| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外相关工作研究进展 | 第10-17页 |
| 1.2.1 传感监测技术 | 第11-14页 |
| 1.2.2 刀具磨损信号处理与特征提取方法 | 第14-16页 |
| 1.2.3 刀具磨损状态识别方法 | 第16-17页 |
| 1.3 论文的研究内容及安排 | 第17-19页 |
| 2 基于主轴电流的铣刀磨损监测方案可行性研究 | 第19-33页 |
| 2.1 刀具磨损机理及形式 | 第19-22页 |
| 2.2 铣刀磨损实验系统与方案设计 | 第22-26页 |
| 2.2.1 实验平台搭建 | 第22-25页 |
| 2.2.2 平头立铣刀磨损实验方案 | 第25-26页 |
| 2.3 铣削力与主轴铣削电流的映射关系 | 第26-32页 |
| 2.3.1 铣削力与主轴电流的理论关系 | 第26-27页 |
| 2.3.2 铣削力与主轴电流的时域及频域对比 | 第27-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于模型参数的铣刀磨损状态监测研究 | 第33-47页 |
| 3.1 铣削力建模 | 第33-36页 |
| 3.1.1 静态切削力模型 | 第33-34页 |
| 3.1.2 动态切削力模型 | 第34-36页 |
| 3.2 铣削电流模型建模及模型系数估计方法 | 第36-39页 |
| 3.2.1 铣削电流模型建模 | 第36-38页 |
| 3.2.2 切削系数估计 | 第38-39页 |
| 3.2.3 监测方案流程 | 第39页 |
| 3.3 基于切削系数的刀具磨损特征及实验验证 | 第39-46页 |
| 3.3.1 空转电流变化趋势及拟合 | 第39-40页 |
| 3.3.2 切削系数的变化趋势 | 第40-43页 |
| 3.3.3 基于切削电流系数的监测方法及验证 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于CNN的铣刀磨损监测方法研究 | 第47-67页 |
| 4.1 卷积神经网络 | 第47-52页 |
| 4.1.1 卷积运算 | 第47-48页 |
| 4.1.2 卷积神经网络基本结构 | 第48-50页 |
| 4.1.3 卷积神经网络训练过程 | 第50-52页 |
| 4.1.4 基于CNN的铣刀磨损状态监测流程 | 第52页 |
| 4.2 基于电流信号的特征提取 | 第52-59页 |
| 4.2.1 传统特征提取 | 第52-55页 |
| 4.2.2 阶次特征提取 | 第55-59页 |
| 4.3 基于卷积神经网络的铣刀磨损状态识别 | 第59-66页 |
| 4.3.1 特征个数对铣刀状态识别性能的影响 | 第59-60页 |
| 4.3.2 批量大小对铣刀状态识别性能的影响 | 第60-61页 |
| 4.3.3 卷积核尺寸对铣刀状态识别性能的影响 | 第61-62页 |
| 4.3.4 卷积核个数对铣刀状态识别性能的影响 | 第62-63页 |
| 4.3.5 迭代次数对铣刀状态识别性能的影响 | 第63-64页 |
| 4.3.6 最佳超参数及不同机器学习算法状态识别性能对比 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 5 基于LabVIEW的铣刀磨损监测系统开发 | 第67-77页 |
| 5.1 LabVIEW环境介绍 | 第67-68页 |
| 5.2 硬件系统设计 | 第68-70页 |
| 5.2.1 工控机 | 第68-69页 |
| 5.2.2 数据采集卡 | 第69-70页 |
| 5.3 铣刀磨损状态监测系统开发与验证 | 第70-76页 |
| 5.3.1 软件系统总体设计 | 第70页 |
| 5.3.2 系统管理及数据采集 | 第70-72页 |
| 5.3.3 模型辨识模块 | 第72-74页 |
| 5.3.4 实时监测模块 | 第74-75页 |
| 5.3.5 离线分析 | 第75-76页 |
| 5.4 本章小结 | 第76-77页 |
| 结论 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间发表学术论文情况 | 第84-85页 |
| 致谢 | 第85-86页 |