刀具磨损状态识别及预测研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 刀具磨损状态监测的目的和意义 | 第11-12页 |
| 1.2 刀具磨损状态监测的研究现状 | 第12-16页 |
| 1.2.1 监测方法 | 第12-14页 |
| 1.2.2 特征提取 | 第14-15页 |
| 1.2.3 模式识别 | 第15-16页 |
| 1.3 预测技术研究综述 | 第16-18页 |
| 1.3.1 预测基本步骤 | 第16页 |
| 1.3.2 预测方法综述 | 第16-18页 |
| 1.3.3 预测有效性评价 | 第18页 |
| 1.4 本文的主要研究内容 | 第18-20页 |
| 第2章 刀具磨损状态监测实验系统设计 | 第20-25页 |
| 2.1 刀具的磨损形式及标准 | 第20-22页 |
| 2.1.1 刀具的正常磨损形式 | 第20页 |
| 2.1.2 刀具的磨损过程 | 第20-21页 |
| 2.1.3 刀具的磨钝标准 | 第21-22页 |
| 2.2 刀具磨损监测系统 | 第22-24页 |
| 2.2.1 监测系统构成 | 第22-24页 |
| 2.2.2 加工条件 | 第24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 刀具磨损特征提取 | 第25-39页 |
| 3.1 信号特征提取方法 | 第25-31页 |
| 3.1.1 时域分析及特征提取 | 第25-26页 |
| 3.1.2 频域分析及特征提取 | 第26-27页 |
| 3.1.3 小波分析 | 第27-31页 |
| 3.2 刀具磨损特征提取 | 第31-38页 |
| 3.2.1 切削力信号特征提取 | 第32-35页 |
| 3.2.2 振动信号特征提取 | 第35-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 刀具磨损状态识别 | 第39-48页 |
| 4.1 人工神经网络概述 | 第39-41页 |
| 4.1.1 神经网络的特点 | 第39页 |
| 4.1.2 神经元结构模型 | 第39-41页 |
| 4.2 BP神经网络 | 第41-43页 |
| 4.2.1 BP网络结构 | 第41页 |
| 4.2.2 BP网络学习规则 | 第41-43页 |
| 4.3 BP网络设计 | 第43-44页 |
| 4.3.1 输入输出层设计 | 第43页 |
| 4.3.2 隐层设计 | 第43-44页 |
| 4.3.3 初始权值选择 | 第44页 |
| 4.3.4 学习速率 | 第44页 |
| 4.3.5 学习误差 | 第44页 |
| 4.4 基于BP神经网络的刀具磨损量识别 | 第44-47页 |
| 4.4.1 网络参数设定及训练 | 第44-46页 |
| 4.4.2 网络的测试 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 刀具磨损量预测 | 第48-66页 |
| 5.1 基于ARMA的刀具磨损量预测 | 第48-59页 |
| 5.1.1 时间序列基础知识 | 第48-49页 |
| 5.1.2 ARMA模型基本原理 | 第49-50页 |
| 5.1.3 ARMA模型建模过程 | 第50-53页 |
| 5.1.4 ARMA模型在刀具磨损量预测中的应用 | 第53-59页 |
| 5.2 基于神经网络的刀具磨损量预测 | 第59-62页 |
| 5.2.1 BP神经网络预测模型 | 第59-60页 |
| 5.2.2 神经网络在刀具磨损量预测中的应用 | 第60-62页 |
| 5.3 ARIMA模型及神经网络混合预测 | 第62-65页 |
| 5.3.1 组合预测原理 | 第62-63页 |
| 5.3.2 组合预测在刀具磨损量预测中的应用 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士研究生期间发表的论文 | 第71页 |
