基于声发射法的铣刀磨损状态识别研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-23页 |
| ·本课题研究的目的和意义 | 第10-11页 |
| ·刀具状态监测技术概述 | 第11-14页 |
| ·刀具状态监测现状 | 第11-13页 |
| ·声发射检测技术国内外的发展现状 | 第13-14页 |
| ·刀具状态监控系统组成 | 第14-15页 |
| ·信号检测 | 第15页 |
| ·特征提取 | 第15页 |
| ·状态识别 | 第15页 |
| ·刀具状态监测的关键技术及发展趋势 | 第15-21页 |
| ·传感器技术及其发展趋势 | 第16页 |
| ·基于神经网络的多传感器信息融合技术 | 第16-17页 |
| ·信号处理技术及其发展趋势 | 第17-19页 |
| ·智能学习决策技术及其发展趋势 | 第19-21页 |
| ·本论文主要研究内容 | 第21-23页 |
| ·声发射信号的分析和处理 | 第21-22页 |
| ·基于神经网络的刀具磨损状态识别 | 第22-23页 |
| 第二章 铣刀磨损状态监测实验 | 第23-36页 |
| ·铣削加工的原理及特点 | 第23-24页 |
| ·铣削加工原理 | 第23页 |
| ·铣削加工的特点 | 第23-24页 |
| ·铣刀的磨损及磨损工作区 | 第24-27页 |
| ·铣刀的磨损程度划分 | 第24-26页 |
| ·铣刀磨损工作区 | 第26-27页 |
| ·实验系统 | 第27-32页 |
| ·硬件组成 | 第27-31页 |
| ·软件组成 | 第31页 |
| ·其它加工参数确定 | 第31-32页 |
| ·试验方案 | 第32-34页 |
| ·达到试验目的前提 | 第32页 |
| ·影响信号的因素 | 第32-34页 |
| ·试验步骤 | 第34-35页 |
| ·影响信号特征因素的试验 | 第34-35页 |
| ·刀具磨损试验 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第三章 声发射信号的时域和频域分析 | 第36-56页 |
| ·时域分析与时域特征 | 第36-37页 |
| ·频域分析与频域特征 | 第37-39页 |
| ·实验数据分析 | 第39-54页 |
| ·声发射信号时域特征分析 | 第40-42页 |
| ·声发射信号频域特征分析 | 第42-46页 |
| ·切削参数对 AE 信号影响分析 | 第46-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 基于小波分析的声发射信号研究 | 第56-73页 |
| ·理论基础 | 第56-62页 |
| ·从傅立叶变换到小波变换 | 第56-57页 |
| ·连续小波变换 | 第57-58页 |
| ·离散小波变换 | 第58-59页 |
| ·多分辨率分析 | 第59-61页 |
| ·小波分析和重构的 Mallat 算法 | 第61-62页 |
| ·声发射信号小波分析的小波基选取方法研究 | 第62-64页 |
| ·常用小波基的性质 | 第63页 |
| ·小波基的选取方法 | 第63-64页 |
| ·声发射信号分析的小波基选取 | 第64页 |
| ·基于多分辨小波分析的刀具磨损信号的特征 | 第64-71页 |
| ·声发射信号小波分解 | 第65-68页 |
| ·声发射信号特征提取 | 第68-71页 |
| ·本章小结 | 第71-73页 |
| 第五章 基于神经网络的刀具磨损状态识别 | 第73-83页 |
| ·人工神经网络概述 | 第73-75页 |
| ·神经元模型 | 第73-74页 |
| ·神经网络结构 | 第74-75页 |
| ·RBF 神经网络 | 第75-78页 |
| ·RBF 网络的结构 | 第75-77页 |
| ·RBF 网络学习过程 | 第77-78页 |
| ·基于 RBF 神经网络的刀具状态识别 | 第78-82页 |
| ·识别神经网络的训练 | 第79-81页 |
| ·RBF 网络测试 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 全文总结和展望 | 第83-85页 |
| ·本文的主要结论 | 第83页 |
| ·展望 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士学位期间已发表或录用的论文 | 第89-91页 |
