| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题来源及研究目的与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 刀具磨损监测信号的获取 | 第12-14页 |
| 1.2.2 信号特征的提取 | 第14-17页 |
| 1.2.3 模式识别技术 | 第17-18页 |
| 1.3 目前研究中存在的问题与不足 | 第18页 |
| 1.4 主要研究内容 | 第18-20页 |
| 第二章 铣刀磨损及声发射变化规律试验研究 | 第20-35页 |
| 2.1 刀具磨损过程中AE信号的特点研究 | 第20-21页 |
| 2.2 刀具磨损形式及磨钝标准 | 第21-25页 |
| 2.2.1 刀具磨损的形式 | 第21-22页 |
| 2.2.2 刀具磨损过程 | 第22-24页 |
| 2.2.3 磨钝标准 | 第24-25页 |
| 2.3 刀具磨损监测试验设计 | 第25-31页 |
| 2.3.1 试验系统 | 第26-29页 |
| 2.3.2 试验方法研究 | 第29-31页 |
| 2.4 信号随影响因素的变化规律 | 第31-34页 |
| 2.4.1 影响声发射信号的正交试验 | 第31-33页 |
| 2.4.2 刀具磨损监测试验 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 刀具磨损信号分析 | 第35-51页 |
| 3.1 时域分析 | 第35页 |
| 3.2 时频分析 | 第35-40页 |
| 3.2.1 小波包分析 | 第35-38页 |
| 3.2.2 经验模态分析 | 第38-40页 |
| 3.3 刀具磨损特征值提取 | 第40-50页 |
| 3.3.1 时域特征值 | 第41-42页 |
| 3.3.2 小波包频带能量特征值提取 | 第42-46页 |
| 3.3.3 IMF分量的均方根特征值 | 第46-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 刀具磨损状态识别与磨损量预测 | 第51-66页 |
| 4.1 基于PSO-LS-SVM的刀具磨损状态识别 | 第51-57页 |
| 4.1.1 最小二乘支持向量机分类理论 | 第51-52页 |
| 4.1.2 粒子群优化算法基本原理 | 第52-53页 |
| 4.1.3 PSO优化LS-SVM分类算法 | 第53-55页 |
| 4.1.4 刀具磨损状态识别实例 | 第55-57页 |
| 4.2 基于PSO-LS-SVM的刀具磨损量预测 | 第57-62页 |
| 4.2.1 最小二乘支持向量机回归理论 | 第57-58页 |
| 4.2.2 PSO优化LS-SVM回归算法 | 第58-59页 |
| 4.2.3 刀具磨损量预测实例 | 第59-62页 |
| 4.3 刀具磨损对表面完整性的影响 | 第62-64页 |
| 4.3.1 刀具磨损对残余应力的影响 | 第62-64页 |
| 4.3.2 刀具磨损对表面粗糙度的影响 | 第64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间取得的成果 | 第75页 |
| 硕士期间参与的科研项目 | 第75-76页 |