| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 声发射技术在磨削领域的应用 | 第13-17页 |
| 1.2.1 磨削过程监测 | 第14-16页 |
| 1.2.2 磨削质量监测: | 第16-17页 |
| 1.2.3 智能磨削系统 | 第17页 |
| 1.3 本文研究内容 | 第17-19页 |
| 第2章 声发射技术理论基础及信号采集系统 | 第19-33页 |
| 2.1 声发射技术理论基础 | 第19-22页 |
| 2.1.1 声发射产生 | 第19页 |
| 2.1.2 声发射基本检测原理 | 第19页 |
| 2.1.3 声发射特性的影响因素 | 第19-20页 |
| 2.1.4 声发射信号的类型 | 第20-21页 |
| 2.1.5 常用声发射信号分析方法 | 第21-22页 |
| 2.1.6 声发射技术特点 | 第22页 |
| 2.2 声发射信号采集系统 | 第22-25页 |
| 2.2.1 声发射传感器及安装 | 第23-24页 |
| 2.2.2 前置放大器 | 第24-25页 |
| 2.2.3 声发射采集卡 | 第25页 |
| 2.3 本文相关声发射信号分析方法 | 第25-32页 |
| 2.3.1 经验模态法概述 | 第25-27页 |
| 2.3.2 小波分析概述 | 第27-31页 |
| 2.3.3 短时傅里叶变换概述 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 断铅笔芯声发射实验信号分析 | 第33-41页 |
| 3.1 断铅笔芯声发射简介 | 第33页 |
| 3.2 断铅声发射实验 | 第33-34页 |
| 3.3 断铅声发射信号分析 | 第34-39页 |
| 3.3.1 断铅声发射信号经验模态分解 | 第34-36页 |
| 3.3.2 断铅声发射信号的小波分析 | 第36-38页 |
| 3.3.3 断铅声发射信号的STFT分析 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 氧化锆磨削EMD-SVM砂轮磨损声发射监测 | 第41-59页 |
| 4.1 支持向量机概述 | 第41-43页 |
| 4.2 砂轮磨损声发射实验 | 第43-45页 |
| 4.2.1 实验条件 | 第43页 |
| 4.2.2 实验过程 | 第43-45页 |
| 4.3 砂轮磨损状态评定标准 | 第45-46页 |
| 4.3.1 砂轮磨损原因及磨损表征方法 | 第45-46页 |
| 4.3.2 砂轮磨损程度判别 | 第46页 |
| 4.4 砂轮磨损声发射信号分析 | 第46-52页 |
| 4.4.1 原始信号特征 | 第46-47页 |
| 4.4.2 EMD分解及固有模态函数的筛选 | 第47-49页 |
| 4.4.3 IMF函数特征分析 | 第49-52页 |
| 4.5 砂轮磨损声发射信号特征提取 | 第52-55页 |
| 4.6 砂轮磨损程度判别 | 第55-57页 |
| 4.7 本章小结 | 第57-59页 |
| 第5章 陶瓷磨削表面粗糙度声发射预测 | 第59-73页 |
| 5.1 遗传算法 | 第59-61页 |
| 5.1.1 遗传算法的实现 | 第60-61页 |
| 5.1.2 遗传算法的优点 | 第61页 |
| 5.2 BP神经网络 | 第61-65页 |
| 5.2.1 BP神经网络算法原理及结构 | 第61-62页 |
| 5.2.2 BP算法的实现过程 | 第62-64页 |
| 5.2.3 BP神经网络的缺陷 | 第64页 |
| 5.2.4 遗传算法与BP神经网络 | 第64-65页 |
| 5.3 工程陶瓷PSZ磨削表面粗糙预测声发射实验 | 第65-69页 |
| 5.3.1 陶瓷表面粗糙度预测声发射实验 | 第65-67页 |
| 5.3.2 声发射信号特征选取 | 第67-69页 |
| 5.4 表面粗糙度声发射预测 | 第69-72页 |
| 5.4.1 神经网络的结构及参数 | 第69页 |
| 5.4.2 基于BP神经网络的PSZ磨削表面粗糙度预测 | 第69-70页 |
| 5.4.3 基于GA-BP神经网络的PSZ磨削表面粗糙度预测 | 第70-71页 |
| 5.4.4 GA-BP与BP神经网络预测比较 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 结论与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第79-80页 |
| 致谢 | 第80页 |
