切削加工过程中刀具磨损的智能监测技术研究
| 第1章 绪论 | 第1-40页 |
| 1．1 刀具状态监测研究的意义 | 第14-15页 |
| 1．2 刀具损坏形式及标准 | 第15-17页 |
| 1．2．1 刀具磨损 | 第15-16页 |
| 1．2．2 刀具破损 | 第16页 |
| 1．2．3 刀具磨损测量基准 | 第16-17页 |
| 1．3 刀具状态监测技术的研究目标 | 第17页 |
| 1．4 刀具磨损监测技术的国内外研究现状 | 第17-36页 |
| 1．4．1 刀具磨损监测方法 | 第18-28页 |
| 1．4．1．1 直接监测方法 | 第18-19页 |
| 1．4．1．2 间接监测方法 | 第19-26页 |
| 1．4．1．3 多传感器融合技术 | 第26-28页 |
| 1．4．2 特征抽取 | 第28-30页 |
| 1．4．2．1 时间序列分析及特征 | 第28-29页 |
| 1．4．2．2 时域特征 | 第29页 |
| 1．4．2．3 频域特征 | 第29-30页 |
| 1．4．2．4 时频域特征 | 第30页 |
| 1．4．2．5 分形维数 | 第30页 |
| 1．4．3 特征选择 | 第30-32页 |
| 1．4．4 模式识别 | 第32-33页 |
| 1．4．5 监测系统的实用化研究 | 第33-35页 |
| 1．4．6 存在的问题及技术难点 | 第35-36页 |
| 1．5 主要研究内容 | 第36-40页 |
| 1．5．1 试验设计 | 第36页 |
| 1．5．2 监测策略研究 | 第36-38页 |
| 1．5．3 信号分析与特征选择 | 第38页 |
| 1．5．4 模式识别 | 第38页 |
| 1．5．5 可靠性研究 | 第38页 |
| 1．5．6 实用化监测系统研究 | 第38-40页 |
| 第2章 刀具磨损监测的试验设计 | 第40-56页 |
| 2．1 试验装置 | 第40-47页 |
| 2．1．1 试验对象及加工参数确定 | 第40-42页 |
| 2．1．2 传感器的选择与安装 | 第42-44页 |
| 2．1．2．1 传感器的选择 | 第42-43页 |
| 2．1．2．2 传感器的安装 | 第43-44页 |
| 2．1．3 A/D卡及采集参数选择 | 第44-45页 |
| 2．1．4 试验机床 | 第45页 |
| 2．1．5 刀具磨损监测系统 | 第45-47页 |
| 2．2 试验方法研究 | 第47-54页 |
| 2．2．1 试验目的 | 第47页 |
| 2．2．2 影响信号的因素 | 第47-48页 |
| 2．2．3 正交试验方法 | 第48-49页 |
| 2．2．4 基于神经网络的试验设计方法 | 第49-54页 |
| 2．3 试验步骤 | 第54-55页 |
| 2．3．1 影响信号特征因素的试验 | 第54页 |
| 2．3．2 刀具磨损监测试验 | 第54-55页 |
| 2．3．3 随机试验 | 第55页 |
| 2．4 小结 | 第55-56页 |
| 第3章 刀具磨损监测策略研究 | 第56-75页 |
| 3．1 影响监测信号特征的因素分析 | 第56-66页 |
| 3．1．1 传感器安装位置对信号特征的影响 | 第56-58页 |
| 3．1．2 切削参数对信号特征的影响 | 第58-63页 |
| 3．1．3 工件材料对信号特征的影响 | 第63-64页 |
| 3．1．4 刀具材料对信号特征的影响 | 第64-66页 |
| 3．2 基于多传感器信息融合的刀具磨损监测技术 | 第66-67页 |
| 3．3 基于标准切削力模块的监测策略 | 第67-70页 |
| 3．3．1 加工参数与切削力的关系确定 | 第67-68页 |
| 3．3．2 切削力和刀具磨损量的关系确定 | 第68-69页 |
| 3．3．3 基于标准切削力模块的刀具磨损监测系统 | 第69-70页 |
| 3．4 基于动态树理论的刀具磨损监测策略 | 第70-73页 |
| 3．4．1 动态树监测原理及算法 | 第71-72页 |
| 3．4．2 基于动态树理论的刀具磨损监测系统 | 第72-73页 |
| 3．5 基于集成神经网络的刀具磨损监测策略 | 第73-74页 |
| 3．6 小结 | 第74-75页 |
