基于铣削力信号的刀具磨损状态识别研究
| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 绪论 | 第9-16页 |
| 一、课题研究的背景和意义 | 第9-11页 |
| 二、刀具状态监测的主要方法及发展现状 | 第11-14页 |
| 三、本文刀具状态监测信号的选取 | 第14-16页 |
| 第一章 铣削力模型的建立及系数识别的研究 | 第16-31页 |
| ·铣削力模型及系数模型的建立 | 第16-18页 |
| ·铣削力的基本模型 | 第16-18页 |
| ·铣削力系数模型 | 第18页 |
| ·系数模型辨识的新方法 | 第18-21页 |
| ·主成份方法检测多重共线性的主要思想 | 第18-19页 |
| ·主成份回归消除多重共线性的主要思想 | 第19页 |
| ·主成份回归估计系数的过程 | 第19-21页 |
| ·系数模型辨识实验方案设计 | 第21-22页 |
| ·系数模型辨识实验验证及辨识结果分析 | 第22-26页 |
| ·实验验证 | 第22-24页 |
| ·主成份法检测多重共线性的结果 | 第24页 |
| ·辨识结果分析 | 第24-26页 |
| ·铣削力验证仿真 | 第26-30页 |
| ·仿真实验方案 | 第26-27页 |
| ·仿真瞬时力的计算过程 | 第27-30页 |
| ·仿真结果 | 第30页 |
| 本章小结 | 第30-31页 |
| 第二章 铣刀磨损状态监测实验系统的建立 | 第31-39页 |
| ·铣削加工的原理及特点 | 第31页 |
| ·铣削加工原理 | 第31页 |
| ·铣削加工的特点 | 第31页 |
| ·铣削高锰钢(ZGMn13)刀具磨损性能的研究 | 第31-35页 |
| ·高锰钢(ZGMn13)化学组成及力学性能 | 第31-32页 |
| ·高锰钢(ZGMn13)的加工特点 | 第32-33页 |
| ·硬质合金刀具铣削高锰钢的主要磨、破损状态 | 第33页 |
| ·铣刀磨损量的评价指标 | 第33-34页 |
| ·铣刀磨损实验方案 | 第34页 |
| ·铣刀磨损曲线的建立 | 第34-35页 |
| ·铣削力信号采集系统 | 第35-38页 |
| ·采集系统的结构组成 | 第35-36页 |
| ·实验方案 | 第36-38页 |
| 本章小结 | 第38-39页 |
| 第三章 铣削力信号的处理及特征提取 | 第39-56页 |
| ·实验过程中遇到的问题及解决方案 | 第39-45页 |
| ·问题一 | 第39-41页 |
| ·问题二 | 第41-42页 |
| ·问题三 | 第42-45页 |
| ·小波包分析的基本原理 | 第45-47页 |
| ·小波包的定义 | 第45-46页 |
| ·小波包的分解与重构的Mallat算法 | 第46-47页 |
| ·小波包消噪原理及步骤 | 第47页 |
| ·铣削力信号的小波包分解及消噪 | 第47-51页 |
| ·铣削力信号分析的小波基选取 | 第47-48页 |
| ·铣削力信号的db8小波包分解及消噪 | 第48-51页 |
| ·铣削力信号的特征提取 | 第51-55页 |
| ·小波包能量监测原理 | 第51-52页 |
| ·铣削力信号能量特征的提取 | 第52-55页 |
| 本章小结 | 第55-56页 |
| 第四章 基于松散型小波网络的刀具状态监测 | 第56-66页 |
| ·小波神经网络 | 第56-57页 |
| ·小波分析与神经网络的结合途径 | 第56页 |
| ·松散型小波神经网络 | 第56-57页 |
| ·铣削力信号模式识别的BP神经网络结构设计 | 第57-59页 |
| ·BP网络的结构的确定 | 第57-58页 |
| ·BP网络层数的确定 | 第58页 |
| ·BP网络输入和输出层节点数的确定 | 第58页 |
| ·BP网络隐层节点数的确定 | 第58-59页 |
| ·BP网络传递函数的选择 | 第59页 |
| ·基于铣削力的松散型小波网络的训练与仿真 | 第59-65页 |
| ·网络训练样本与测试样本的构造 | 第59-60页 |
| ·网络训练 | 第60-63页 |
| ·网络仿真 | 第63-64页 |
| ·网络测试与应用 | 第64-65页 |
| 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表的学术论文 | 第71-72页 |
| 致谢 | 第72页 |
