一、声发射神经网络模式识别（论文文献综述）
令狐克进[1]（2021）在《多特征融合的车削刀具磨损状态监测技术研究》文中提出刀具磨损状态监测技术是先进制造技术中的重要组成部分。刀具磨损的实时监测对于提高产品质量,降低制造成本和提高生产效率具有重要作用。然而,该技术发展至今,仍然不能够真正应用于实际加工中,也未能很好地解决变工况加工条件下精确识别刀具磨损状态的问题。为此,本文通过对车削刀具磨损状态监测技术的研究,建立了基于多特征融合和多数投票法的车削刀具磨损状态识别模型。主要研究内容及结果如下:首先,对刀具磨损状态监测的研究背景及意义做了概述,根据刀具磨损阶段的不同,选择刀具后刀面磨损量VB值作为刀具磨损的监测指标。通过分析和比较各种监测方法及监测信号的优劣,选择振动和声发射信号作为研究的监测信号;根据机床的性能参数,设计试验方案,进行全因素试验。采用LABVIEW 2018a软件搭建的数据采集系统对车削试验中产生的振动和声发射信号进行采集。对采集到的信号分别在时域、频域和时频域进行信号分析,得出与刀具磨损状态相关性较强的特征向量作为原始特征。然后采用Relief-F算法对原始特征进行二次特征筛选,得到振动信号和声发射信号中与刀具磨损状态最相关的最终特征参量。然后,又采用PCA（Principal Component Analysis）方法对原始特征进行降维,得到了与用Relief-F算法筛选后相同维数的主元数据特征,从而得出两种情况下分别对应的特征向量作为各自的最终特征样本。最后,将用Relief-F与PCA算法所得的最终特征样本的2/3作为训练集分别输入建立的GA-BP神经网络模型、ELM模型、SVM模型进行训练,并分别输入最终特征样本的1/3作为测试集分别测试上述三个子模型。前者三个子模型的正确识别率分别为88.889%、92.592%、96.256%,后者三个子模型的正确识别率分别为81.48%、77.7778%、77.7778%。之后又采用多数投票法分别对Relief-F与PCA算法情况下的三个子模型的输出结果进行整合,结果显示,所建立的基于多特征融合和多数投票法下的车削刀具磨损状态识别模型在Relief-F和PCA情况下的正确识别率分别为96.296%和85.185%。这表明,经多特征融合后所得模型的性能均优于单个子模型,而且,采用基于Relief-F算法所建立的多特征融合和多数投票法的刀具磨损状态识别模型也明显优于用PCA算法降维后所建立的模型。因此,基于Relief-F算法所建立的多特征融合和多数投票法的识别模型对刀具磨损状态具有很好的识别与监测效果。
杨丽,周益春,朱旺[2]（2020）在《热障涂层失效的声发射实时表征技术研究进展》文中进行了进一步梳理耐高温、高隔热的热障涂层能有效降低涡轮叶片金属基底工作温度,从而提高发动机的热效率与性能,被列为航空发动机的关键热防护技术。然而,在燃气热冲击、冲蚀、腐蚀等恶劣环境中服役时,热障涂层极易产生涂层裂纹、界面裂纹、变形等多种损伤,并最终以涂层剥落的形式失效。采用声发射技术实时无损检测服役环境下热障涂层裂纹萌生与演化的过程,是表征涂层失效过程、揭示其机理进而预测最终剥落的有效手段。阐述了热障涂层裂纹演化的高温声发射检测方法,并着重从损伤模式、定量评估方法及基于此的热障涂层失效机理等研究方面,介绍了热障涂层失效的声发射实时表征技术的研究进展,并对其发展趋势进行了展望。
徐静娴[3]（2020）在《沥青混合料破坏全过程的声发射表征及模式识别》文中指出不同形式和程度的开裂是沥青路面的常见病害。理解沥青混合料损伤断裂的产生机理和动态演化过程是提升沥青路面预防性养护水平和延长沥青路面使用寿命的关键。作为一种非均质材料,在外部荷载与复杂环境的反复作用下,沥青混合料的力学性能与损伤行为复杂多变。具有检测灵敏、精准、实时等优势的声发射技术能够有效检测材料内部每一微小损伤的发展和评价材料性能的变化。本文的目的是通过探讨沥青混合料受载后内部微裂纹萌生、集中与扩展为宏观裂纹并最终完全断裂这一连续力学过程和声发射过程的协同演化机理,实现对损伤行为的动态诊断、损伤特征的准确识别以及缺陷位置的精准定位。首先,基于小波变换和分形理论,探讨了静态荷载作用下沥青混合料损伤断裂过程的声发射参数与波形特征,明确了不同损伤阶段声发射行为的变化规律与非线性特征;其次,探讨了动态荷载作用下沥青混合料疲劳裂纹演化过程的声发射机理,观察了声发射定位结果同裂纹扩展路径的对应关系,分析了声发射过程的不可逆特征及其存在条件;最后,基于突变理论与模式识别技术,建立了声发射-尖点突变模型识别沥青混合料的临界断裂状态,开展了不同损伤阶段声发射特征的聚类分析。研究表明:（1）累积声发射能量和振铃计数曲线的阶段性变化特征与沥青混合料力学行为有关,不同荷载水平下累积声发射参数的快速增长反映了试件内部损伤发展的剧烈程度。基于连续小波变换和离散小波变换分析发现声发射信号的频率范围、幅值、能量占比等指标的变化能够有效揭示不同损伤阶段沥青混合料声发射行为的差异性。不同加载速率下,声发射能量具有相同的分形结果,而声发射振铃计数、撞击数和事件数的分形结果是不同的,说明声发射能量对沥青混合料破坏过程具有更为稳定的分形响应。波形分形维数从最小值突然增长的转变与沥青混合料内部断裂过程区的形成有关。（2）随着休息间隔的增加,沥青混合料疲劳微裂纹集中和扩展阶段声发射能量时序分布的“空白区”特征逐渐消失,说明休息间隔越长,沥青混合料损伤演化过程不连续,开裂行为的强度减弱。声发射幅值b值下降的拐点可被视为宏观断裂的前兆信息。声发射事件的空间动态演化表明沥青混合料疲劳损伤开裂行为呈现由小尺度无序向大尺度有序的发展规律,反映了材料结构组成以及加载方式对疲劳破坏的影响。沥青混合料疲劳损伤过程弗勒斯特（Felicity）比具有三个阶段的变化,分别对应压实变形阶段,微裂纹萌生与扩展阶段和宏观裂纹扩展阶段。声发射凯塞（Kaiser）效应存在于压实变形阶段,当试件内部出现疲劳裂纹时,声发射过程丧失不可逆特征。小波尺度谱可反映不同加载方式对Kaiser效应和Felicity效应特征点时频特征的影响。（3）声发射信号平均频率（average frequency,AF）-上升时间/幅值（rise time/amplitude,RA）指标能够有效区分沥青混合料半圆弯动态疲劳试验中不同阶段的主导开裂类型。在疲劳裂纹形成与扩展过程中,声发射信号AF值减小,RA值增大,意味着试件底部切口尖端处由于应力集中发生的剪切型开裂;随着裂纹不断向上扩展,AF值有所增大而RA值的变化相对趋于稳定。沥青混合料疲劳损伤声发射过程具有突变特征,基于累积声发射能量序列建立的尖点突变模型可有效识别裂纹由微观发展为宏观这一临界断裂状态。基于声发射能量、AF值、RA值建立的自组织映射（self-organizing map,SOM）神经网络模型能够有效区分沥青混合料疲劳荷载作用下的微观裂纹繁衍阶段和宏观裂纹扩展阶段的声发射特征。在临界断裂状态下,声发射特征的聚类分析存在一定的过渡状态;随着宏观断裂的来临,声发射特征分类结果将更为集中,意味着声发射过程有序度的提高。研究结果丰富了对不同荷载条件下沥青混合料损伤行为及其特征的声发射表达,扩展了对其断裂机理的理解,有望为沥青路面结构健康诊断与安全性评估提供帮助与支撑。
