| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 课题研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 机械状态监测的现状和发展趋势 | 第11-12页 |
| 1.2.2 早期故障微弱信号检测技术的研究现状 | 第12-14页 |
| 1.2.3 机床颤振监测的研究现状 | 第14-15页 |
| 1.2.4 机床刀具磨损监测和智能诊断的研究现状 | 第15-19页 |
| 1.3 本文的研究内容 | 第19-22页 |
| 第二章 数控机床在线振动监测系统设计与实现 | 第22-30页 |
| 2.1 引言 | 第22页 |
| 2.2 数控机床在线振动监测系统的方案设计 | 第22-24页 |
| 2.3 基于 ARM、DSP、FPGA 的嵌入式在线振动监测单元 | 第24-28页 |
| 2.3.1 嵌入式监测单元的总体结构 | 第24-25页 |
| 2.3.2 嵌入式监测单元的硬件设计 | 第25-26页 |
| 2.3.3 嵌入式监测单元的软件设计 | 第26-27页 |
| 2.3.4 监测单元的信号分析模块 | 第27-28页 |
| 2.4 基于 TDNC-Connect 传输协议的数控系统与现场监测单元交互 | 第28-29页 |
| 2.5 小结 | 第29-30页 |
| 第三章 振动信号预处理的关键技术研究 | 第30-38页 |
| 3.1 引文 | 第30页 |
| 3.2 振动传感器的选择 | 第30-31页 |
| 3.3 振动信号的智能调理 | 第31-32页 |
| 3.3.1 振动信号采集过程中的干扰因素 | 第31页 |
| 3.3.2 噪声的抑制技术 | 第31页 |
| 3.3.3 振动信号的智能化调理 | 第31-32页 |
| 3.4 振动信号预处理的几个关键问题研究 | 第32-36页 |
| 3.4.1 基于 LMS 误差修正算法的自适应数字滤波器 | 第32-34页 |
| 3.4.2 消除趋势项的振动信号频域积分转换算法 | 第34-36页 |
| 3.5 小结 | 第36-38页 |
| 第四章 基于振动冲击信号自适应 SR 检测的早期故障诊断研究 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 机床典型机械故障的振动特性分析 | 第38-39页 |
| 4.3 数控机床早期故障诊断与SR | 第39页 |
| 4.4 随机共振的数值计算与仿真 | 第39-40页 |
| 4.5 随机共振三因素数值分析和联合参数调节研究 | 第40-43页 |
| 4.5.1 双稳系统参数和噪声对随机共振输出的影响分析 | 第40-41页 |
| 4.5.2 驱动信号对随机共振输出的影响分析 | 第41-42页 |
| 4.5.3 随机共振系统参数的联合调节 | 第42-43页 |
| 4.6 随机共振系统波形失真的动力学分析和恢复方法研究 | 第43-47页 |
| 4.6.1 随机共振系统的波形失真分析 | 第43-44页 |
| 4.6.2 随机共振的恢复系统 | 第44-45页 |
| 4.6.3 恢复系统的失真分析及两类恢复方法的提出 | 第45页 |
| 4.6.4 两类信号恢复仿真 | 第45-47页 |
| 4.7 振动冲击信号的自适应SR检测 | 第47-49页 |
| 4.8 工程实验 | 第49-52页 |
| 4.8.1 冲击信号自适应 SR 检测实验 | 第49-50页 |
| 4.8.2 机床机械松动在线监测诊断应用 | 第50-52页 |
| 4.9 小结 | 第52-54页 |
| 第五章 基于振动信号混沌特性分析的切削颤振在线监测预报研究 | 第54-76页 |
| 5.1 引言 | 第54页 |
| 5.2 再生颤振的产生机理研究 | 第54-55页 |
| 5.3 机床切削振动及稳定性研究 | 第55-65页 |
| 5.3.1 非线性动力学建模和求解 | 第55-59页 |
| 5.3.2 适合多自由度切削系统高速切削的稳定性极限图 | 第59-61页 |
| 5.3.3 切削稳定性极限的评价 | 第61页 |
| 5.3.4 切削系统动态响应参数对稳定性影响分析 | 第61-64页 |
| 5.3.5 切削用量对切削稳定性的影响及参数优化 | 第64-65页 |
| 5.4 基于振动信号混沌特性的切削颤振在线监测预报技术 | 第65-68页 |
| 5.4.1 切削颤振振动信号的混沌特性分析 | 第65-66页 |
| 5.4.2 振动信号 K-S 熵的归一化处理 | 第66-68页 |
| 5.5 铣削实验研究 | 第68-75页 |
| 5.5.1 实验目的 | 第68页 |
| 5.5.2 实验方案 | 第68-69页 |
| 5.5.3 实验装置和条件 | 第69-70页 |
| 5.5.4 实验数据处理和结果分析 | 第70-75页 |
| 5.6 小结 | 第75-76页 |
| 第六章 基于振动信号多特征分析和融合的刀具磨损在线监测研究 | 第76-92页 |
| 6.1 引言 | 第76页 |
| 6.2 刀具磨损在线监测方法的研究和制定 | 第76-77页 |
| 6.3 多信息集成和混合智能诊断 | 第77-78页 |
| 6.4 基于PSO和SVM混合智能诊断技术 | 第78-80页 |
| 6.4.1 多分类支持向量机模型 | 第78-79页 |
| 6.4.2 基于 PSO 算法的 SVM 参数优化 | 第79-80页 |
| 6.5 刀具磨损在线监测实验 | 第80-87页 |
| 6.5.1 实验目的 | 第80页 |
| 6.5.2 实验方案设计 | 第80-82页 |
| 6.5.3 振动信号多特征分析 | 第82-84页 |
| 6.5.4 LPP 特征融合和降维 | 第84-86页 |
| 6.5.5 K-fold 交叉验证的应用 | 第86页 |
| 6.5.6 刀具磨损状态智能识别 | 第86-87页 |
| 6.6 SVM与B 神经网络、HMM刀具磨损预测模型比较 | 第87-90页 |
| 6.6.1 BP 神经网络模型参数设置 | 第87-88页 |
| 6.6.2 HMM 模型参数设置 | 第88-89页 |
| 6.6.3 三种刀具磨损预测模型识别结果分析 | 第89-90页 |
| 6.7 小结 | 第90-92页 |
| 第七章 全文结论 | 第92-96页 |
| 7.1 总结 | 第92-93页 |
| 7.2 工作展望 | 第93-96页 |
| 参考文献 | 第96-110页 |
| 作者在攻读博士学位期间参加的科研项目和完成的学术论文 | 第110-112页 |
| 致谢 | 第112页 |
