基于刀具磨损量监测的铝合金铣削粗糙度预测
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 背景及研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 粗糙度预测方法 | 第11-13页 |
| 1.2.2 粗糙度预测方式 | 第13-15页 |
| 1.3 当前研究存在的问题 | 第15页 |
| 1.4 本文研究的主要内容 | 第15-17页 |
| 第2章 铝合金铣削刀具磨损量监测模型 | 第17-32页 |
| 2.1 刀具磨损量的监测标准 | 第17-19页 |
| 2.2 刀具磨损量监测方法 | 第19-21页 |
| 2.3 功率信号特征值的监测计算 | 第21-24页 |
| 2.3.1 功率信号的特征提取 | 第21-22页 |
| 2.3.2 功率信号特征权重的确定 | 第22-24页 |
| 2.4 基于功率信号的刀具磨损量监测模型 | 第24-31页 |
| 2.4.1 刀具磨损量评价指标的建立 | 第25-26页 |
| 2.4.2 刀具磨损量监测模型的建立 | 第26-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于刀具磨损监测的粗糙度预测模型 | 第32-44页 |
| 3.1 粗糙度影响因素分析 | 第32-35页 |
| 3.1.1 粗糙度形成的原因 | 第33页 |
| 3.1.2 影响表面粗糙度的因素 | 第33-35页 |
| 3.2 粗糙度预测建模方法的选择 | 第35-36页 |
| 3.3 BP神经网络粗糙度预测建模 | 第36-39页 |
| 3.3.1 输入层输出层节点数的确定 | 第37页 |
| 3.3.2 网络隐含层数及节点数的确定 | 第37-39页 |
| 3.3.3 网络各层传递函数的确定 | 第39页 |
| 3.3.4 BP神经网络的训练参数的确定 | 第39页 |
| 3.4 遗传算法的基本原理 | 第39-41页 |
| 3.5 遗传算法优化的BP神经网络粗糙度建模 | 第41-43页 |
| 3.5.1 BP网络结构的确定 | 第41页 |
| 3.5.2 遗传算法参数设置 | 第41-42页 |
| 3.5.3 适应度函数设置 | 第42页 |
| 3.5.4 遗传算法优化BP初始权值、阈值 | 第42-43页 |
| 3.5.5 GA-BP网络预测 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于刀具磨损量监测的粗糙度预测试验验证 | 第44-65页 |
| 4.1 试验设计 | 第44-47页 |
| 4.2 功率特征值权重的求解 | 第47-50页 |
| 4.2.1 功率特征值提取 | 第47-48页 |
| 4.2.2 求解功率特征值权重 | 第48-50页 |
| 4.3 刀具磨损量监测模型试验验证 | 第50-54页 |
| 4.3.1 监测工况下功率特征值求解 | 第51-52页 |
| 4.3.2 刀具磨损量的监测 | 第52-54页 |
| 4.4 表面粗糙度预测模型试验验证 | 第54-57页 |
| 4.5 粗糙度预测原型系统设计 | 第57-64页 |
| 4.5.1 原型系统总体构架及模块划分 | 第57-59页 |
| 4.5.2 原型系统界面设计 | 第59-60页 |
| 4.5.3 各模块的组成及功能 | 第60-64页 |
| 4.6 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 附录 | 第68-78页 |
| 参考文献 | 第78-85页 |
| 攻读硕士学位期间发表论文及参与项目 | 第85页 |
| 1.学术论文 | 第85页 |
| 2.参与项目 | 第85页 |