张亚楠[4]（2020）在《基于声发射信号处理的风力机叶片损伤演化研究》文中提出叶片是风力机获取风能的关键部件,在叶片的生产过程中,往往因为其制作工艺的特殊,自动化程度不高,使生产出来的叶片存在内部缺陷,如褶皱、分层、缺胶等。由于这些随机分布的工艺缺陷存在,导致复合材料的疲劳破坏通常从缺陷处开始,并在随机交变应力作用下逐步扩展贯通成为宏观裂纹,继而逐步扩展到界面上引发疲劳损伤,对叶片结构造成破坏。考虑风电场大多位于偏远地区,存在维护、监测困难的问题,如果早期损伤未被及时发现,有可能在恶劣工况下发展为恶性事故而造成巨大的经济损失。因此,研究风力机叶片的损伤演化识别,对于保障叶片长时间安全运行具有重要意义。本文研究采用声发射技术对叶片复合材料损伤演化状态进行识别和预测,为风力机叶片健康状态监测提供新思路,论文的主要研究内容如下:（1）以损伤力学理论为基础,通过分析不同阶段损伤演化的能量耗散,建立了风力机叶片复合材料的损伤演化模型,从而明晰声发射能量耗散和复合材料损伤演化规律的关系。通过复合材料层合板Lamb理论讨论了不同类型的Lamb频散控制方程以及频散特性。利用声发射断铅实验分析了不同Lamb波传播方式,并讨论了不同损伤程度对Lamb波的影响,为损伤演化过程中声发射信号波形分析提供理论依据。（2）依据风电发电机组风轮叶片质量标准中对叶片质量影响最大的褶皱和分层工艺缺陷,针对性的建立了GFRP复合材料声发射实验平台,并详细阐述了实验步骤和人工缺陷制作方法。实验分析了分层缺陷位置、大小和不同高宽比褶皱缺陷对复合材料力学性能的影响。使用聚类分析算法识别了复合材料损伤模式,并利用电镜扫描验证的损伤模式识别的正确性。通过对不同缺陷复合材料的声发射特征分析,明晰了缺陷类型和几何参数对叶片损伤规律的影响,为缺陷复合材料损伤模式识别和状态监测提供依据。（3）褶皱缺陷在损伤演化过程中,由于损伤模式的多样性使得观测AE信号源的数目小于声发射源信号数目,本文提出一种改进的K-means欠定盲源分离方法,有效提取了褶皱缺陷损伤演化过程中基体开裂,纤维剥离,界面分层和纤维断裂的频率特征,最后计算并分析疲劳损伤演化中各类损伤特征的声能耗散趋势。研究结果表明,褶皱缺陷在稳定损伤阶段,纤维及纤维束纵向所产生的纤维剥离是能量耗散的主要来源,失稳破坏阶段出现的裂纹和脱粘以及纤维断裂为主要的声发射激励源,并呈现高幅值能量释放的态势,从而明晰了褶皱缺陷的损伤演化机理。（4）针对叶片层合板分层缺陷损伤演化中多组分材料所导致交叉项干扰问题,提出了一种基于自适应VMD-WVD时频分析方法,通过利用交替方向乘子法迭代搜索求取增广Lagrange函数的鞍点,获取声发射模态分量和中心频率。实验结果表明,通过二维时频分布相关系数和时频分辨率对算法性能进行评价,该方法使得交叉项干扰有效降低,还能保证较高的时频聚集性和时频分辨率,能够细致地刻画声发射信号在时频平面上所发生的变化过程,表征分层缺陷损伤的复杂动态过程。（5）考虑叶片复合材料在应力达到最大之前便已经发展为宏观失效,造成失稳破坏的识别和预测难度较大。针对该问题,提出一种基于声发射信号聚类分析和神经网络的复合材料失稳破坏前兆特征识别和预测方法,通过对比每种声发射信号类型的时序演化特征,筛选出合适的前兆特征信号建立神经网络预测模型。结果表明,该方法相比于声发射积累能量和积累计数等参数可有效的对其失稳破坏状态进行识别和预测。
陈飞[5]（2020）在《基于多通道卷积神经网络的预应力筋混凝土梁声发射信号损伤识别研究》文中进行了进一步梳理钢筋混凝土结构是当前建筑领域应用最广泛的结构形式之一,在其漫长的服役过程中,任何细小的原始缺陷都可能积累并发展成为致命的结构损伤,这间接促成了近几十年无损检测技术在世界范围内的快速发展。与大部分无损检测技术强调结果检测的技术侧重点不同,声发射技术强调的是过程检测,他对结构损伤演变的全过程动态把控具有更强的技术适应性,声发射技术也因此逐渐发展成为无损监测领域的重要技术分支。在大数据时代背景下,经验化的人力识别已无法理清海量结构状态信息间的复杂逻辑关系,结构损伤的智能化判断水平已经成为检验无损检测技术技术优劣的重要指标,声发射技术亦不例外。从数据源对象来看,声发射以信号时程信息或由时程信息提取的特征参数为分析对象,在声发射仪器时钟精度提升至纳秒级水平后,其数据源的大数据特征变得尤为突出。这使得声发射技术的智能化判断需求显着提升,他体现在从信号去噪、特征提取、损伤识别、安全预警的全部技术细节之中。卷积神经网络（Convolutional Neural Network,CNN）是一类包含卷积计算且具有深度结构的前馈式神经网络。CNN及其变体架构作为“近年来世界范围内举办的计算机信息特征识别竞赛”中的优胜算法,在抗噪声干扰、输入多样化、网络训练难度、识别时效和精准度方面,较其他神经网络有较大提升。本文所提出的多通道IMF-CNN是一种专门针对声发射信号的CNN变体算法,强调基于多通道输入的综合分析,所输入IMF分量由经验模态分解（Empirical Mode Decomposition,EMD）得到,分析对象可以是声发射时程的IMF分量,也可以是IMF分量的声发射特征参数。在IMF-CNN神经网络分析过程中,实现混凝土构件损伤信号识别需要完成三项重要子任务。一是通过破坏试验收集构件损伤的声发射信号,并基于时序整理、试验现象推断、数据奇异点识别建立构件损伤的基准分类数据库,即本文第二章内容;二是利用EMD分解得到声发射信号时程的IMF分量,由于该步骤位于神经网络的输入层位置,在获取IMF分量的同时应考虑信号噪声处理方法以及去噪与分解的工序问题,即本文第三章内容;三是基于“构件损伤的基准分类数据库”的IMF-CNN网络训练、识别效率和系统开发,即本文第四章内容。第二章中将破坏试验设定为预应力钢筋混凝土梁三点弯曲试验,其理由有二,一是钢筋混凝土梁的受弯破坏过程具有明显的时序特征（包括微裂缝萌生阶段、裂缝成型阶段、裂缝发展阶段、裂缝贯通阶段）,有利于基准分类数据库的建立,也有利于IMF-CNN神经网络分析时效的参照检验;二是预应力钢筋的加入可以有效避免构件的早期开裂,进而从数据源头将微裂缝萌生阶段和裂缝成型阶段区分开来。基准分类数据库建立时,其时序分界点由声发射信号特征参数分析结合Kurtosis值分析得到。第三章首先从EMD分解和PCA去噪的原理出发,讨论了EMD分解与PCA去噪结合工序,提出了EMD-PCA、IMF-PCA、PCA-EMD三种去噪与分解算法;其次通过仿真声发射信号对比了文中所提三种算法计算的差异性;最后基于算法优劣对比选择出PCA-EMD算法,对试验梁损伤声发射信号进行去噪分解,并提取敏感IMF分量。第四章基于PCA-EMD算法分解提取到的敏感IMF分量生成CNN多通道输入数据,完成了基准分类数据库对应的神经网络训练,并通过训练参数、结构参数的优化改进,遴选出最佳的网络架构,实现了预应力钢筋混凝土梁的损伤阶段或称损伤模式识别。在此基础上以Matlab语言为基础,开发了一套简单、易行的声发射损伤模式识别系统,初步实现了针对该问题的自动化、智能化识别。
