基于深度学习的刀具磨损状态监测技术的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 刀具磨损状态监测技术和研究成果 | 第12-18页 |
| 1.2.1 刀具状态监测技术的发展概况 | 第12-13页 |
| 1.2.2 刀具磨损状态监测技术的研究现状 | 第13-18页 |
| 1.3 课题的提出 | 第18-19页 |
| 1.4 本文的主要内容 | 第19-21页 |
| 第2章 深度学习模型理论简介 | 第21-29页 |
| 2.1 深度学习的概念 | 第21页 |
| 2.2 深度学习模型 | 第21-26页 |
| 2.2.1 自动编码器 | 第22-24页 |
| 2.2.2 限制玻尔兹曼机 | 第24-26页 |
| 2.3 深度学习的研究现状和发展趋势 | 第26-28页 |
| 2.3.1 深度学习的研究现状 | 第26-27页 |
| 2.3.2 深度学习的发展趋势 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 高速铣削刀具的磨损机理及其试验系统设计 | 第29-39页 |
| 3.1 刀具磨损与破损 | 第29-30页 |
| 3.1.1 前刀面磨损 | 第29-30页 |
| 3.1.2 后刀面磨损 | 第30页 |
| 3.1.3 边界磨损 | 第30页 |
| 3.2 刀具磨损的机理 | 第30-32页 |
| 3.2.1 刀具磨损的原因 | 第30-31页 |
| 3.2.2 刀具的磨损过程 | 第31-32页 |
| 3.2.3 刀具的磨钝标准 | 第32页 |
| 3.3 刀具磨损监测系统实验设计 | 第32-38页 |
| 3.3.1 监测信号的选择 | 第33-34页 |
| 3.3.2 试验平台的搭建 | 第34-35页 |
| 3.3.3 试验方案设计 | 第35-36页 |
| 3.3.4 实测信号 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 力信号分析与刀具磨损特征提取 | 第39-45页 |
| 4.1 时域分析 | 第39-40页 |
| 4.2 频域分析 | 第40-42页 |
| 4.3 小波分析 | 第42-44页 |
| 4.3.1 连续小波变换 | 第42-43页 |
| 4.3.2 离散小波变换 | 第43页 |
| 4.3.3 小波包分析 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于传统BP神经网络的刀具磨损状态监测 | 第45-53页 |
| 5.1 BP神经网络 | 第45-49页 |
| 5.1.1 BP神经网络的结构 | 第46页 |
| 5.1.2 BP神经网络的学习算法 | 第46-49页 |
| 5.2 基于BP神经网络的刀具磨损监测模型设计 | 第49-51页 |
| 5.3 实验结果分析 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 基于深层模型的刀具磨损状态的监测 | 第53-61页 |
| 6.1 堆栈稀疏自编码网络 | 第53-54页 |
| 6.2 Softmax分类器 | 第54-55页 |
| 6.3 微调多层自编码算法 | 第55-56页 |
| 6.4 基于深度学习的刀具磨损状态监测 | 第56-57页 |
| 6.5 试验验证 | 第57-60页 |
| 6.5.1 试验数据 | 第57-58页 |
| 6.5.2 实验结果 | 第58-60页 |
| 6.6 本章小结 | 第60-61页 |
| 第7章 总结和展望 | 第61-63页 |
| 7.1 总结 | 第61-62页 |
| 7.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第68页 |
