高速切削刀具磨损状态的智能监测技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-14页 |
| 第一章 绪论 | 第14-40页 |
| ·研究背景与意义 | 第14-16页 |
| ·加工监测之于先进制造技术的重要意义 | 第14-15页 |
| ·人工智能为加工监测研究注入活力 | 第15页 |
| ·研究意义 | 第15-16页 |
| ·刀具磨损状态监测及其研究现状 | 第16-34页 |
| ·传感器 | 第19-25页 |
| ·信号处理与特征提取 | 第25-27页 |
| ·人工智能监测策略 | 第27-34页 |
| ·关键难题与解决思路 | 第34-36页 |
| ·关键难题 | 第34-35页 |
| ·解决思路 | 第35-36页 |
| ·主要研究工作和章节安排 | 第36-40页 |
| 第二章 基于模糊自组织网络的车削加工刀具磨损检测 | 第40-54页 |
| ·FUZZY-SOM 刀具磨损检测系统 | 第40-45页 |
| ·系统总体结构 | 第41页 |
| ·模糊推理系统（FIS） | 第41-44页 |
| ·子网络选择 | 第44页 |
| ·结果输出 | 第44-45页 |
| ·试验设置及信号特征分析 | 第45-47页 |
| ·系统训练与检验运行 | 第47-50页 |
| ·系统训练 | 第47-48页 |
| ·检验运行 | 第48-50页 |
| ·与BP 网络对比分析 | 第50-53页 |
| ·对比测试条件 | 第50-51页 |
| ·测试结果 | 第51-53页 |
| ·本章结论 | 第53-54页 |
| 第三章 智能化高速铣削刀具磨损监测系统 | 第54-75页 |
| ·基于典型刀具磨损曲线分析的智能监测系统 | 第54-55页 |
| ·试验设置 | 第55-57页 |
| ·信息处理与特征提取 | 第57-67页 |
| ·特征提取 | 第57-65页 |
| ·特征相关性分析 | 第65-67页 |
| ·基于马氏距离法的刀具磨损状态识别 | 第67-70页 |
| ·马氏距离 | 第67-68页 |
| ·磨损状态识别 | 第68-70页 |
| ·自学习智能监测系统 | 第70-71页 |
| ·监测结果分析 | 第71-74页 |
| ·本章结论 | 第74-75页 |
| 第四章 监测系统的自动化构建方法 | 第75-99页 |
| ·传感器与信号处理技术的选择 | 第75-77页 |
| ·敏感特征自动提取 | 第77-81页 |
| ·自学习ASPS 方法 | 第77-78页 |
| ·敏感特征的自动提取方法 | 第78-81页 |
| ·试验设置 | 第81-85页 |
| ·传感器和信号处理 | 第85-93页 |
| ·时域特征 | 第86-87页 |
| ·频域特征 | 第87-90页 |
| ·时频域特征 | 第90-93页 |
| ·自动敏感特征提取及结果分析 | 第93-96页 |
| ·监测效果分析 | 第96-98页 |
| ·本章结论 | 第98-99页 |
| 第五章 监测系统与专家系统的融合 | 第99-118页 |
| ·专家系统与知识获取 | 第99-103页 |
| ·硬铣削工艺专家系统（EXHARMIL） | 第100-101页 |
| ·EXHARMIL 系统的模糊规则提取 | 第101-103页 |
| ·神经网络规则提取技术 | 第103-105页 |
| ·神经网络规则提取技术的分类和评价标准 | 第103-104页 |
| ·相关研究进展 | 第104-105页 |
| ·基于模糊神经网络（FNN）模型的规则提取应用 | 第105-111页 |
| ·试验设置 | 第105-106页 |
| ·回归分析 | 第106-107页 |
| ·模糊化 | 第107-108页 |
| ·模糊神经网络（FNN） | 第108-109页 |
| ·模糊规则提取 | 第109-111页 |
| ·讨论 | 第111页 |
| ·基于“知识网络”模型的规则提取应用 | 第111-117页 |
| ·试验设置 | 第112页 |
| ·回归分析 | 第112页 |
| ·模糊化 | 第112-113页 |
| ·知识网络（KBNN） | 第113-115页 |
| ·规则提取 | 第115-116页 |
| ·讨论 | 第116-117页 |
| ·本章结论 | 第117-118页 |
| 第六章 总结与展望 | 第118-122页 |
| ·研究结论 | 第118-119页 |
| ·未来展望 | 第119-122页 |
| 参考文献 | 第122-134页 |
| 致谢 | 第134-136页 |
| 在学期间的研究成果及发表的学术论文 | 第136页 |
