| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究的目的和意义 | 第9-11页 |
| 1.3 盾构机研究现状 | 第11-15页 |
| 1.3.1 刀具失效的研究 | 第11页 |
| 1.3.2 刀具失效模型的研究 | 第11-15页 |
| 1.4 主要研究内容 | 第15-16页 |
| 2 刀具分析模型的预备知识和相关理论 | 第16-22页 |
| 2.1 刀具状况影响因素的定性分析 | 第16页 |
| 2.2 刀具失效的衡量分析 | 第16-17页 |
| 2.3 数据的预处理 | 第17-19页 |
| 2.3.1 数据的一致化 | 第18-19页 |
| 2.3.2 数据的无量纲化 | 第19页 |
| 2.4 刀具状况衡量指标的定量分析 | 第19-22页 |
| 2.4.1 相关性分析 | 第20页 |
| 2.4.2 灰度关联法 | 第20-22页 |
| 3 基于改进CSM的刀具失效预测模型 | 第22-33页 |
| 3.1 CSM模型的简介 | 第22页 |
| 3.2 改进的CSM模型 | 第22-23页 |
| 3.3 改进的CSM模型的求解 | 第23-32页 |
| 3.3.1 多重共线性诊断 | 第23页 |
| 3.3.2 变量无多重共线性求解 | 第23-27页 |
| 3.3.3 模型的验证 | 第27-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于AACA-BP算法的刀具失效预测模型 | 第33-48页 |
| 4.1 自适应蚁群算法简介 | 第33-34页 |
| 4.2 信息素的更新机制 | 第34-35页 |
| 4.3 自适应蚁群算法特点 | 第35页 |
| 4.4 自适应蚁群算法实现步骤 | 第35-37页 |
| 4.5 BP神经算法原理 | 第37-39页 |
| 4.6 自适应蚁群算法-BP神经网络模型 | 第39-41页 |
| 4.7 建立基于AACA-BP的刀具失效预测模型 | 第41-46页 |
| 4.7.1 输入样本的选择 | 第41-42页 |
| 4.7.2 输入样本的处理 | 第42-43页 |
| 4.7.3 刀具失效预测模型 | 第43-46页 |
| 4.7.4 模型的验证 | 第46页 |
| 4.8 本章小结 | 第46-48页 |
| 5 基于支持向量回归机算法的刀具失效预测模型 | 第48-58页 |
| 5.1 支持向量机基本原理 | 第48-50页 |
| 5.2 选取核函数 | 第50页 |
| 5.2.1 不同的核函数 | 第50页 |
| 5.2.2 支持向量回归机参数选取 | 第50页 |
| 5.3 建立基于不同核函数支持向量回归机的刀具寿命预测模型 | 第50-55页 |
| 5.3.1 驱动因子的选择 | 第51页 |
| 5.3.2 数据处理 | 第51-52页 |
| 5.3.3 模型参数确定 | 第52-55页 |
| 5.4 模型的验证 | 第55-56页 |
| 5.4.1 模型预测 | 第55-56页 |
| 5.4.2 模型验证 | 第56页 |
| 5.5 本章小结 | 第56-58页 |
| 6 深度学习算法的刀具寿命预测 | 第58-69页 |
| 6.1 循环神经网原理 | 第58-60页 |
| 6.2 循环网络步骤 | 第60-64页 |
| 6.3 基于循环神经网络建立预测模型 | 第64-67页 |
| 6.3.1 数据处理 | 第64-65页 |
| 6.3.2 编码 | 第65-66页 |
| 6.3.3 模型训练 | 第66-67页 |
| 6.4 模型的验证 | 第67-68页 |
| 6.5 控制策略 | 第68页 |
| 6.6 本章小结 | 第68-69页 |
| 总结与展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士期间发表的论文 | 第87-88页 |