| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-19页 |
| 1.1 磨料水射流切割技术的产生 | 第9-10页 |
| 1.2 磨料水射流切割技术的特点 | 第10页 |
| 1.3 磨料水射流切割技术的分类 | 第10-13页 |
| 1.3.1 后混合磨料水射流 | 第10-11页 |
| 1.3.2 前混合磨料水射流 | 第11-12页 |
| 1.3.3 前、后混合磨料水射流的性能比较 | 第12-13页 |
| 1.4 磨料水射流切割质量控制 | 第13-17页 |
| 1.4.1 磨料水射流切割断面特征 | 第13-14页 |
| 1.4.2 磨料水射流切割质量模型 | 第14-17页 |
| 1.5 本文主要研究内容 | 第17-19页 |
| 2 磨料水射流切割试验研究 | 第19-33页 |
| 2.1 磨料水射流工艺参数 | 第19页 |
| 2.2 试验设备、材料以及工艺参数 | 第19-23页 |
| 2.3 单因素试验研究与分析 | 第23-28页 |
| 2.3.1 切割速度对切割质量的影响 | 第23-24页 |
| 2.3.2 靶距对切割质量的影响 | 第24-26页 |
| 2.3.3 磨料流量对切割质量的影响 | 第26-27页 |
| 2.3.4 磨料粒度对切割质量的影响 | 第27-28页 |
| 2.4 全面试验与极差分析 | 第28-31页 |
| 2.4.1 全面试验方案设计 | 第28页 |
| 2.4.2 全面试验研究 | 第28-30页 |
| 2.4.3 全面试验极差分析 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 3 基于BP神经网络的磨料水射流切割质量控制模型 | 第33-46页 |
| 3.1 人工神经元模型以及BP神经网络学习算法 | 第33-37页 |
| 3.1.1 人工神经元模型 | 第33-35页 |
| 3.1.2 BP神经网络学习算法 | 第35-37页 |
| 3.2 基于BP神经网络的磨料水射流切割质量控制模型的建立 | 第37-44页 |
| 3.2.1 输入输出参数的确定以及学习样本的获取 | 第38页 |
| 3.2.2 网络层数、激活函数的确定 | 第38-39页 |
| 3.2.3 隐含层神经元数的确定 | 第39-43页 |
| 3.2.4 网络初始化 | 第43页 |
| 3.2.5 基于BP神经网络的磨料水射流切割质量控制模型程序设计 | 第43-44页 |
| 3.3 基于BP神经网络的磨料水射流切割质量控制模型性能检测 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 改进GABP算法的磨料水射流切割质量控制模型 | 第46-59页 |
| 4.1 遗传算法 | 第46-47页 |
| 4.2 GABP算法的磨料水射流切割质量控制模型 | 第47-55页 |
| 4.2.1 编码 | 第48-49页 |
| 4.2.2 创建初始种群 | 第49页 |
| 4.2.3 设计适应度函数 | 第49页 |
| 4.2.4 选择 | 第49-50页 |
| 4.2.5 交叉 | 第50-51页 |
| 4.2.6 变异 | 第51-52页 |
| 4.2.7 GABP算法的磨料水射流切割质量控制模型程序设计 | 第52-55页 |
| 4.3 改进GABP算法的磨料水射流切割质量控制模型 | 第55页 |
| 4.4 仿真试验与性能检测 | 第55-57页 |
| 4.5 本章小结 | 第57-59页 |
| 5 改进GABP算法的磨料水射流切割质量智能控制模块的开发 | 第59-70页 |
| 5.1 改进GABP算法的磨料水射流切割质量智能控制模块的组成 | 第59-61页 |
| 5.1.1 登录模块 | 第59-60页 |
| 5.1.2 预测模块 | 第60-61页 |
| 5.2 预测模块的工作流程 | 第61-67页 |
| 5.3 “训练”模式下预测结果的输出 | 第67-69页 |
| 5.4 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表论文及科研成果 | 第75-76页 |
| 致谢 | 第76-77页 |
