本文提出了一种基于巴克豪森噪声的硬度在线检测系统的设计方案,为了满足市场对于硬度检测提高效率、方便使用、结果准确的要求,本课题提出了一套新的基于频域特征的硬度检测方法,并结合了机器学习和互联网的技术,实现了一整套包含在线硬度检测和数据管理功能的系统。本文的创新之处主要体现在了硬度检测算法设计中,包括提出了一组较传统特征更好的新特征,提出了一整套新的特征处理方法,使用了GBDT模型完成了学习过程。主要工作包括以下几个部分。首先对本课题系统的需求进行了分析,根据需求分析结果确定了系统所需的结构,并在基础上确定了所需的功能,最后对系统所采用的技术方案进行研究与分析,确定了技术选型。之后对基于频域特征的检测方法进行了研究,分析了时域特征的问题与局限性,针对这些问题提出了以巴克豪森噪声信号AR谱作为特征源的方案。对巴克豪森噪声信号的AR谱进行了研究与分析,提出了一组新的基于AR谱特征,包括巴克豪森信号AR谱中波峰的峰值、巴克豪森信号AR谱一阶差分中的波峰波谷宽、巴克豪森信号AR谱二阶差分中的波谷谷点值和巴克豪森信号AR谱二阶差分中的波谷所在位置。基于所提取的特征,提出了一整套新的基于k-means算法和Relief算法的特征处理方法。首先使用k-means算法和One-Hot编码对特征进行特征维度的统一和表述,然后使用Relief算法对样本特征进行特征挑选处理。特征处理后使用GBDT模型作为工具学习特征与硬度间的关系,从而完成了硬度检测算法的设计。最终以采集自Cr12MoV材料的2700个样本作为数据集验证本课题所提出方法的可实施性,实验表明,频域特征检测方法的误差值为6.3,小于时域特征检测方法的14.2和传统频域特征的9.8,说明此方法更优,从而证明了新频域特征检测方法在本课题数据中的有效性与优越性。最后对基于巴克豪森噪声的硬度在线检测系统进行搭建与开发,使用Django作为系统开发框架,Mysq作为数据库,具体的开发工作包括库模型和数据表的设计、后台服务器的搭建、算法模块和业务模块的编写和系统网站前端页面的开发。经过测试证明,本系统具有低成本、数据易于存储与查询、硬度检测方便准确的优点,满足了对硬度检测系统的所有需求。系统运行稳定,具有较高的实际应用价值。