刘红岩[6]（2020）在《多传感器融合振动钻削磨损状态监测研究》文中进行了进一步梳理CFRP/铝合金材料具有高比强度、耐摩擦、耐疲劳等优异性能,被广泛应用于航空航天、汽车行业以及轮船等领域。但是由于两种材料的硬度、强度不同,采用传统钻削加工方式对其进行制孔加工时,容易产生毛刺、撕裂、分层等缺陷,难以满足航空航天等特殊领域的高精度要求。轴向振动钻削是一种新型的脉冲式特种加工方法,具有改善切削性能,降低切削力,提高加工孔表面质量等优点。在制孔过程中,刀具的磨损状态直接影响生产效率、加工成本以及铰接孔的质量。钻削加工是在半封闭状态下进行的,制孔过程中无法直接观察和监测刀具的磨损状态,主要通过操作工人经验判断刀具磨损程度,制定换刀方案,但这种方法可靠性差且难以应用于自动化设备中。因此,研究刀具磨损状态监测技术有利于推动机床自动化和智能化的发展。本文以轴向振动钻削装置为试验平台,首先,搭建了多传感器融合的钻头磨损状态监测系统,以钻削力信号、声发射信号和振动信号作为监测信号,通过硬质合金刀具进行了CFRP/铝合金工件制孔过程的刀具磨损试验。其次,运用小波阈值法对钻削力、声发射以及振动信号进行了去噪处理,降低噪声的影响。然后,对去噪后的信号进行特征分析,基于时域分析法,计算出信号的均值、方差和均方根值;基于频域分析法,得到信号的频谱结构及功率随频率的分布情况;在时频域内,基于小波分解法对信号进行分析处理,提取了各频段的能量比系数。对比分析钻头在不同磨损状态下的特征值,选取与钻头磨损状态相关性强的特征值作为特征向量。最后,对比分析了BP神经网络与支持向量机在振动钻削钻头磨损状态监测中的应用效果。结果表明,两种方法均能有效识别钻头磨损状态,但支持向量机收敛速度快,识别精度高,更适合应用于振动钻削钻头磨损状态监测。本文通过多传感器融合技术构建的振动钻削钻头磨损状态监测系统对延长钻头使用寿命,提高加工孔表面质量具有重要意义。
付正午[7]（2019）在《声发射技术在橡胶集料混凝土中的应用研究》文中进行了进一步梳理声发射技术是一种常用的实时监测技术。在世界上已被广泛应用于石油化工工业,航空航天工业,科研和材料测试行业等多个领域。在土木领域的研究多用于混凝土和岩石材料。因为声发射技术在混凝土材料的研究中具有独特的优势,同时橡胶集料混凝土材料在未来又有很大的发展前景,所以利用声发射技术对橡胶集料混凝土材料的损伤破坏过程和损伤模式等进行研究对将来此种新型混凝土材料在实际工程中的应用和监测具有重要意义。鉴于此,本文利用声发射技术对橡胶集料混凝土进行研究,主要研究内容包括:从声发射技术能够进行实时监测的功能出发,通过对采集到的橡胶集料混凝土梁四点弯曲实验声发射数据进行累计撞击数的特征参数分析,对其进行微裂纹监测,将橡胶集料混凝土破坏过程划分为三个阶段。同时利用Ib值方法与声发射信号强度分析方法对其损伤破坏过程进行定量分析,用具体的数值实时表征其损伤破坏过程的严重程度。通过k均值聚类分析以及RA-AF值分析方法对橡胶集料混凝土的裂纹破坏模式进行表征和分析,将受拉破坏裂纹和受剪破坏裂纹区分开来。从声发射技术能够进行损伤模式识别的功能出发,应用并改进一种新的聚类方法--密度峰值聚类方法,通过将此方法和传统的四种聚类方法（模糊c均值聚类方法,GMM聚类方法,SOM聚类方法和分层模型聚类方法）的聚类结果进行对比分析,确定出此方法为适合于橡胶集料混凝土损伤模式识别的最佳聚类方法。结合聚类分析结果通过快速傅里叶变换,峰值频率分析以及平均频率分析的方法对橡胶集料混凝土进行损伤模式识别,将其不同的损伤破坏模式（混凝土基质的破坏和橡胶断裂的破坏）区分出来。从声发射技术能够进行裂纹扩展预测的功能出发,基于声发射参数利用人工神经网络对橡胶集料混凝土梁四点弯曲状态下的破坏极限荷载进行预测,提出一种声发射多参数人工神经网络预测模型,此模型的最大预测误差仅为0.89%。
彭加欣[8]（2019）在《基于声发射技术的节段预制胶拼混凝土梁损伤识别研究》文中认为声发射无损检测技术具有灵敏度高、环境适应能力强、可实时动态监测等优点,对桥梁评估具有重要的工程意义。本文针对试验梁三点弯曲损伤破坏全过程的声发射信号,基于特征参数分析建立损伤破坏与声发射信号之间的联系,并结合模糊聚类和多层感知机算法提出一套定性和定量识别损伤的智能化方法。具体研究内容与成果如下。（1）通过声发射系统采集预制胶拼混凝土梁和整体混凝土梁破坏全过程产生的声发射信号,分析发现两种试验梁信号特征参数分布情况基本相同,不同之处在于预制胶拼梁接缝处更易出现裂缝,且前期裂缝发展较多,声发射现象更活跃,整体梁前期裂缝较少,积蓄了更多能量在破坏阶段释放。（2）基于特征参数时程分析和分布分析,发现随着梁体损伤程度加深,振铃计数较大、上升时间和持续时间较长、能量较强、幅值较高、RMS值较大的声发射信号逐渐增多,信号频谱分析表明40～50kHz和90～110kHz为两个最主要的频段。结合混凝土损伤演化规律和损伤发展现象,将试验梁损伤过程划分为三个阶段,分别为:微损伤阶段,混凝土带裂缝工作阶段和破坏阶段。不同阶段的参数分布存在差别,随着损伤程度的加重高强信号占比越来越大,其中上升时间超过20000μs、持续时间在100000μs左右或ASL大于60dB的信号可以作为判别损伤程度由阶段一进入阶段二的标志。（3）采用模糊聚类算法分析发现信号样本点呈现两簇分布的结构形式,由此把信号分为两种模式。为进一步分析两种信号的区别,对两种模式信号特征参数作时程分析,发现第一种模式信号在试验全程均有出现,而第二种模式信号只集中出现在试验中后期的某些时刻。将第二种模式信号的出现时间与宏观裂缝发展记录时间作对比分析,发现该种模式信号基本只出现在宏观裂缝出现、迅速开展汇合以及混凝土受压破坏时刻,表明此信号与混凝土材料程度较大的损伤直接相关。（4）提出了模糊聚类和多层感知器相结合的模型来识别不同类型声发射信号,又采用多层感知机模型识别试验梁损伤阶段,并引入Smote算法解决样本不均衡问题。多层感知器识别更准确,计算速度更快。提出了重划分损伤阶段的改进方法,以及基于多声发射事件概率组合识别的方式来改进单次信号识别结果,有效提高了模型识别准确率。
