| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.2 刀具磨损机理 | 第11-14页 |
| 1.2.1 刀具磨损原因 | 第11-12页 |
| 1.2.2 刀具的磨损形式 | 第12-13页 |
| 1.2.3 刀具的磨损过程以及磨钝标准 | 第13-14页 |
| 1.3 刀具磨损状态监测技术国内外研究现状 | 第14-18页 |
| 1.3.1 刀具磨损状态的监测方法 | 第14-16页 |
| 1.3.2 刀具状态监测系统构建 | 第16-18页 |
| 1.4 本文主要研究内容 | 第18-20页 |
| 第2章 刀具磨损状态监测实验平台搭建 | 第20-26页 |
| 2.1 刀具磨损状态监测实验方案 | 第20-21页 |
| 2.2 实验平台硬件组成 | 第21-23页 |
| 2.3 实验平台软件 | 第23页 |
| 2.4 刀具磨损试验方法 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 特征参数提取 | 第26-46页 |
| 3.1 基于匹配追踪算法的信号滤波处理 | 第26-31页 |
| 3.1.1 匹配追踪算法 | 第27-28页 |
| 3.1.2 监测信号匹配追踪滤波处理结果 | 第28-31页 |
| 3.2 时域分析特征提取 | 第31-32页 |
| 3.3 频域分析特征提取 | 第32-34页 |
| 3.4 时频域分析特征提取 | 第34-40页 |
| 3.4.1 小波分析 | 第34-35页 |
| 3.4.2 小波包能量特征 | 第35页 |
| 3.4.3 刀具状态监测信号的小波包特征参提取 | 第35-40页 |
| 3.5 特征参数降维 | 第40-45页 |
| 3.5.1 KPCA原理 | 第41-43页 |
| 3.5.2 刀具状态监测特征参数降维 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 人工蜂群算法 | 第46-54页 |
| 4.1 人工蜂群算法的起源 | 第46-48页 |
| 4.2 人工蜂群算法的数学描述 | 第48-49页 |
| 4.3 人工蜂群算法的流程 | 第49-51页 |
| 4.4 人工蜂群算法参数分析 | 第51页 |
| 4.5 与其他智能算法比较 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 人工蜂群优化BP神经网络的刀具磨损状态监测 | 第54-68页 |
| 5.1 人工神经网络 | 第54-58页 |
| 5.1.1 人工神经网络简介 | 第54-55页 |
| 5.1.2 人工神经网络的模型 | 第55-56页 |
| 5.1.3 神经网络的学习 | 第56-57页 |
| 5.1.4 BP神经网络 | 第57-58页 |
| 5.2 人工蜂群优化BP神经网络 | 第58-63页 |
| 5.2.1 人工蜂群算法优化BP神经网络的实现 | 第58-62页 |
| 5.2.2 神经网络性能指标 | 第62-63页 |
| 5.3 人工蜂群算法优化BP神经网络的刀具磨损状态监测 | 第63-67页 |
| 5.3.1 BP神经网络的建立 | 第63-64页 |
| 5.3.2 人工蜂群优化BP神经网络参数设置 | 第64页 |
| 5.3.3 BP神经网络优化前后效果对比 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第74页 |