外圆纵向磨削表面粗糙度预测与控制
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-19页 |
| ·课题背景 | 第11-12页 |
| ·表面粗糙度概述 | 第12-14页 |
| ·表面粗糙度对零件性能的影响 | 第12-13页 |
| ·表面粗糙度评定参数 | 第13-14页 |
| ·表面粗糙度的研究现状及存在的问题 | 第14-16页 |
| ·目前表面粗糙度的测量方法 | 第14页 |
| ·表面粗糙度预测研究现状 | 第14-16页 |
| ·智能控制研究现状 | 第16-17页 |
| ·本文主要研究内容 | 第17-19页 |
| 第2章 开放式外圆纵向磨削实验系统构建 | 第19-29页 |
| ·系统总体结构设计 | 第19-20页 |
| ·外圆纵向磨削实验系统组成 | 第20-28页 |
| ·系统硬件组成 | 第20-23页 |
| ·系统软件设计 | 第23-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 外圆纵向磨削表面粗糙度影响因素实验 | 第29-39页 |
| ·影响表面粗糙度的因素 | 第29页 |
| ·外圆纵向磨削表面粗糙度理论公式 | 第29-31页 |
| ·实验设计 | 第31-37页 |
| ·实验目的 | 第31页 |
| ·实验条件 | 第31-32页 |
| ·正交实验设计 | 第32-33页 |
| ·实验结果分析 | 第33-37页 |
| ·表面粗糙度预测模型训练及验证样本 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 表面粗糙度预测模型及实验研究 | 第39-59页 |
| ·人工神经网络 | 第39-44页 |
| ·人工神经元 | 第39-41页 |
| ·神经网络的分类 | 第41页 |
| ·BP神经网络 | 第41-44页 |
| ·进化神经网络 | 第44-48页 |
| ·遗传算法 | 第44-45页 |
| ·遗传算法与BP网络的结合 | 第45-48页 |
| ·基于进化神经网络的粗糙度预测模型建立 | 第48-50页 |
| ·网络层数的确定 | 第48-49页 |
| ·各层节点个数 | 第49页 |
| ·激励函数的确定 | 第49-50页 |
| ·网络训练函数 | 第50页 |
| ·训练样本及检测样本预处理 | 第50-51页 |
| ·进化BP网络预测模型性能评定 | 第51-57页 |
| ·BP和GA-BP训练效果对比 | 第51-54页 |
| ·预测模型的确立 | 第54-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 表面粗糙度自适应模糊控制器设计 | 第59-73页 |
| ·模糊集合及隶属度函数 | 第59-60页 |
| ·模糊规则 | 第60页 |
| ·模糊控制器 | 第60-62页 |
| ·模糊控制器结构 | 第60-61页 |
| ·模糊推理类型 | 第61-62页 |
| ·自适应模糊推理系统 | 第62-65页 |
| ·ANFIS系统结构 | 第63-65页 |
| ·混合学习算法 | 第65页 |
| ·表面粗糙度模糊控制模型的建立 | 第65-71页 |
| ·控制变量选择 | 第65-66页 |
| ·隶属度函数选取 | 第66-67页 |
| ·控制模型训练及检验样本 | 第67-69页 |
| ·模糊控制器结构 | 第69-70页 |
| ·模糊控制器输出精度 | 第70-71页 |
| ·表面粗糙度控制实验 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| ·总结 | 第73-74页 |
| ·展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |
