| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 本课题研究背景及意义 | 第11-12页 |
| 1.2 国内外机床误差检测方法研究现状 | 第12-16页 |
| 1.2.1 仪器直接测量的机床误差检测现状 | 第12-14页 |
| 1.2.2 基于试件的机床误差检测现状 | 第14-16页 |
| 1.3 深度学习在识别领域的研究现状 | 第16-19页 |
| 1.3.1 机器学习方法的机床误差检测现状 | 第16页 |
| 1.3.2 深度学习的发展进程 | 第16-18页 |
| 1.3.3 深度学习在识别领域的研究现状 | 第18-19页 |
| 1.4 本论文主要工作 | 第19-21页 |
| 第二章 深度学习基础算法研究 | 第21-32页 |
| 2.1 人工神经网络理论 | 第21-24页 |
| 2.1.1 前向传播 | 第22页 |
| 2.1.2 反向传播 | 第22-23页 |
| 2.1.3 梯度下降法 | 第23-24页 |
| 2.2 卷积神经网络 | 第24-29页 |
| 2.2.1 Cifar10卷积神经网络案例 | 第24-25页 |
| 2.2.2 卷积层 | 第25-27页 |
| 2.2.3 激活层 | 第27-28页 |
| 2.2.4 采样层 | 第28页 |
| 2.2.5 全连接层 | 第28页 |
| 2.2.6 损失函数层 | 第28-29页 |
| 2.3 深度学习平台Caffe | 第29-30页 |
| 2.3.1 Caffe特点 | 第29页 |
| 2.3.2 Caffe开发架构 | 第29-30页 |
| 2.3.3 Caffe使用方法 | 第30页 |
| 2.4 服务器硬件配置 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 五轴机床加工S试件仿真算法 | 第32-64页 |
| 3.1 S试件的基本理论 | 第32-36页 |
| 3.1.1 S试件造型 | 第32-34页 |
| 3.1.2 S试件几何特性分析 | 第34-36页 |
| 3.2 五轴机床的空间误差模型 | 第36-47页 |
| 3.2.1 多轴串联机床概述 | 第36-38页 |
| 3.2.2 多体系统几何描述 | 第38-41页 |
| 3.2.3 五轴机空间误差建模 | 第41-47页 |
| 3.3 五轴机床几何误差与S试件轮廓度误差间映射函数建模 | 第47-50页 |
| 3.3.1 映射函数建模流程 | 第47页 |
| 3.3.2 插补算法 | 第47-48页 |
| 3.3.3 理想刀位转化位实际刀位 | 第48-49页 |
| 3.3.4 计算各测量点轮廓度误差 | 第49-50页 |
| 3.4 五轴机床S试件加工仿真算法部分结果 | 第50-62页 |
| 3.5 部分误差项无法准确溯源 | 第62页 |
| 3.6 本章小结 | 第62-64页 |
| 第四章 基于深度学习的S试件加工误差溯源技术实现 | 第64-81页 |
| 4.1 基于深度学习的误差溯源整体方案 | 第64页 |
| 4.2 数据集规划 | 第64-68页 |
| 4.2.1 数据集训练策略 | 第64-65页 |
| 4.2.2 数据集获取 | 第65-67页 |
| 4.2.3 数据集在计算机中的保存形式 | 第67-68页 |
| 4.3 应用于机床误差溯源任务的卷积神经网络设计 | 第68-72页 |
| 4.3.1 处理S试件三维点云的方案 | 第68-71页 |
| 4.3.2 三通道卷积神经网络结构设计 | 第71-72页 |
| 4.4 输入数据数值分布不一致的调整方法 | 第72-73页 |
| 4.5 五轴机床误差溯源实验 | 第73-77页 |
| 4.5.1 数据集准备 | 第73页 |
| 4.5.2 基于Cifar网络的卷积神经网络 | 第73-75页 |
| 4.5.3 实验具体流程与配置参数 | 第75-76页 |
| 4.5.4 实验结果 | 第76-77页 |
| 4.6 卷积神经网络结构优化策略 | 第77-78页 |
| 4.7 可视化界面 | 第78-80页 |
| 4.8 本章小结 | 第80-81页 |
| 第五章 总结与展望 | 第81-83页 |
| 5.1 全文总结 | 第81-82页 |
| 5.2 展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间取得的成果 | 第88页 |