| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 信号获取技术的研究现状 | 第11-12页 |
| 1.2.2 特征提取与选择技术的研究现状 | 第12-13页 |
| 1.2.3 模式识别技术的研究现状 | 第13-14页 |
| 1.2.4 目前研究中存在的问题与不足 | 第14-15页 |
| 1.3 课题来源和主要研究内容 | 第15-16页 |
| 第2章 刀具磨损分析及信号采集 | 第16-27页 |
| 2.1 刀具磨损分析 | 第16-21页 |
| 2.1.1 刀具磨损的原因与形式 | 第16-19页 |
| 2.1.2 刀具磨损一般形成过程 | 第19-20页 |
| 2.1.3 刀具的磨钝标准的制定 | 第20-21页 |
| 2.2 铣削刀具磨损状态监测信号的选择 | 第21-22页 |
| 2.2.1 铣削刀具磨损状态的监测信号 | 第21-22页 |
| 2.2.2 铣削力信号和振动信号监测方法 | 第22页 |
| 2.3 铣削刀具磨损状态监测信号采集平台的构架 | 第22-26页 |
| 2.3.1 信号数据采集模块 | 第23-24页 |
| 2.3.2 信号数据处理模块 | 第24-25页 |
| 2.3.3 信号采集方案设计 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于改进的MSVM-RFE信号特征选择 | 第27-42页 |
| 3.1 铣削刀具磨损状态监测信号特征提取 | 第27-32页 |
| 3.1.1 时域分析及特征提取 | 第27-29页 |
| 3.1.2 频域分析及特征提取 | 第29-30页 |
| 3.1.3 小波包分析及特征提取 | 第30-32页 |
| 3.2 改进的MSVM-RFE监测信号特征选择 | 第32-38页 |
| 3.2.1 铣刀磨损状态监测系统信号特征选择技术 | 第32-33页 |
| 3.2.2 支持向量机理论数学模型的分析 | 第33-35页 |
| 3.2.3 特征选择搜索策略的确定 | 第35页 |
| 3.2.4 多分类支持向量机递归特征消去方法 | 第35-37页 |
| 3.2.5 改进的多分类支持向量机递归特征消去方法 | 第37-38页 |
| 3.3 基于改进的MSVM-RFE铣刀磨损状态监测信号特征选择 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于GSA优化LS-SVM刀具磨损状态识别 | 第42-54页 |
| 4.1 最小二乘支持向量机数学模型分析 | 第42-44页 |
| 4.2 万有引力搜索算法参数优化模型分析及流程设计 | 第44-47页 |
| 4.2.1 模型分析 | 第44-46页 |
| 4.2.2 流程设计 | 第46-47页 |
| 4.3 万有引力优化最小二乘支持向量机算法的模型设计 | 第47-49页 |
| 4.4 基于万有引力优化LS-SVM铣削刀具磨损状态识别 | 第49-52页 |
| 4.4.1 训练数据的准备 | 第49页 |
| 4.4.2 模型参数的初始化以及迭代寻优 | 第49-50页 |
| 4.4.3 模型识别的验证 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第5章 铣削刀具磨损状态监测系统开发 | 第54-69页 |
| 5.1 系统的总体设计 | 第54-56页 |
| 5.1.1 系统的基本要求 | 第54-55页 |
| 5.1.2 系统功能模块结构 | 第55-56页 |
| 5.2 VC++与Matlab接口的实现 | 第56-57页 |
| 5.3 系统运行流程结构及模块设计 | 第57-68页 |
| 5.3.1 系统运行流程结构设计 | 第57-58页 |
| 5.3.2 系统各个模块设计与运行 | 第58-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的学术论文 | 第76页 |
| 发明专利 | 第76-77页 |
| 致谢 | 第77页 |