| 第4章 信号分析与特征选择 | 第75-113页 |
| 4．1 时域分析与时域特征 | 第75-77页 |
| 4．2 频域分析与频域特征 | 第77-78页 |
| 4．3 时间序列分析 | 第78-79页 |
| 4．4 小波变换与小波特征 | 第79-87页 |
| 4．4．1 连续小波变换 | 第80-83页 |
| 4．4．2 离散小波变换 | 第83-84页 |
| 4．4．3 多分辨率分析 | 第84-85页 |
| 4．4．4 小波包分析 | 第85-87页 |
| 4．5 特征选择 | 第87-112页 |
| 4．5．1 切削力信号特征 | 第88-94页 |
| 4．5．2 振动信号特征 | 第94-102页 |
| 4．5．3 声发射信号特征 | 第102-109页 |
| 4．5．4 特征的相关性分析 | 第109-110页 |
| 4．5．5 特征选择的方法 | 第110-111页 |
| 4．5．6 特征的可分性评价 | 第111-112页 |
| 4．6 小结 | 第112-113页 |
| 第5章 基于神经网络的刀具磨损监测技术 | 第113-163页 |
| 5．1 BP前馈型神经网络 | 第113-131页 |
| 5．1．1 人工神经元 | 第113-115页 |
| 5．1．2 BP前馈型神经网络结构与算法 | 第115-118页 |
| 5．1．3 BP算法的改进 | 第118-119页 |
| 5．1．4 分类与逼近 | 第119-121页 |
| 5．1．5 基于BP网络的刀具磨损监测技术研究 | 第121-130页 |
| 5．1．5．1 多加工条件下的刀具磨损监测 | 第121-124页 |
| 5．1．5．2 固定加工条件下的刀具磨损监测 | 第124-129页 |
| 5．1．5．3 改进的监测系统结构 | 第129-130页 |
| 5．1．6 存在的问题 | 第130-131页 |
| 5．2 联想记忆网络 | 第131-132页 |
| 5．3 B样条模糊神经网络 | 第132-153页 |
| 5．3．1 格构空间 | 第132-133页 |
| 5．3．2 B样条函数 | 第133-136页 |
| 5．3．3 B样条网络结构 | 第136-137页 |
| 5．3．4 函数逼近与泛化能力研究 | 第137-148页 |
| 5．3．5 学习算法 | 第148-153页 |
| 5．3．5．1 瞬时学习算法 | 第148-149页 |
| 5．3．5．2 离线学习算法 | 第149-151页 |
| 5．3．5．3 自组织学习算法 | 第151-153页 |
| 5．4 B样条网络的增殖性研究 | 第153-155页 |
| 5．5 B样条网络与BP网络的比较 | 第155页 |
| 5．6 基于B样条神经网络的铣刀磨损监测技术 | 第155-160页 |
| 5．6．1 多加工条件下的刀具磨损监测技术 | 第155-159页 |
| 5．6．2 固定加工条件下的刀具磨损监测技术 | 第159-160页 |
| 5．7 基于集成神经网络的刀具磨损监测技术 | 第160-162页 |
| 5．7．1 网络结构 | 第160-161页 |
| 5．7．2 决策融合算法 | 第161-162页 |
| 5．8 小结 | 第162-163页 |
| 第6章 刀具磨损监测系统的实用化研究 | 第163-174页 |
| 6．1 实用化的刀具磨损监测模型 | 第163-164页 |
| 6．2 铣刀磨损监测系统 | 第164-169页 |
| 6．2．1 铣刀监测系统结构 | 第164-165页 |
| 6．2．2 铣刀监测系统模型 | 第165-166页 |
| 6．2．3 铣刀监测系统识别结果 | 第166-169页 |
| 6．3 车刀磨损监测系统 | 第169-173页 |
| 6．3．1 车刀监测系统结构 | 第169-170页 |
| 6．3．2 车刀监测系统模型 | 第170-172页 |
| 6．3．3 车刀监测系统识别结果 | 第172-173页 |
| 6．4 小结 | 第173-174页 |
| 结论与展望 | 第174-177页 |
| 致谢 | 第177-178页 |
| 参考文献 | 第178-190页 |
| 附录1 | 第190-194页 |
| 攻读博士学位期间发表的论文及科研成果 | 第194页 |
