基于协整建模的铣刀磨损状态监测技术研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 引言 | 第8页 |
| 1.2 刀具磨损监测技术的发展综述 | 第8-12页 |
| 1.3 特征提取方法在铣刀磨损监测中的研究现状 | 第12-13页 |
| 1.4 智能诊断技术在铣刀磨损监测中的发展现状 | 第13-14页 |
| 1.5 课题的提出 | 第14-15页 |
| 1.6 论文研究内容 | 第15-17页 |
| 第二章 协整建模 | 第17-30页 |
| 2.1 协整模型产生的背景 | 第17页 |
| 2.2 时间序列平稳性检验 | 第17-23页 |
| 2.2.1 时间序列及其平稳性概述 | 第17-18页 |
| 2.2.2 时间序列平稳性的单位根过程 | 第18-20页 |
| 2.2.3 Dickey-Fuller 检验 | 第20-21页 |
| 2.2.4 ADF 检验 | 第21-22页 |
| 2.2.5 其他单位根检验方法 | 第22-23页 |
| 2.3 协整及其检验 | 第23-29页 |
| 2.3.1 协整的含义 | 第23-24页 |
| 2.3.2 协整的秩 | 第24页 |
| 2.3.3 协整向量的估计方法 | 第24-27页 |
| 2.3.4 协整性检验 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于神经网络及模式识别的智能诊断技术 | 第30-38页 |
| 3.1 人工神经网络BP 算法 | 第30-31页 |
| 3.2 隐马尔科夫模型 | 第31-33页 |
| 3.2.1 隐马尔科夫模型及其组成 | 第31-32页 |
| 3.2.2 隐马尔科夫模型解决的基本问题 | 第32页 |
| 3.2.3 基于隐马尔科夫的智能诊断技术 | 第32-33页 |
| 3.3 支持向量机模型 | 第33-36页 |
| 3.3.1 支持向量机原理 | 第33-34页 |
| 3.3.2 支持向量机多类分类问题 | 第34-35页 |
| 3.3.3 基于支持向量机的智能诊断技术 | 第35-36页 |
| 3.4 三种智能诊断技术的比较 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于协整建模的铣刀磨损状态监测 | 第38-58页 |
| 4.1 刀具磨损监测实验设计 | 第38-41页 |
| 4.1.1 实验系统组成 | 第38-40页 |
| 4.1.2 实验方案的拟定 | 第40-41页 |
| 4.2 协整建模总体思路 | 第41-43页 |
| 4.3 铣削力信号的平稳性检验 | 第43-47页 |
| 4.4 铣削力信号的协整建模 | 第47-49页 |
| 4.5 基于协整理论的特征提取 | 第49-51页 |
| 4.6 铣刀磨损状态的智能诊断识别 | 第51-57页 |
| 4.6.1 基于BP 神经网络的铣刀磨损状态识别 | 第51-52页 |
| 4.6.2 基于HMM 的铣刀磨损状态识别 | 第52-54页 |
| 4.6.3 基于SVM 的铣刀磨损状态识别 | 第54-57页 |
| 4.6.4 识别结果分析与比较 | 第57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-67页 |
| 致谢 | 第67页 |
