摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第9-15页 |
1.1 课题研究背景及意义 | 第9-10页 |
1.2 镍基高温合金简介 | 第10-13页 |
1.2.1 镍基高温合金特点 | 第10-11页 |
1.2.2 镍基高温合金的加工性能 | 第11-13页 |
1.3 镍基高温合金的加工研究现状 | 第13-14页 |
1.4 研究路线及主要内容 | 第14-15页 |
第二章 材料的可切削加工性评价 | 第15-29页 |
2.1 材料自身性能对材料可加工性的影响 | 第15-16页 |
2.1.1 材料的物理性能对切削加工性的影响 | 第15页 |
2.1.2 材料的力学性能对切削加工性的影响 | 第15-16页 |
2.2 材料加工性评价方法 | 第16页 |
2.3 灰色关联度法 | 第16-21页 |
2.3.1 确定母序列和子序列 | 第17-18页 |
2.3.2 母序列和子序列的无量纲化处理 | 第18-19页 |
2.3.3 计算灰色绝对关联度 | 第19-20页 |
2.3.4 排关联序及计算各因素权重 | 第20-21页 |
2.4 模糊综合评判 | 第21-25页 |
2.4.1 确立因素集和权重集 | 第22页 |
2.4.2 建立评判集 | 第22-23页 |
2.4.3 单因素模糊综合评判 | 第23页 |
2.4.4 多指标综合评判 | 第23-24页 |
2.4.5 GH3128合金的模糊综合评判 | 第24-25页 |
2.5 金属材料切削可加工性等级评判方法改进 | 第25-27页 |
2.6 本章小结 | 第27-29页 |
第三章 GH3128的切削力信号采集和处理 | 第29-43页 |
3.1 切削力的采集 | 第29-34页 |
3.1.1 实验设计 | 第29-32页 |
3.1.2 试验条件 | 第32-34页 |
3.2 切削力信号PSD分析 | 第34-38页 |
3.2.1 功率谱密度法分析简介 | 第34-35页 |
3.2.2 信号功率谱密度分析 | 第35-38页 |
3.3 切削力信号小波分析 | 第38-42页 |
3.3.1 小波分析简介 | 第38-39页 |
3.3.2 小波变换 | 第39-42页 |
3.4 本章小结 | 第42-43页 |
第四章 GH3128高温合金切削力和表面粗糙度的研究 | 第43-58页 |
4.1 各切削参数对切削力的影响 | 第43-45页 |
4.2 切削力回归模型 | 第45-55页 |
4.2.1 多元线性回归分析 | 第46-47页 |
4.2.2 切削力多元线性回归模型 | 第47-49页 |
4.2.3 回归假设诊断 | 第49-50页 |
4.2.4 切削力回归模型的显著性检验 | 第50-53页 |
4.2.5 切削力回归模型系数检验 | 第53-55页 |
4.3 表面粗糙度分析 | 第55-57页 |
4.3.1 表面粗糙度回归模型建立 | 第55-56页 |
4.3.2 表面粗糙度回归模型的显著性检验 | 第56-57页 |
4.3.3 表面粗糙度回归模型系数显著性检验 | 第57页 |
4.4 本章小结 | 第57-58页 |
第五章 基于机器学习方法的切削力和表面粗糙度研究 | 第58-74页 |
5.1 机器学习方法简述 | 第58-62页 |
5.1.1 神经网络 | 第58-60页 |
5.1.2 lasso算法 | 第60页 |
5.1.3 多元自适应样条回归 | 第60-61页 |
5.1.4 基于袋装法的MARS | 第61页 |
5.1.5 支持向量机 | 第61-62页 |
5.2 机器学习模型的评价 | 第62-63页 |
5.3 机器学习模型的参数调整 | 第63-64页 |
5.4 切削力机器学习方法建模 | 第64-70页 |
5.4.1 机器学习模型性能的比较 | 第64-67页 |
5.4.2 机器学习模型的性能与样本数量分析 | 第67-68页 |
5.4.3 变量重要性分析 | 第68-70页 |
5.5 基于机器学习的表面粗糙度分析 | 第70-72页 |
5.5.1 机器学习模型的建立和分析 | 第70-71页 |
5.5.2 表面粗糙度分析 | 第71-72页 |
5.6 本章小结 | 第72-74页 |
第六章 总结与展望 | 第74-75页 |
6.1 总结 | 第74页 |
6.2 研究展望 | 第74-75页 |
参考文献 | 第75-79页 |
致谢 | 第79-80页 |
申请学位期间发表的学术论文成果 | 第80-81页 |
附录Ⅰ | 第81-83页 |