| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景及其意义 | 第9-10页 |
| 1.2 刀具磨损状态监测技术及其发展研究现状 | 第10-14页 |
| 1.2.1 刀具磨损状态监测技术 | 第11页 |
| 1.2.2 刀具磨损状态监测技术国内外研究现状 | 第11-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 2 BTA深孔钻头磨损状态监测系统设计 | 第15-29页 |
| 2.1 BTA深孔钻削系统及其加工特点 | 第15-16页 |
| 2.2 BTA钻头磨损状态监测方案及实验系统 | 第16-20页 |
| 2.2.1 深孔钻削状态监测方案设计 | 第16-18页 |
| 2.2.2 深孔钻削状态监测实验设计 | 第18-20页 |
| 2.2.3 试验方案 | 第20页 |
| 2.3 BTA深孔钻头磨损规律研究 | 第20-23页 |
| 2.3.1 BTA深孔钻头常见的磨损形式 | 第20-21页 |
| 2.3.2 典型刀具磨损规律 | 第21-22页 |
| 2.3.3 BTA钻头磨损规律实验结果分析 | 第22-23页 |
| 2.4 主轴电机电流信号初步分析 | 第23-28页 |
| 2.4.1 信号时域分析方法 | 第24-25页 |
| 2.4.2 主轴电机电流信号时域波形分析 | 第25-27页 |
| 2.4.3 主轴电机电流信号时域分析 | 第27-28页 |
| 2.4.4 主轴电机电流信号频谱分析 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 主轴电机电流信号连续小波分析 | 第29-41页 |
| 3.1 连续小波变换及小波尺度谱 | 第29-34页 |
| 3.1.1 连续小波变换的定义 | 第29-30页 |
| 3.1.2 连续小波变换的时频分辨率 | 第30-32页 |
| 3.1.3 小波多尺度分析 | 第32-33页 |
| 3.1.4 小波尺度谱 | 第33-34页 |
| 3.2 主轴电机电流信号小波尺度谱 | 第34-40页 |
| 3.2.1 主轴电机电流小波基函数选择 | 第35-37页 |
| 3.2.2 小波信号熵及小波分解层数选择 | 第37-39页 |
| 3.2.3 主轴电机电流小波尺度谱 | 第39-40页 |
| 3.3 本章小结 | 第40-41页 |
| 4 卷积神经网络（CNN） | 第41-53页 |
| 4.1 人工神经网络（ANN） | 第41页 |
| 4.2 多层神经网络及BP算法 | 第41-44页 |
| 4.2.1 多层神经网络 | 第41-42页 |
| 4.2.2 BP算法 | 第42-44页 |
| 4.3 卷积神经网络 | 第44-51页 |
| 4.3.1 卷积神经网络的结构 | 第44-45页 |
| 4.3.2 卷积神经网络的局部感知和权值共享 | 第45-47页 |
| 4.3.3 卷积神经网络的卷积和采样过程 | 第47-48页 |
| 4.3.4 卷积神经网络的参数减少实例 | 第48-49页 |
| 4.3.5 卷积神经网络的权值更新 | 第49-51页 |
| 4.4 卷积神经网络仿真 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 BTA深孔钻头磨损状态识别 | 第53-65页 |
| 5.1 BTA钻头磨损状态的识别 | 第53-54页 |
| 5.2 主轴电机电流小波尺度谱的卷积神经网络的构建 | 第54-58页 |
| 5.2.1 网络层数的选取 | 第54-56页 |
| 5.2.2 核矩阵个数的选取 | 第56-57页 |
| 5.2.3 核矩阵大小的选取 | 第57-58页 |
| 5.3 CNN各层输出特征图可视化分析 | 第58-60页 |
| 5.4 钻头磨损状态的识别 | 第60-64页 |
| 5.5 本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 主要结论 | 第65页 |
| 6.2 发展与展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-71页 |