赵小矛[9]（2018）在《木材声发射特性及榫卯结构破坏源定位研究》文中认为在木材加工制造中对木制构件的质量检测和可靠性评估,是木材加工机械装备实现自动化和智能化的主要问题之一。声发射无损检测先进技术已在木材加工装备中得到应用,而且在评估木质材料品质和木材强度方面也有一定研究,但对使用中的实木结构健康状况的研究还不多。在结构损伤检测方面,损伤源的定位与损伤程度的测评是各种无损检测技术追求的最终目标,也受到国内外学者的普遍关注。近来,声发射信号特征参数的相关研究表明:能量是声发射信号的一个重要的特性参数,可以利用损伤过程中的能量释放规律进行材料结构损伤断裂的预测。由于木结构榫卯接合的部位属于隐藏部位,当其发生损伤时,肉眼无法观测。为了准确地预测榫卯结构的健康状况,可以根据榫卯结构在破坏前,木材所释放出来的声发射能量传播特性进行信息源位置的判定。为此,本文以我国家具业常用木材为研究对象,应用声发射技术探讨其声发射特性,并基于能量衰减特性对声发射源进行准确定位。论文的主要研究内容和创新点如下:1.研究了木材声发射信号特征,基于小波理论及人工神经网络技术提出了木材声发射信号的去噪及特征提取方法,采用LabVIEW/Matlab平台研制了木材声发射信号采集处理系统。2.利用木材声发射信号采集处理系统,结合断铅试验研究了孔洞、节子和含水率等主要因素对木材声发射信号传播特性的影响。阐明了孔洞、节子和含水率对能量衰减的影响规律:孔洞、节子和含水率的值越大,能量衰减越明显。3.研究了楸木木材的能量衰减特性,提出了用能量比量化确定木材声发射信号源（破坏源）,推导并计算得到能量衰减系数α的取值范围为1.0-2.4,明确了声发射信号在楸木中传播时能量随着距离的增加而衰减,从理论上建立了木材能量衰减模型。这是本论文的创新点之一。4.基于木材能量衰减模型研究了方榫结构破坏源的定位方法,采用预制裂纹实验验证了能量衰减模型的有效性,对比了两点定位法和三点定位法的定位精度。通过定位L型和T型方榫结构破坏源,得到三点定位法比两点定位准确。这是本论文的又一创新之处。榫卯结构作为建筑、家具结构中的主要连接结构,其接合部位的健康状况直接影响到结构整体的安全性、可靠性以及使用寿命。本文为榫卯结构的加工制造,以及现场健康监测提供了参考依据,也为木结构破坏源的定位提供了一种新的方法。
刘源[10]（2018）在《空间碎片撞击典型航天器结构损伤模式识别技术研究》文中研究表明随着航天事业的发展,越来越多的空间碎片遗留在地球轨道上,特别是被称为危险碎片的毫米级碎片,既难以通过变轨机动的方式“躲”,又难以被防护结构“防”,是航天器特别是如空间站等长寿命、高可靠、大型航天器在轨安全运行的主要威胁。针对该问题人们提出了在轨感知技术,主要功能包括:是否受到撞击之“判”、定位撞击坐标之“定”及推测损伤模式与程度之“损”。其中,以基于声发射的在轨感知技术最受学术界和工程部门关注。迄今为止,对于平面或规则柱面航天器壁板结构,“判”和“定”已趋于成熟;而对于复杂结构的研究尚比较缺乏。已有方法受到实验环境、地面模拟实验件的尺寸、结构及材料等多方面限制,并且存在识别能力偏低、计算速度偏慢等问题,是在轨感知技术工程化应用进程中亟待解决的关键问题。针对上述问题,采用地面模拟实验与数值仿真相结合的技术手段,基于声发射技术,重点开展了复杂结构撞击源定位、表征损伤的特征参数设计、损伤模式识别和损伤程度估计模型,以及工程应用技术等研究工作。建立了能够识别铝合金平板及蜂窝板等典型航天器壁板结构受空间碎片撞击后的损伤模式,并能够估计其损伤程度的损伤模式算法模块。主要研究工作如下:在分析信号主要特征规律基础上,提出了可去除反射信号的多尺度化自动时间窗小波滤波方法。通过数值仿真分析获得了时间、频率、各模态（模式）特征峰值、能量等参量随撞击载荷（撞击速度、弹丸直径）、传播距离的变化规律。在此基础上,分析了无反射工况下频率、能量与模态特征关系,进而设计了适配传播距离的多频率尺度-模态自动时间窗小波滤波方法。该方法可突破由实验件尺寸效应带来的特征参量反射信息混叠限制,为量化分析损伤模式和损伤程度,提供不依赖于试件尺寸的通用特征参数奠定了技术基础。建立了由双自动阈值到达时刻算法和虚拟近邻定位算法构成的区域-坐标定位算法模块。对信号采样序列实施等长分块压缩,通过基于噪声水平的“块到达阈值”和“块校正阈值”判断和选择到达时刻所在之“块”,并于“块”中搜索到达时刻,设计得双自动阈值法。在基于距离的区域定位基础上,进一步将训练样本集根据与传感器组合的距离进行分块,采用数据融合切换方法解决定位网络边界的算法选择问题,进而通过构建镜像虚拟训练样本,设计了基于距离加权的虚拟近邻定位算法。在某载人密封舱体进行低速撞击验证结果表明,该定位算法模块具有较高的计算速度和精度,训练强度一定,结构尺寸越大、传感器节点越多,平均定位精度越高。所获到达时刻和定位坐标是损伤模式识别过程中,提取时间和距离相关特征参数的基础数据。在K-W检验优选特征参数组合的基础上,建立了先以相关向量机识别损伤模式,再用神经网络估计损伤程度的损伤模式算法模块。通过特征幅值归一化降低实验环境带来的不确定性,在定位的基础上以自动时间窗小波滤波去除反射信息,并采用范数量化得小波范数特征参数。通过K-W检验分析时频和小波范数特征参数对损伤模式和程度的分类能力,并与传播距离共同作为损伤模式识别算法的输入。地面模拟实验结果表明,对铝合金平板和蜂窝板损伤模式的识别率分别约为90%和96%,成坑和穿孔损伤程度估计的误差均小于毫米级别。更重要的是,该算法突破了地面模拟实验样本量不足对识别能力的限制,有效降低了实验环境、实验件尺寸及结构（材料）对损伤模式识别的限制,是实现典型航天器超高速撞击损伤模式识别工程化的关键。提出了定位容错算法和损伤模式修正算法模块。通过在线故障诊断排除故障节点,提出了剩余传感器网络定位容错算法,并通过某载人密封舱体低速撞击实验,验证了虚拟近邻定位法容错能力。分别采用数值拟合、数据融合与双阈值法反馈标准误的方式,针对对损伤模式识别算法的输入参数、决策过程和损伤程度估计结果提出修正方法,建立了损伤模式修正算法模块,提高了识别精度,较大程度上降低了“风险漏报”的可能。定位容错是在轨感知系统通道故障后的应对策略,损伤模式修正是提高损伤模式识别模块精度的重要方法,此二者均是损伤模式识别工程化进程中的重要问题。综上所述,本文通过对超高速撞击损伤模式识别工程化过程中若干问题的研究,在设计新型特征参数和定位模块的基础上,建立了针对典型航天器结构的快速、高精损伤模式算法模块及相应的工程应用技术,并通过地面模拟实验验证了各模块的有效性。所取得成果能够用于处理典型航天器壁板结构损伤模式识别,既可突破实验环境和对象尺寸的限制,又可适应复杂结构、复合材料等问题,对损伤模式识别工程技术应用具有一定参考价值,可为开发集“判”、“定”、“损”为一体的在轨感知工程样机提供必要技术支持。
二、声发射神经网络模式识别（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、声发射神经网络模式识别（论文提纲范文）
（1）多特征融合的车削刀具磨损状态监测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 刀具磨损状态监测的关键技术及国内外研究现状 |
| 1.2.1 刀具磨损状态监测方法 |
| 1.2.2 刀具磨损状态监测信号 |
| 1.2.3 信号处理与特征提取 |
| 1.2.4 模式识别技术 |
| 1.3 刀具磨损状态监测技术存在的问题 |
| 1.4 本课题主要研究内容 |
| 第二章 车削试验 |
| 2.1 监测指标及监测信号的选取 |
| 2.1.1 刀具磨损过程及监测指标的确定 |
| 2.1.2 监测信号的确定 |
| 2.2 试验设计及车削试验 |
| 2.3 本章小结 |
| 第三章 信号分析与特征参量提取 |
