基于小波神经网络的高速铣削刀具磨损状态识别研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 引言 | 第10-22页 |
| ·本课题的研究背景和意义 | 第10-12页 |
| ·课题研究背景 | 第10-11页 |
| ·课题研究的意义 | 第11-12页 |
| ·刀具状态监测的主要方法 | 第12-14页 |
| ·主轴系统监测 | 第13页 |
| ·声发射监测 | 第13-14页 |
| ·功率监测 | 第14页 |
| ·切削力监测 | 第14页 |
| ·高速铣削时切削力的研究 | 第14-19页 |
| ·切削力的来源 | 第15-16页 |
| ·高速硬切削中切削力的特征 | 第16-17页 |
| ·切削力监测法的国内外研究现状 | 第17-19页 |
| ·小波神经网络在刀具磨损状态识别中的应用 | 第19页 |
| ·本课题主要研究内容 | 第19-22页 |
| 2 铣削力模型的建立及系数识别的研究 | 第22-38页 |
| ·铣削力模型及系数模型的建立 | 第22-24页 |
| ·铣削力的基本模型 | 第22-24页 |
| ·铣削力的系数模型 | 第24页 |
| ·系数模型的辨识方法 | 第24-29页 |
| ·多重共线性的检测 | 第25-27页 |
| ·主成分回归估计系数的过程 | 第27-29页 |
| ·系数模型的辨识 | 第29-32页 |
| ·主成分法检测多重共线性的结果 | 第30页 |
| ·辨识结果分析 | 第30-32页 |
| ·铣削力验证仿真 | 第32-36页 |
| ·仿真瞬时铣削力 | 第32-36页 |
| ·仿真结果 | 第36页 |
| ·本章小结 | 第36-38页 |
| 3 铣削力信号的处理及特征提取 | 第38-52页 |
| ·小波包分析的基本原理 | 第38-40页 |
| ·小波包的定义 | 第38-39页 |
| ·小波包的分解与重构的Mallat 算法 | 第39-40页 |
| ·小波包消噪原理及步骤 | 第40页 |
| ·铣削力信号的小波包分解及消噪 | 第40-45页 |
| ·铣削力信号分析的小波基选取 | 第40-41页 |
| ·铣削力信号的小波包分解及消噪 | 第41-45页 |
| ·铣削力信号特征提取 | 第45-50页 |
| ·小波包能量监测原理 | 第45-46页 |
| ·铣削力信号能量特征提取 | 第46-50页 |
| ·本章小结 | 第50-52页 |
| 4 基于BP 神经网络的刀具磨损状态识别 | 第52-62页 |
| ·BP 神经网络及其模式识别原理 | 第52-53页 |
| ·铣削力信号模式识别的BP 网络结构设计 | 第53-55页 |
| ·BP 网络层数的确定 | 第53-54页 |
| ·BP 网络输入和输出层节点数的确定 | 第54页 |
| ·BP 网络隐层节点数的确定 | 第54页 |
| ·BP 网络传递函数的选择 | 第54-55页 |
| ·小波分析与BP 网络结合的应用 | 第55-60页 |
| ·网络训练样本与测试样本的构造 | 第55-56页 |
| ·网络训练 | 第56-59页 |
| ·网络测试 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 5 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 作者简历 | 第69-71页 |
| 学位论文数据集 | 第71页 |
