检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文选题背景和意义 |
| 1.2 粘接状态检测方法的国内外研究现状 |
| 1.2.1 敲击法 |
| 1.2.2 红外热成像法 |
| 1.2.3 核磁共振检测法 |
| 1.2.4 声发射检测法 |
| 1.2.5 超声检测法 |
| 1.3 拟解决的主要技术问题 |
| 1.4 论文研究目标和研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 第2章 金属-橡胶粘接面脱粘超声检测原理 |
| 2.1 转向架空气弹簧的结构及材料的声学特性 |
| 2.2 超声波在金属橡胶粘接件中的反射和透射传播特性 |
| 2.3 基于脉冲反射法的超声脱粘检测原理 |
| 2.4 本章小结 |
| 第3章 基于FPGA和LabVIEW的脱粘检测系统设计 |
| 3.1 超声波脱粘检测系统总体设计 |
| 3.1.1 检测系统总体结构 |
| 3.1.2 检测系统开发平台与各部分的功能 |
| 3.1.3 试验方案 |
| 3.2 基于FPGA的超声检测系统硬件设计 |
| 3.2.1 硬件电路总体设计 |
| 3.2.2 FPGA核心控制模块设计 |
| 3.2.3 一体式超声检测系统及主要性能指标 |
| 3.3 基于LabVIEW的脱粘检测应用软件设计 |
| 3.3.1 应用软件总体设计 |
| 3.3.2 标定程序设计 |
| 3.3.3 C-扫描检测程序设计 |
| 3.4 本章小结 |
| 第4章 基于奇异谱分析和小波降噪的超声波信号预处理 |
| 4.1 超声波信号的噪声特征 |
| 4.2 超声波信号的小波降噪方法 |
| 4.2.1 小波变换 |
| 4.2.2 小波阈值去噪技术 |
| 4.3 超声波信号的奇异谱分析 |
| 4.3.1 奇异谱分析的基本原理 |
| 4.3.2 基于奇异谱分析的信号去噪处理方法 |
| 4.4 基于奇异谱与小波阈值去噪的超声波信号降噪分析 |
| 4.4.1 两种降噪方法的仿真分析 |
| 4.4.2 基于奇异谱与小波分析的超声波降噪计算流程 |
| 4.4.3 实测超声回波信号降噪分析 |
| 4.5 本章小结 |
| 第5章 特征提取与粘接状态的识别 |
| 5.1 高次回波声压比法 |
| 5.2 EMD分解的原理 |
| 5.3 基于EMD分解的特征提取 |
| 5.3.1 互相关系数 |
| 5.3.2 样本熵 |
| 5.3.3 能量参数 |
| 5.4 对实测超声波信号进行特征提取分析 |
| 5.5 BP神经网络 |
| 5.5.1 BP神经网络的概述 |
| 5.5.2 BP神经网络的不足 |
| 5.6 GA-BP神经网络 |
| 5.6.1 遗传算法的概述 |
| 5.6.2 GA-BP神经网络的结构 |
| 5.7 基于GA-BP神经网络的粘接状态识别 |
| 5.8 本章小结 |
| 第6章 脱粘检测试验研究 |
| 6.1 金属橡胶试块的C-扫描测试 |
| 6.2 动车组空气弹簧连接板的C-扫描测试 |
| 6.3 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（8）缺陷超声检测信号模式识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文的研究目的和意义 |
| 1.2 超声波无损检测的国内外研究情况和发展趋势 |
| 1.2.1 国外研究情况 |
| 1.2.2 国内研究情况 |
| 1.2.3 超声波无损检测技术发展趋势 |
| 1.3 时频分析方法在超声信号处理中的应用 |
| 1.4 模式识别技术在超声信号处理中的应用 |
| 1.5 主要研究内容 |
| 第2章 超声波无损检测基本理论 |
| 2.1 超声场和超声波在界面反射与透射 |
| 2.1.1 超声场及介质的声参量 |
| 2.1.2 超声波垂直入射平面的透射与反射 |
| 2.2 超声波传播过程的衰减 |
| 2.3 超声波检测方法和缺陷显示 |
| 2.3.1 超声波检测方法 |
| 2.3.2 缺陷显示方法 |
| 2.4 缺陷的定位、定量与定性 |
| 2.5 本章小结 |
| 第3章 超声检测信号的特征提取和特征优化 |
| 3.1 引言 |
| 3.2 WPT和EMD的基本理论和方法研究 |