| 3.1 时域分析 |
| 3.2 频域分析 |
| 3.3 时频分析 |
| 3.4 振动信号分析 |
| 3.4.1 振动信号的时域分析 |
| 3.4.2 振动信号的频域分析 |
| 3.4.3 振动信号的时频分析 |
| 3.5 声发射信号分析 |
| 3.5.1 声发射信号的时域分析 |
| 3.5.2 声发射信号的频域分析 |
| 3.5.3 声发射信号的时频分析 |
| 3.6 特征选择及降维 |
| 3.6.1 基于Relief-F算法的特征降维 |
| 3.6.2 基于主成分分析的特征降维 |
| 3.7 本章小结 |
| 第四章 基于多特征融合的刀具磨损状态识别 |
| 4.1 刀具磨损状态识别模式概述 |
| 4.2 基于GA-BP神经网络的刀具磨损状态识别 |
| 4.2.1 遗传算法 |
| 4.2.2 BP神经网络算法 |
| 4.2.3 基于GA-BP神经网络的刀具磨损状态识别模型的建立 |
| 4.2.4 基于GA-BP神经网络的刀具磨损状态识别模型的训练仿真及结果分析 |
| 4.3 基于ELM的刀具磨损状态识别 |
| 4.3.1 ELM算法 |
| 4.3.2 基于ELM的刀具磨损状态识别模型的建立 |
| 4.3.3 基于ELM的刀具磨损状态识别模型的训练仿真及结果分析 |
| 4.4 基于SVM的刀具磨损状态识别 |
| 4.4.1 SVM算法 |
| 4.4.2 基于SVM的刀具磨损状态识别模型的建立及相关参数选取 |
| 4.4.3 基于SVM的刀具磨损状态识别模型的训练仿真及结果分析 |
| 4.5 基于多特征融合的刀具磨损状态识别 |
| 4.5.1 结果整合方法介绍 |
| 4.5.2 基于多特征融合和多数投票法的刀具磨损状态识别 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 本文创新点 |
| 5.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 硕士期间所获科研成果 |
（3）沥青混合料破坏全过程的声发射表征及模式识别（论文提纲范文）
| 项目资助 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及动态发展趋势 |
| 1.2.1 材料裂纹动态演化过程的声发射表征 |
| 1.2.2 材料声发射过程同力学过程的耦合关系研究 |
| 1.2.3 材料损伤状态的声发射判别与模型表达 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 材料基本参数与基础理论 |
| 2.1 沥青性能评价 |
| 2.1.1 物理性能测试 |
| 2.1.2 基于傅里叶变换红外光谱的化学组分分析 |
| 2.1.3 基于动态热机械分析的流变行为分析 |
| 2.2 集料和矿粉 |
| 2.3 小波变换 |
| 2.3.1 小波基函数 |
| 2.3.2 连续小波变换 |
| 2.3.3 离散小波变换 |
| 2.4 非线性理论 |
| 2.4.1 分形理论 |
| 2.4.2 突变理论 |
| 3 失效破坏全过程的声发射特征分析 |
| 3.1 材料与方法 |
| 3.1.1 试件制备 |
| 3.1.2 试验系统 |
| 3.1.3 试验方案 |
| 3.2 损伤断裂过程的声发射响应规律探究 |
| 3.3 基于小波变换的声发射时频特征提取 |
| 3.3.1 基于连续小波变换的声发射信号时频分布特征分析 |
| 3.3.2 基于离散小波变换的损伤诊断 |
| 3.4 基于分形理论的声发射过程尺度不变性分析 |
| 3.4.1 声发射参数的分形特征 |
| 3.4.2 声发射波形的分形特征 |
| 3.5 本章小结 |
| 4 疲劳失效破坏过程的声发射不可逆特征研究 |
| 4.1 材料与方法 |
| 4.1.1 试件制备 |
| 4.1.2 试验方案 |
| 4.1.3 Kaiser效应和Felicity效应 |
| 4.1.4 声发射源定位 |
| 4.2 疲劳开裂的声发射机理探究 |
| 4.3 基于声发射定位的疲劳裂纹发展路径观测 |
| 4.4 基于Kaiser效应的疲劳损伤累积不可逆性分析 |
| 4.5 本章小结 |
| 5 疲劳失效破坏过程的临界断裂状态诊断及模式识别 |
| 5.1 神经网络 |
| 5.1.1 基本原理 |
| 5.1.2 自组织特征映射 |
| 5.2 基于AF-RA值的开裂模式判别 |
| 5.3 基于声发射能量的尖点突变模型构建 |
| 5.4 基于神经网络模型的损伤状态识别 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于声发射信号处理的风力机叶片损伤演化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 疲劳损伤演化研究现状 |
| 1.3.2 风力机叶片监测技术的发展与应用 |
| 1.3.3 声发射信号处理的研究现状 |
| 1.4 研究内容 |
| 第2章 GFRP复合材料疲劳损伤演化的理论基础 |
| 2.1 复合材料疲劳损伤力学 |
| 2.2 声发射能量耗散模型 |
| 2.2.1 疲劳损伤能量耗散理论 |
| 2.2.2 不同损伤阶段的能量耗散规律分析 |
| 2.2.3 声发射能量耗散半经验模型 |
| 2.3 声发射信号在复合材料中的传播 |
| 2.3.1 弹性应力波理论 |
| 2.3.2 Lamb波理论 |
| 2.3.3 非线性Lamb波频散控制方程 |
| 2.3.4 不同损伤程度对Lamb波的影响 |
| 2.4 本章小结 |
| 第3章 叶片主梁工艺缺陷损伤演化的AE信号特征分析 |
| 3.1 风力机叶片主梁的制造工艺缺陷 |
| 3.2 GFRP复合材料层合板声发射实验 |
| 3.2.1 试件制备 |
| 3.2.2 声发射监测系统 |
| 3.2.3 声发射实验方法 |
| 3.3 AE信号的K-means聚类分析 |
| 3.4 分层缺陷的声发射特征分析 |
| 3.5 褶皱缺陷的声发射特征分析 |
| 3.6 不同缺陷试件的损伤机制分析 |
| 3.7 本章小结 |
| 第4章 基于盲源分离的褶皱缺陷损伤演化特征提取 |
| 4.1 AE信号的盲源分离处理方法 |
| 4.1.1 褶皱缺陷AE信号的混叠特性分析 |
| 4.1.2 卷积混合模型 |
| 4.1.3 盲源分离性能指标改进方法 |
| 4.1.4 估计性能指标构造自适应步长函数 |
| 4.1.5 信号仿真分析 |
| 4.2 基于K-means聚类的欠定盲分离算法 |
| 4.2.1 K-means欠定盲分离算法 |
| 4.2.2 改进K-means聚类算法 |
| 4.2.3 信号仿真模拟 |
| 4.3 褶皱缺陷损伤演化的AE信号特征提取 |
| 4.3.1 疲劳试验和AE信号采集 |
| 4.3.2 AE信号的盲分离处理 |
| 4.3.3 微观形貌分析 |
