基于振动分析的机床状态识别与人机效能评估方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究的目的与意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 论文研究的主要内容 | 第12-14页 |
| 第2章 振动数据采集实验 | 第14-16页 |
| 2.1 实验设备 | 第14页 |
| 2.2 实验对象 | 第14-15页 |
| 2.3 实验过程 | 第15-16页 |
| 第3章 基于BP神经网络进行机床状态分类 | 第16-30页 |
| 3.1 人工神经网络的简介 | 第16页 |
| 3.2 人工神经网络的工作原理 | 第16页 |
| 3.3 BP神经网络学习算法 | 第16-18页 |
| 3.4 利用BP神经网络对数据进行分类 | 第18-29页 |
| 3.4.1 建立神经网络结构 | 第18-19页 |
| 3.4.2 提取时域特征建立网络 | 第19-23页 |
| 3.4.3 提取频域特征建立网络 | 第23-28页 |
| 3.4.4 提取时域和频域特征建立网络 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 基于听觉模型(ZCPA)的机床状态分类 | 第30-39页 |
| 4.1 人类听觉系统简介 | 第30-31页 |
| 4.2 听觉模型的简介 | 第31页 |
| 4.3 ZCPA听觉模型 | 第31-34页 |
| 4.3.1 ZCPA听觉模型基本原理 | 第31-32页 |
| 4.3.2 基底膜带通滤波器 | 第32页 |
| 4.3.3 特征提取 | 第32-34页 |
| 4.4 ZCPA模型的调整与实现 | 第34页 |
| 4.5 基于ZCPA进行状态分类 | 第34-38页 |
| 4.5.1 建立试验标准 | 第34-37页 |
| 4.5.2 数据识别分类 | 第37-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 基于三次包络提取冲击的机床状态分类 | 第39-51页 |
| 5.1 冲击信号 | 第39-42页 |
| 5.2 利用三次包络识别与提取冲击信号 | 第42-49页 |
| 5.2.1 冲击信号的识别 | 第42-46页 |
| 5.2.2 冲击信号的提取 | 第46-49页 |
| 5.3 状态分类 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 机床性能及工人操作水平评价 | 第51-59页 |
| 6.1 工作时间占用率 | 第51-54页 |
| 6.1.1 加工时间占用率 | 第52页 |
| 6.1.2 换刀时间占用率 | 第52-53页 |
| 6.1.3 对刀时间占用率 | 第53页 |
| 6.1.4 装卸时间占用率 | 第53页 |
| 6.1.5 停车时间占用率 | 第53页 |
| 6.1.6 统计每种工作状态时间占有率 | 第53-54页 |
| 6.2 利用统计的时间及冲击对设备及工人做评价 | 第54-57页 |
| 6.2.1 对工人技术水平的评价 | 第54-55页 |
| 6.2.2 利用冲击对工人评价 | 第55页 |
| 6.2.3 工人操作柔顺度 | 第55-56页 |
| 6.2.4 工人工作情绪的研究 | 第56-57页 |
| 6.3 设备的折旧 | 第57-58页 |
| 6.4 预算设备维修期 | 第58页 |
| 6.5 本章小结 | 第58-59页 |
| 第7章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