| 3.2.1 小波变换及小波包变换的原理和算法 |
| 3.2.2 EMD的基本原理和算法 |
| 3.2.3 WPT和EMD应用于超声检测信号分解的特点及其对比分析 |
| 3.3 超声检测信号的特征分析 |
| 3.3.1 超声检测信号的常用特征及其分类 |
| 3.3.2 本论文选用的特征 |
| 3.4 基于WPT和EMD的超声检测信号特征提取 |
| 3.4.1 超声检测信号的预处理 |
| 3.4.2 基于WPT的超声检测信号特征提取 |
| 3.4.3 基于EMD的超声检测信号特征提取 |
| 3.5 基于核主成分分析的缺陷超声波检测信号特征优化 |
| 3.5.1 主成分分析 |
| 3.5.2 核主成分分析 |
| 3.5.3 关于核主成分分析方法的验证实验 |
| 3.6 本章小结 |
| 第4章 支持向量机与改进的粒子群算法 |
| 4.1 支持向量机理论研究 |
| 4.1.1 支持向量机的最优分类面 |
| 4.1.2 线性学习机 |
| 4.1.3 SVM的非线性映射 |
| 4.1.4 支持向量机核函数实验 |
| 4.1.5 支持向量机模型选择 |
| 4.2 粒子群算法研究 |
| 4.2.1 算法原理 |
| 4.2.2 粒子群算法优缺点 |
| 4.2.3 改进的粒子群算法 |
| 4.3 改进的粒子群算法验证实验 |
| 4.4 本章小结 |
| 第5章 缺陷深度信号分类识别实验 |
| 5.1 缺陷深度信号分类识别实验步骤 |
| 5.2 缺陷深度检测实验和数据采集 |
| 5.2.1 实验系统设计及其工作原理 |
| 5.2.2 实验系统硬件介绍 |
| 5.3 缺陷深度信号特征提取与优化 |
| 5.4 基于IPSO-SVM缺陷深度分类识别 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的论文及科研成果 |
（9）天然气管道内涂层超声检测数值模拟与缺陷识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 超声波检测涂层缺陷研究现状 |
| 1.2.2 超声波检测数值模拟研究现状 |
| 1.2.3 超声波检测缺陷分类识别研究现状 |
| 1.3 课题来源及本文的主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 本文的主要研究内容 |
| 第二章 天然气管道内涂层超声检测数值模拟 |
| 2.1 天然气管道内涂层超声检测原理分析 |
| 2.1.1 超声波缺陷检测机理 |
| 2.1.2 天然气管道内涂层超声检测原理分析 |
| 2.2 固体介质波动方程 |
| 2.2.1 声场方程 |
| 2.2.2 固体波动方程的有限元解 |
| 2.3 内涂层超声波检测的建模与仿真 |
| 2.3.1 参数化几何建模 |
| 2.3.2 激励信号加载 |
| 2.3.3 网格尺寸及时间步长设置 |
| 2.4 内涂层超声波检测声场分析 |
| 2.4.1 不同类型缺陷超声波检测声场分析 |
| 2.4.2 不同尺寸缺陷超声波检测声场分析 |
| 2.5 本章小结 |
| 第三章 天然气管道内涂层超声检测实验研究 |
| 3.1 实验方法及材料设备 |
| 3.2 实验结果及分析 |
| 3.2.1 内涂层超声检测实验结果及分析 |
| 3.2.2 不同尺寸内涂层缺陷检测实验结果及分析 |
| 3.2.3 缺陷评价影响因素分析 |
| 3.3 天然气管道内涂层检测实验验证 |
| 3.4 本章小结 |
| 第四章 超声波内涂层检测信号处理方法研究 |
| 4.1 超声波内涂层缺陷检测信号噪声分析 |
| 4.2 超声波内涂层检测信号处理方法研究 |
| 4.2.1 超声波信号降噪分析 |
| 4.2.2 小波变换理论 |
| 4.2.3 小波降噪评价标准 |
| 4.3 天然气管道内涂层超声检测信号降噪研究 |
| 4.3.1 回波信号预处理 |
| 4.3.2 小波基函数选择 |
| 4.3.3 分解层数确定 |
| 4.3.4 阈值函数优选 |
| 4.4 实际内涂层超声检测信号处理 |
| 4.5 本章小结 |
| 第五章 天然气管道内涂层缺陷识别研究 |
| 5.1 超声波检测信号回波特征值提取 |
| 5.1.1 小波包分析 |
| 5.1.2 小波包能量特征值提取 |