| 4.4 基于声能耗散模型的褶皱缺陷损伤演化分析 |
| 4.5 本章小结 |
| 第5章 分层缺陷损伤识别的时频分析方法 |
| 5.1 双线性时频分析方法 |
| 5.1.1 WVD时频分布原理及不足 |
| 5.1.2 WVD时频分布交叉项抑制 |
| 5.2 AVMD-WVD时频分析方法 |
| 5.2.1 VMD算法理论 |
| 5.2.2 VMD-WVD自适应改进方法 |
| 5.2.3 谱相关分析 |
| 5.3 疲劳实验与AE信号处理 |
| 5.3.1 实验数据采集 |
| 5.3.2 分解信号算法对比 |
| 5.3.3 AE频率特征对比与验证 |
| 5.3.4 分层缺陷损伤演化机理分析 |
| 5.4 微观形貌分析 |
| 5.5 本章小结 |
| 第6章 基于神经网络的失稳状态识别和预测 |
| 6.1 BP神经网络概述 |
| 6.1.1 BP神经元基本原理 |
| 6.1.2 BP神经网络算法 |
| 6.1.3 BP神经网络的优势与不足 |
| 6.2 神经网络参数设置 |
| 6.2.1 神经网络学习速率 |
| 6.2.2 神经网络期望误差 |
| 6.2.3 神经网络激励函数选取 |
| 6.2.4 神经网络隐含层数设定 |
| 6.3 神经网络预测模型的建立 |
| 6.3.1 失稳破坏前兆特征提取 |
| 6.3.2 失稳破坏前兆预测模型 |
| 6.4 失稳破坏前兆识别与预测 |
| 6.4.1 实验数据采集 |
| 6.4.2 实验数据处理 |
| 6.4.3 预测结果分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论和创新点 |
| 7.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）基于多通道卷积神经网络的预应力筋混凝土梁声发射信号损伤识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 声发射技术概述 |
| 1.3 声发射技术在钢筋混凝土中研究现状 |
| 1.4 声发射技术在损伤识别领域研究现状 |
| 1.4.1 基于信号对象差异的损伤识别 |
| 1.4.2 基于机器学习的智能损伤识别 |
| 1.5 本文主要研究内容 |
| 第二章 预应力筋混凝土梁声发射信号基准分类数据库的建立 |
| 2.1 引言 |
| 2.2 试验设计与制作 |
| 2.2.1 试件设计 |
| 2.2.2 试件制作 |
| 2.3 试验加载与监测 |
| 2.3.1 试验设备 |
| 2.3.2 加载方案 |
| 2.4 仪器的参数设置 |
| 2.4.1 断铅试验 |
| 2.4.2 门槛设定 |
| 2.4.3 时间参数 |
| 2.5 构件的损伤演化与数据的基准分类 |
| 2.5.1 损伤的时序特征经历图 |
| 2.5.2 损伤划分与基准分类 |
| 2.6 基准分类数据的参数特征差异分析 |
| 2.6.1 信号参数关联分析 |
| 2.6.2 信号参数分布分析 |
| 2.7 本章小结 |
| 第三章 基于EMD和 PCA方法相结合的声发射信号预处理 |
| 3.1 引言 |
| 3.2 EMD分解与选取的基本原理 |
| 3.2.1 EMD分解算法 |
| 3.2.2 IMF分量选取 |
| 3.3 PCA信号去噪的基本原理 |
| 3.3.1 PCA分析原理 |
| 3.3.2 PCA去噪方法 |
| 3.4 分解与去噪的工序选择 |
| 3.4.1 EMD和 PCA结合方式 |
| 3.4.2 去噪效果评价指标 |
| 3.4.3 仿真信号验证分析 |
| 3.5 试验梁声发射信号的预处理 |
| 3.5.1 信号波形特征分析 |
| 3.5.2 信号的分解及重构 |
| 3.6 本章小结 |
| 第四章 基于多通道IMF-CNN的损伤识别 |
| 4.1 引言 |
| 4.2 CNN基本理论 |
| 4.2.1 CNN基本架构 |
| 4.2.2 CNN训练流程 |
| 4.3 多通道IMF-CNN的损伤识别设计 |
| 4.3.1 损伤模式分类方法流程 |
| 4.3.2 架构及训练参数的优化 |
| 4.4 各损伤识别方法性能对比分析 |
| 4.5 智能识别系统的开发 |
| 4.5.1 功能模块设计 |
| 4.5.2 运行实例介绍 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及其他科研成果 |
（6）多传感器融合振动钻削磨损状态监测研究（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 |
| 1.2 刀具状态监测技术概述 |
| 1.2.1 刀具状态监测技术的分类 |
| 1.2.2 刀具状态监测系统的组成 |
| 1.3 刀具状态监测技术的国内外研究现状 |
| 1.3.1 监测信号的选取 |
| 1.3.2 信号的特征分析 |
| 1.3.3 模式识别技术 |
| 1.4 主要研究内容 |
| 第2章 轴向振动钻削机理及试验设计 |
| 2.1 轴向振动钻削机理 |
| 2.2 钻头磨损概述 |
| 2.2.1 钻头磨损形式 |
| 2.2.2 钻头磨损过程及划分基准 |
| 2.3 监测信号的确定 |
| 2.3.1 钻削力信号 |
| 2.3.2 声发射信号 |
| 2.3.3 振动信号 |
| 2.4 钻头磨损状态监测系统方案设计 |
| 2.4.1 监测系统的搭建 |
| 2.4.2 钻削试验设备 |
| 2.4.3 信号采集设备的选择 |
| 2.4.4 测量装置 |
| 2.5 监测试验方案设计 |
| 2.6 本章小结 |
| 第3章 监测信号的去噪处理 |
| 3.1 小波变换分析方法 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.1.3 多分辨率小波变换 |
| 3.2 小波阈值去噪法 |
| 3.2.1 小波阈值去噪的原理 |
| 3.2.2 小波阈值去噪效果的评价指标 |
| 3.3 监测信号的小波阈值去噪 |
| 3.3.1 钻削力信号小波阈值去噪 |
| 3.3.2 声发射信号小波阈值去噪 |
| 3.3.3 振动信号小波阈值去噪 |
| 3.4 本章小结 |
| 第4章 监测信号的特征分析 |
| 4.1 监测信号的时域特征分析 |
| 4.1.1 时域特征分析方法 |
| 4.1.2 钻削力信号的时域特征分析 |
| 4.1.3 声发射信号的时域特征分析 |
| 4.1.4 振动信号的时域特征分析 |
| 4.2 监测信号的频域特征分析 |
| 4.2.1 频域特征分析方法 |
| 4.2.2 钻削力信号的频域特征分析 |
| 4.2.3 声发射信号的频域特征分析 |
| 4.2.4 振动信号的频域特征分析 |
| 4.3 监测信号的时频域特征分析 |
| 4.3.1 小波能量系数分析方法 |
| 4.3.2 钻削力信号的小波分析 |
