| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 论文的研究背景 | 第8-9页 |
| 1.2 国内外研究现状综述 | 第9-12页 |
| 1.2.1 刀具磨损的研究现状 | 第9-10页 |
| 1.2.2 表面粗糙度的研究现状 | 第10-12页 |
| 1.3 研究内容及研究方法 | 第12-13页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 研究方法 | 第13页 |
| 1.4 本章小结 | 第13-14页 |
| 第2章 试验方案设计 | 第14-32页 |
| 2.1 刀具磨损 | 第14-15页 |
| 2.1.1 刀具磨损机理 | 第14-15页 |
| 2.1.2 刀具磨损类型 | 第15页 |
| 2.2 表面粗糙度 | 第15-17页 |
| 2.3 刀具磨损试验 | 第17-23页 |
| 2.3.1 铣削加工试验条件确定 | 第17-19页 |
| 2.3.2 刀具磨损检测设备 | 第19-20页 |
| 2.3.3 铣削加工试验方案研究 | 第20-21页 |
| 2.3.4 铣削加工试验方案的确定 | 第21-22页 |
| 2.3.5 刀具磨损试验测量结果 | 第22-23页 |
| 2.4 表面粗糙度试验 | 第23-31页 |
| 2.4.1 车削加工试验条件确定 | 第23-26页 |
| 2.4.2 表面粗糙度的检测设备 | 第26-27页 |
| 2.4.3 车削加工试验方案研究 | 第27-29页 |
| 2.4.4 车削加工试验方案的确定 | 第29-30页 |
| 2.4.5 表面粗糙度试验测量结果 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 刀具磨损预测研究 | 第32-48页 |
| 3.1 人工神经网络 | 第32-33页 |
| 3.2 神经网络的基本理论 | 第33-38页 |
| 3.2.1 人工神经网络的神经元模型 | 第33-36页 |
| 3.2.2 BP神经网络的学习算法 | 第36-38页 |
| 3.3 刀具磨损的神经网络预测方法 | 第38-41页 |
| 3.3.1 网络结构 | 第38-39页 |
| 3.3.2 训练样本的选择 | 第39-40页 |
| 3.3.3 神经网络的训练 | 第40页 |
| 3.3.4 预测及结果分析 | 第40-41页 |
| 3.4 刀具磨损的优化方法 | 第41-45页 |
| 3.4.1 遗传算法的概述 | 第41-42页 |
| 3.4.2 遗传算法的基本原理 | 第42-43页 |
| 3.4.3 优化模型 | 第43-44页 |
| 3.4.4 求解技术 | 第44-45页 |
| 3.5 讨论 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 表面粗糙度预测与控制 | 第48-58页 |
| 4.1 多元非线性回归模型 | 第48-52页 |
| 4.1.1 多元线性回归模型及其矩阵表示 | 第48-49页 |
| 4.1.2 参数的最小二乘估计 | 第49-51页 |
| 4.1.3 多元线性回归模型的检验 | 第51-52页 |
| 4.2 钛合金TC4表面粗糙度的预测研究 | 第52-53页 |
| 4.2.1 表面粗糙度回归模型的建立 | 第52-53页 |
| 4.2.2 表面粗糙度实验结果分析 | 第53页 |
| 4.3 可靠性对比分析 | 第53-54页 |
| 4.4 表面质量优化控制技术 | 第54-56页 |
| 4.4.1 优化模型 | 第54-55页 |
| 4.4.2 求解技术 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位论文期间发表的学术论文和参与的科研项目 | 第63页 |
| 主持或参与的科研项目 | 第63-64页 |
| 致谢 | 第64-65页 |