基于隐Markov模型切削过程监测系统研究
| 中文摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第9-19页 |
| ·前言 | 第9页 |
| ·切削过程监测系统研究的现状 | 第9-15页 |
| ·信号获取 | 第10-12页 |
| ·信号分析处理 | 第12-14页 |
| ·状态识别 | 第14-15页 |
| ·基于 HMM切削过程监测的研究现状 | 第15-16页 |
| ·技术路线 | 第16-17页 |
| ·创新之处及研究意义 | 第17页 |
| ·论文总体结构 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第2章 HMM的基本理论 | 第19-29页 |
| ·HMM的定义 | 第19-20页 |
| ·HMM的基本算法 | 第20-23页 |
| ·前向—后向算法 | 第20-21页 |
| ·Viterbi算法 | 第21-22页 |
| ·Baum—Welch算法 | 第22-23页 |
| ·HMM在实际应用中的改进 | 第23-26页 |
| ·下溢问题的处理 | 第23-25页 |
| ·多观测序列下 HMM重估公式修正 | 第25页 |
| ·HMM初始化的改进 | 第25-26页 |
| ·HMM的结构类型 | 第26-27页 |
| ·基于 HMM刀具磨损监测的原理 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于 HMM切削过程监测的实验系统 | 第29-37页 |
| ·选择钻削为研究主体 | 第29页 |
| ·选择工作台面振动信号为监测信号 | 第29-30页 |
| ·麻花钻的磨损标准 | 第30页 |
| ·实验平台及其相关软件 | 第30-34页 |
| ·监测系统软件开发 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 特征提取和量化编码 | 第37-51页 |
| ·特征提取和量化编码的作用 | 第37页 |
| ·信号的时域分析 | 第37-41页 |
| ·时域有量纲指标 | 第37-38页 |
| ·时域无量纲指标 | 第38-39页 |
| ·样本零均值化 | 第39页 |
| ·实验结果时域分析 | 第39-41页 |
| ·信号的频域分析 | 第41-42页 |
| ·傅里叶变换算法 | 第41页 |
| ·实验结果 FFT分析 | 第41-42页 |
| ·信号的时频分析 | 第42-45页 |
| ·小波定义 | 第42-44页 |
| ·小波包分解 | 第44页 |
| ·实验结果小波包分解 | 第44-45页 |
| ·AR模型参数的特征提取 | 第45-47页 |
| ·AR模型 | 第45-46页 |
| ·实验结果 AR模型特征提取 | 第46-47页 |
| ·特征信号的量化编码 | 第47-50页 |
| ·矢量量化 | 第47页 |
| ·LBG算法 | 第47-48页 |
| ·基于 SOFM的矢量量化 | 第48-50页 |
| ·特征值参数的编码 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于 HMM的刀具磨损监测 | 第51-57页 |
| ·信号的分帧处理 | 第51页 |
| ·HMM状态数和符号数的确定 | 第51-52页 |
| ·基于 HMM的刀具磨损识别 | 第52-55页 |
| ·HMM初始参数的设置 | 第52-53页 |
| ·基于 HMM的训练与识别 | 第53-55页 |
| ·HMM与 BP神经网络的比较 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-59页 |
| ·结论 | 第57页 |
| ·展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士研究生期间发表的论文 | 第62-63页 |
| 致谢 | 第63页 |