| 4.3.3 声发射信号的小波分析 |
| 4.3.4 振动信号的小波分析 |
| 4.4 本章小结 |
| 第5章 多传感器信号融合振动钻削钻头磨损状态识别 |
| 5.1 基于BP神经网络的钻头磨损状态识别 |
| 5.1.1 BP神经网络概述 |
| 5.1.2 结构参数设计 |
| 5.1.3 BP神经网络训练 |
| 5.1.4 识别结果 |
| 5.2 基于支持向量机的钻头磨损状态识别 |
| 5.2.1 支持向量机概述 |
| 5.2.2 结构参数设计 |
| 5.2.3 数据规划及处理 |
| 5.2.4 识别结果 |
| 5.3 BP神经网络与支持向量机的识别效果对比分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论及创新点 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（7）声发射技术在橡胶集料混凝土中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声发射技术研究现状 |
| 1.2.2 橡胶集料混凝土的研究现状 |
| 1.2.3 声发射技术对橡胶集料混凝土材料的研究现状 |
| 1.3 本文研究内容 |
| 第2章 声发射信号处理方法与声发射实验 |
| 2.1 声发射信号基本特点 |
| 2.2 声发射信号参数分析方法 |
| 2.2.1 声发射信号特征参数 |
| 2.2.2 声发射信号特征参数分析方法 |
| 2.3 声发射信号聚类分析方法 |
| 2.4 声发射信号频谱分析方法 |
| 2.5 橡胶集料混凝土声发射实验 |
| 2.5.1 声发射技术实验设备 |
| 2.5.2 实验过程 |
| 2.6 本章小结 |
| 第3章 基于声发射特征参数的橡胶集料混凝土损伤分析 |
| 3.1 基于声发射累计撞击数的参数分析 |
| 3.2 基于声发射信号的Ib值分析与强度分析(IA) |
| 3.3 基于声发射信号的k均值聚类分析 |
| 3.4 基于声发射信号的RA-AF值分析 |
| 3.5 本章小结 |
| 第4章 基于声发射数据的聚类算法对橡胶集料混凝土损伤模式识别 |
| 4.1 常用聚类方法及其聚类结果 |
| 4.1.1 常用聚类方法介绍及其聚类结果 |
| 4.1.2 常用聚类方法聚类结果 |
| 4.2 密度峰值聚类方法及其聚类结果 |
| 4.2.1 密度峰值聚类方法介绍 |
| 4.2.2 密度峰值聚类方法聚类结果 |
| 4.3 利用密度峰值聚类方法对橡胶集料混凝土进行损伤模式识别 |
| 4.4 本章小结 |
| 第5章 基于声发射参数的人工神经网络预测橡胶集料混凝土破坏极限荷载 |
| 5.1 人工神经网络方法介绍 |
| 5.2 声发射单参数数据人工神经网络预测 |
| 5.3 声发射双参数数据人工神经网络预测 |
| 5.4 声发射多参数数据人工神经网络预测 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）基于声发射技术的节段预制胶拼混凝土梁损伤识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 声发射技术在钢筋混凝土领域的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 声发射检测技术介绍 |
| 1.3.1 声发射技术基本原理 |
| 1.3.2 声发射检测仪器工作原理 |
| 1.3.3 声发射信号处理和分析方法 |
| 1.4 本文主要研究内容 |
| 第2章 钢筋混凝土梁三点弯曲声发射特性试验 |
| 2.1 试件设计 |
| 2.1.1 试件尺寸 |
| 2.1.2 试件配筋 |
| 2.2 试件制造 |
| 2.2.1 试验材料 |
| 2.2.2 试件制作 |
| 2.3 声发射传感器布置 |
| 2.4 加载与测试 |
| 2.4.1 加载设备与加载方案 |
| 2.4.2 位移测点布置 |
| 2.5 钢筋混凝土梁损伤发展过程 |
| 2.5.1 混凝土梁的变形与破坏 |
| 2.5.2 试验梁B1的裂缝开展和破坏过程 |
| 2.5.3 试验梁B2的裂缝开展和破坏过程 |
| 2.5.4 试验梁B3的裂缝开展和破坏过程 |
| 2.5.5 损伤破坏过程 |
| 2.6 本章小节 |
| 第3章 钢筋混凝土梁损伤声发射信号特征参数分析 |
| 3.1 声发射信号特征参数统计分析 |
| 3.1.1 声发射信号单参数分析 |
| 3.1.2 声发射信号双参数相关性分析 |
| 3.2 基于快速傅里叶变换的声发射信号频谱分析 |
| 3.2.1 快速傅里叶变换的基本原理 |
| 3.2.2 声发射信号频谱特征分析 |
| 3.3 混凝土梁损伤阶段划分 |
| 3.3.1 损伤阶段划分 |
| 3.3.2 损伤阶段分析 |
| 3.4 本章小结 |
| 第4章 钢筋混凝土梁损伤声发射信号模糊聚类分析 |
| 4.1 模糊C均值聚类算法 |
| 4.1.1 算法介绍 |
| 4.1.2 聚类有效性评价指标 |
| 4.1.3 主成分分析 |
| 4.2 声发射信号模糊聚类与分析 |
| 4.2.1 声发射信号模糊聚类 |
| 4.2.2 两种模式声发射信号参数分析 |
| 4.2.3 声发射信号与混凝土损伤的联系 |
| 4.3 本章小结 |
| 第5章 基于多层感知器的混凝土梁损伤声发射信号识别 |
| 5.1 多层感知器模型算法基础 |
| 5.2 基于多层感知器的损伤信号模式识别 |
| 5.2.1 多层感知器网络结构的构建和优化 |
| 5.2.2 信号的识别与分析 |
| 5.3 基于多层感知器的混凝土梁损伤阶段识别 |
| 5.3.1 特征参数的确定 |
| 5.3.2 梁体损伤阶段的识别与分析 |
| 5.3.3 多层感知器与其他模型识别结果对比 |
| 5.3.4 减少类别对模型识别精度的提升 |
| 5.3.5 基于多声发射事件概率的组合识别 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）木材声发射特性及榫卯结构破坏源定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声发射技术在木材工业中的研究 |
| 1.2.2 材料声发射信号传播特性的研究 |
| 1.2.3 声发射技术在木榫结构中常用的定位方式 |
| 1.2.4 声发射技术发展趋势及存在的问题 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 2 木材声发射信号采集与处理系统研究 |
| 2.1 木材声发射信号特征 |
| 2.1.1 木材声发射信号的产生机理 |
| 2.1.2 声发射信号处理方法 |
| 2.2 声发射源定位技术 |
| 2.2.1 声发射源定位的流程及影响因素 |
| 2.2.2 时差定位方法 |
