基于声发射和振动法的刀具磨损状态检测研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-21页 |
| ·刀具状态检测的意义 | 第9-10页 |
| ·刀具失效的形式和标准 | 第10-12页 |
| ·刀具磨损形式 | 第10-11页 |
| ·刀具破损形式 | 第11页 |
| ·刀具磨钝标准 | 第11-12页 |
| ·刀具状态监控技术研究现状 | 第12-19页 |
| ·刀具状态监测方法 | 第13-16页 |
| ·信号的特征抽取 | 第16-17页 |
| ·信号的特征选择 | 第17-18页 |
| ·刀具状态识别 | 第18-19页 |
| ·本文主要研究内容 | 第19-21页 |
| 第二章 刀具磨损试验 | 第21-35页 |
| ·试验目的 | 第21页 |
| ·试验装置 | 第21-24页 |
| ·刀具磨损监测系统 | 第21-22页 |
| ·试验机床 | 第22页 |
| ·传感器选择 | 第22-23页 |
| ·试验对象确定 | 第23-24页 |
| ·试验方法研究 | 第24-27页 |
| ·影响信号的因素 | 第24-25页 |
| ·正交试验法 | 第25-27页 |
| ·试验步骤 | 第27-28页 |
| ·影响信号特征因素的试验 | 第28页 |
| ·刀具磨损监测试验 | 第28页 |
| ·影响监测信号特征的因素分析 | 第28-34页 |
| ·机床空转噪声对信号特征的影响 | 第29-30页 |
| ·传感器安装位置对信号特征的影响 | 第30-31页 |
| ·切削参数对信号特征的影响 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 信号处理与刀具磨损特征选择 | 第35-64页 |
| ·时域分析与时域特征 | 第35-36页 |
| ·频域分析与时域特征 | 第36-37页 |
| ·小波变换 | 第37-47页 |
| ·连续小波变换 | 第38-41页 |
| ·离散小波变换 | 第41-42页 |
| ·多分辨率分析 | 第42-44页 |
| ·小波包分析 | 第44-47页 |
| ·特征的相关性分析 | 第47-48页 |
| ·刀具磨损特征选择 | 第48-63页 |
| ·振动信号特征 | 第50-56页 |
| ·AE 信号特征 | 第56-62页 |
| ·刀具特征量相关系数计算 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 第四章 基于神经网络的刀具磨损监测技术 | 第64-90页 |
| ·反向传播网络 | 第64-78页 |
| ·人工神经元 | 第64-65页 |
| ·BP 前馈型神经网络结构与算法 | 第65-69页 |
| ·BP 算法的改进 | 第69-70页 |
| ·分类与逼近 | 第70-72页 |
| ·基于BP 网络的刀具磨损监测技术研究 | 第72-77页 |
| ·BP 算法存在的问题 | 第77-78页 |
| ·样条权函数神经网络 | 第78-86页 |
| ·样条权函数神经网络拓扑结构 | 第78-81页 |
| ·样条权函数方程的建立与求解 | 第81-84页 |
| ·三次样条权函数网络与BP 网络的比较 | 第84-85页 |
| ·三次样条权函数神经网络识别结果 | 第85-86页 |
| ·基于集成神经网络的刀具磨损监测技术 | 第86-89页 |
| ·网络结构 | 第86-87页 |
| ·决策融合算法 | 第87-88页 |
| ·基于决策融合算法识别结果 | 第88-89页 |
| ·本章小结 | 第89-90页 |
| 第五章 总结与展望 | 第90-92页 |
| ·主要结论 | 第90-91页 |
| ·研究展望 | 第91-92页 |
| 参考文献 | 第92-96页 |
| 致谢 | 第96-97页 |
| 攻读硕士学位期间发表的学术论文 | 第97-99页 |