| 5.1.3 天然气管道内涂层缺陷超声检测信号特征值提取 |
| 5.2 内涂层检测信号降维分析 |
| 5.2.1 主元分析法(PCA)模型 |
| 5.2.2 内涂层回波信号的PCA降维分析 |
| 5.3 基于GA-SVM的内涂层缺陷识别 |
| 5.3.1 支持向量机模型 |
| 5.3.2 GA-SVM分类器模型构建 |
| 5.4 内涂层缺陷分类识别结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士期间研究成果 |
| 致谢 |
（10）基于电磁超声的储罐底板缺陷识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.1.1 危化品罐区事故的严峻形势 |
| 1.1.2 储罐底板缺陷问题 |
| 1.2 罐底钢板缺陷检测的研究现状 |
| 1.2.1 超声导波检测技术 |
| 1.2.2 漏磁检测技术 |
| 1.2.3 超声测厚检测技术 |
| 1.2.4 声发射检测技术 |
| 1.2.5 远场涡流检测技术 |
| 1.3 电磁超声无损检测的研究现状 |
| 1.3.1 电磁超声检测的发展历程 |
| 1.3.2 电磁超声检测的优势与不足 |
| 1.3.3 电磁超声检测的应用 |
| 1.4 主要研究内容 |
| 第2章 电磁超声检测信号采集及去噪 |
| 2.1 电磁超声探伤仪 |
| 2.2 模拟罐底钢板缺陷试块 |
| 2.2.1 储罐底板常见缺陷 |
| 2.2.2 模拟罐底钢板缺陷试块设计制造 |
| 2.3 缺陷回波信号的采集 |
| 2.3.1 试块无缺陷部分信号采集 |
| 2.3.2 试块有缺陷部分信号采集 |
| 2.4 缺陷回波信号的去噪 |
| 2.4.1 电磁超声信号噪声的特点 |
| 2.4.2 小波分析理论和小波基函数的确定 |
| 2.4.3 小波阈值去噪方法 |
| 2.4.4 小波邻域自适应阈值去噪方法 |
| 2.5 本章小结 |
| 第3章 电磁超声缺陷特征值提取 |
| 3.1 引言 |
| 3.2 缺陷回波信号的时域特征提取 |
| 3.3 缺陷回波信号的频域特征提取 |
| 3.4 缺陷回波信号的时频域特征提取 |
| 3.5 本章小结 |
| 第4章 缺陷多维度特征值的选择评价 |
| 4.1 引言 |
| 4.2 缺陷特征值评价 |
| 4.2.1 特征值优化的必要性 |
| 4.2.2 特征值评价准则 |
| 4.3 最优特征子集的确定 |
| 4.3.1 特征选择方法原理及分类 |
| 4.3.2 基于启发式搜索特征选择方法 |
| 4.3.3 序列浮动前向选择算法 |
| 4.4 本章小结 |
| 第5章 缺陷的识别 |
| 5.1 缺陷识别分类器支持向量机的设计 |
| 5.1.1 支持向量机分类原理 |
| 5.1.2 支持向量机参数确定 |
| 5.2 缺陷识别实验测试 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、应用模式识别技术识别超声检测的缺陷类型（论文参考文献）
- [1]电力变压器局部放电超声信号的声纹识别方法研究[D]. 周梦茜. 华北电力大学(北京), 2021(01)
- [2]碳纤维复合材料层合板冲击损伤表征方法研究[D]. 姜智通. 东北石油大学, 2020(03)
- [3]基于超声的变工况超超临界螺旋管圈水冷壁鳍片焊缝缺陷检测及模式识别[D]. 任慧霞. 上海应用技术大学, 2020(02)
- [4]基于高维特征信息融合的焊缝缺陷超声识别方法应用研究[D]. 李晓巍. 新疆大学, 2020(07)
- [5]风电叶片典型缺陷的性能评估与模式识别[D]. 王新. 湘潭大学, 2019(12)
- [6]基于COMSOL仿真的材料缺陷超声检测模式识别[D]. 马晓磊. 南昌航空大学, 2019(08)
- [7]转向架金属橡胶件粘接状态超声无损检测方法研究[D]. 甘文成. 西南交通大学, 2019(04)
- [8]缺陷超声检测信号模式识别研究[D]. 魏子兵. 西南石油大学, 2019(06)
- [9]天然气管道内涂层超声检测数值模拟与缺陷识别研究[D]. 左腾腾. 中国石油大学(华东), 2019(09)
- [10]基于电磁超声的储罐底板缺陷识别技术研究[D]. 张安石. 中国石油大学(北京), 2019(02)