| 2.3 木材声发射信号采集系统 |
| 2.3.1 木材声发射信号采集硬件系统 |
| 2.3.2 木材声发射信号采集系统软件设计 |
| 2.3.3 声发射信号的模式识别 |
| 2.3.4 声发射信号处理平台的开发 |
| 2.4 本章小结 |
| 3 木材声发射波传播特性影响因素的试验研究 |
| 3.1 孔径对声发射信号的影响 |
| 3.1.1 无孔木试件断铅试验 |
| 3.1.2 含孔木试件断铅试验 |
| 3.1.3 不同孔径的断铅试验 |
| 3.1.4 结果及分析 |
| 3.2 多孔对声发射信号的影响 |
| 3.2.1 试验试件 |
| 3.2.2 试验结果及分析 |
| 3.3 节子对声发射信号的影响 |
| 3.3.1 试验试件 |
| 3.3.2 结果及分析 |
| 3.4 含水率对声发射信号的影响 |
| 3.4.1 试件含水率 |
| 3.4.2 试验方法 |
| 3.4.3 结果与分析 |
| 3.5 本章小结 |
| 4 基于能量衰减特性的的木榫结构检测方法研究 |
| 4.1 引言 |
| 4.1.1 结构能量衰减特性 |
| 4.1.2 能量衰减特性模型 |
| 4.2 木材能量衰减特性的试验研究 |
| 4.2.1 试验方法 |
| 4.2.2 试验结果及分析 |
| 4.3 基于木材能量衰减特性的传感器布置 |
| 4.3.1 声发射波传播过程中的能量衰减 |
| 4.3.2 传感器布置的方法 |
| 4.3.3 基于能量衰减的木结构传感器布置 |
| 4.4 本章小结 |
| 5 木榫结构破坏源定位研究 |
| 5.1 两点定位破坏试验 |
| 5.1.1 试验材料 |
| 5.1.2 试验结果及分析 |
| 5.2 两点定位预制裂纹验证试验 |
| 5.2.1 试验材料 |
| 5.2.2 试验方法 |
| 5.2.3 试验结果及分析 |
| 5.3 三点定位破坏实验 |
| 5.3.1 试验材料 |
| 5.3.2 试验方法 |
| 5.3.3 试验结果及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 对未来研究的展望 |
| 附录 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（10）空间碎片撞击典型航天器结构损伤模式识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及目的意义 |
| 1.1.1 空间碎片环境及其危害 |
| 1.1.2 研究的目的及意义 |
| 1.2 在轨感知技术发展现状 |
| 1.3 基于声发射的在轨感知技术 |
| 1.3.1 超高速撞击声发射现象与撞击感知 |
| 1.3.2 基于声发射的撞击源定位技术 |
| 1.3.3 基于声发射的损伤模式识别技术 |
| 1.4 存在的主要问题 |
| 1.5 本文主要研究内容及技术路线 |
| 第2章 超高速撞击声发射信号特征及其滤波技术 |
| 2.1 引言 |
| 2.2 超高速撞击声发射数值仿真 |
| 2.2.1 几何模型 |
| 2.2.2 材料模型 |
| 2.3 超高速撞击声发射信号的时间与频率特征 |
| 2.3.1 时间特征 |
| 2.3.2 频谱特征 |
| 2.4 超高速撞击声发射信号的模态特征 |
| 2.4.1 S0模态 |
| 2.4.2 S2模态 |
| 2.4.3 A0模态 |
| 2.5 超高速撞击声发射信号传播特性 |
| 2.5.1 时频特征 |
| 2.5.2 模态特征 |
| 2.5.3 能量特征 |
| 2.5.4 小波特征 |
| 2.6 基于自动时间窗的小波滤波方法 |
| 2.7 本章小结 |
| 第3章 复杂航天器结构撞击源定位技术 |
| 3.1 引言 |
| 3.2 信号到达时刻算法 |
| 3.2.1 常用到达时刻算法 |
| 3.2.2 双自动阈值法 |
| 3.3 定位实验设计 |
| 3.3.1 平面多边形定位实验 |
| 3.3.2 舱体低速撞击定位实验 |
| 3.4 区域定位算法 |
| 3.4.1 基于距离的区域定位算法 |
| 3.4.2 快速分区优化 |
| 3.5 定位算法的无缝切换 |
| 3.5.1 切换触发 |
| 3.5.2 切换方式 |
| 3.6 虚拟近邻定位算法 |
| 3.7 定位算法的对比分析 |
| 3.8 本章小结 |
| 第4章 基于相关向量机的损伤模式识别技术 |
| 4.1 引言 |
| 4.2 相关向量机的原理及模型建立 |
| 4.3 特征参数提取 |
| 4.3.1 铝合金平板超高速撞击实验 |
| 4.3.2 基于时频分析的特征参数设计 |
| 4.3.3 基于小波分解的特征参数设计 |
| 4.3.4 特征参数的非参数检验 |
| 4.4 铝合金平板超高速撞击损伤模式识别 |
| 4.4.1 损伤模式识别 |
| 4.4.2 损伤程度估计 |
| 4.4.3 不同尺寸靶板的适用性 |
| 4.5 铝合金蜂窝板超高速撞击损伤模式识别 |
| 4.5.1 超高速撞击实验 |
| 4.5.2 特征参数分析 |
| 4.5.3 损伤模式及程度识别结果分析 |
| 4.6 本章小结 |
| 第5章 在轨感知系统定位容错与损伤模式修正 |
| 5.1 引言 |
| 5.2 航天器在轨感知系统构成 |
| 5.3 撞击源定位容错设计 |
| 5.4 损伤模式识别修正 |
| 5.4.1 特征参数修正 |
| 5.4.2 基于数据融合的识别过程修正 |
| 5.4.3 基于损伤程度估计的结果反馈修正 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
四、声发射神经网络模式识别（论文参考文献）
- [1]多特征融合的车削刀具磨损状态监测技术研究[D]. 令狐克进. 昆明理工大学, 2021(01)
- [2]热障涂层失效的声发射实时表征技术研究进展[J]. 杨丽,周益春,朱旺. 中国材料进展, 2020(11)
- [3]沥青混合料破坏全过程的声发射表征及模式识别[D]. 徐静娴. 浙江师范大学, 2020(01)
- [4]基于声发射信号处理的风力机叶片损伤演化研究[D]. 张亚楠. 沈阳工业大学, 2020
- [5]基于多通道卷积神经网络的预应力筋混凝土梁声发射信号损伤识别研究[D]. 陈飞. 江苏大学, 2020(02)
- [6]多传感器融合振动钻削磨损状态监测研究[D]. 刘红岩. 长春理工大学, 2020(01)
- [7]声发射技术在橡胶集料混凝土中的应用研究[D]. 付正午. 天津大学, 2019(01)
- [8]基于声发射技术的节段预制胶拼混凝土梁损伤识别研究[D]. 彭加欣. 北京交通大学, 2019(01)
- [9]木材声发射特性及榫卯结构破坏源定位研究[D]. 赵小矛. 北京林业大学, 2018(04)
- [10]空间碎片撞击典型航天器结构损伤模式识别技术研究[D]. 刘源. 哈尔滨工业大学, 2018(01)