| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 统计过程控制的研究现状 | 第11-12页 |
| 1.3 零件特征识别的研究现状 | 第12-13页 |
| 1.4 检测路径规划的研究现状 | 第13-14页 |
| 1.5 课题研究目的与意义 | 第14-15页 |
| 1.6 课题来源及内容章节安排 | 第15页 |
| 1.7 本章小结 | 第15-16页 |
| 第2章 基于瑞利分布的统计过程控制的应用 | 第16-28页 |
| 2.1 统计过程控制 | 第16-19页 |
| 2.1.1 统计过程控制的概念及基本思想 | 第16-17页 |
| 2.1.2 统计过程控制的控制图 | 第17-18页 |
| 2.1.3 控制图的分类 | 第18-19页 |
| 2.2 瑞利控制图 | 第19-20页 |
| 2.2.1 形位误差服从瑞利分布的数学模型 | 第19-20页 |
| 2.2.2 建立基于瑞利分布的控制图 | 第20页 |
| 2.3 瑞利分布控制图在形位误差控制中的应用举例 | 第20-25页 |
| 2.4 控制图的判断准则 | 第25-26页 |
| 2.4.1 控制图的判断原理 | 第25页 |
| 2.4.2 控制图的判断准则及误差分析 | 第25-26页 |
| 2.5 系统流程分析 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于属性邻接图神经网络的零件特征识别的输入 | 第28-38页 |
| 3.1 神经网络简介 | 第28-30页 |
| 3.1.1 人工神经网络概述 | 第28-29页 |
| 3.1.2 BP神经网络 | 第29-30页 |
| 3.2 基于BP神经网络模型的建立 | 第30-31页 |
| 3.3 零件特征数据的提取和属性邻接图的建立 | 第31-34页 |
| 3.3.1 从STEP中性文件中提取属性邻接图 | 第31-32页 |
| 3.3.2 边的凹凸性判断 | 第32-33页 |
| 3.3.3 属性邻接图分解成最小结构子图 | 第33-34页 |
| 3.4 特征的输入表达式 | 第34-35页 |
| 3.5 选择合适的神经网络结构 | 第35页 |
| 3.6 实例分析 | 第35-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 基于改进粒子群神经网络的特征识别 | 第38-46页 |
| 4.1 标准粒子群 | 第38-39页 |
| 4.2 改进粒子群 | 第39-41页 |
| 4.2.1 增加收缩因子调整方法 | 第39-40页 |
| 4.2.2 高斯全局极值 | 第40-41页 |
| 4.2.3 变异算子 | 第41页 |
| 4.3 改进粒子群神经网络 | 第41-42页 |
| 4.4 实例分析 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 测量路径规划 | 第46-57页 |
| 5.1 基于MBD零件的测量信息获取 | 第46-47页 |
| 5.2 测量点的数量及分布 | 第47页 |
| 5.3 基于多色集合理论的测量路径规划 | 第47-55页 |
| 5.3.1 多色集合的理论 | 第48页 |
| 5.3.2 多色集合理论约束模型建立 | 第48-52页 |
| 5.3.3 全局检测路径规划 | 第52-53页 |
| 5.3.4 检测路径规划仿真 | 第53-55页 |
| 5.4 标准DMIS程序生成 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第64页 |