| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景 | 第11-12页 |
| ·国内外相关研究的现状与发展 | 第12-17页 |
| ·数控设备远程监测的发展概况 | 第12-15页 |
| ·振动趋势预测的发展现状 | 第15-16页 |
| ·人工神经网络在趋势预测中的应用 | 第16-17页 |
| ·研究的主要内容及意义 | 第17-18页 |
| 第二章 数控机床振动远程监测系统框架 | 第18-34页 |
| ·数控机床振动远程监测系统框架设计 | 第18-23页 |
| ·远程监测系统组织结构 | 第18-19页 |
| ·远程监测系统的设计目标 | 第19-23页 |
| ·系统软件开发平台 | 第23-24页 |
| ·LabVIEW概述 | 第23页 |
| ·LabVIEW的特点 | 第23-24页 |
| ·监测系统关键技术分析 | 第24-33页 |
| ·数据采集与存储技术 | 第24-25页 |
| ·特征提取技术 | 第25-30页 |
| ·信息融合技术 | 第30-31页 |
| ·远程通信技术 | 第31-32页 |
| ·趋势预测技术 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 数控机床振动远程监测系统实现 | 第34-51页 |
| ·硬件系统实现 | 第34-40页 |
| ·加速度传感器及信号调理模块 | 第34-35页 |
| ·数据采集卡的选用 | 第35-37页 |
| ·传感器与数据采集卡之间的连接 | 第37-40页 |
| ·软件系统设计与实现技术 | 第40-44页 |
| ·数据采集技术实现 | 第40-41页 |
| ·数据存储技术实现 | 第41-42页 |
| ·特征提取技术实现 | 第42-44页 |
| ·远程监测的网络模式及其编程 | 第44-49页 |
| ·TCP技术与UDP技术 | 第44-45页 |
| ·Remote panels技术 | 第45-48页 |
| ·DataSocket技术 | 第48-49页 |
| ·整合软硬件资源 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于改进BP神经网络的振动趋势预测方法研究 | 第51-65页 |
| ·BP神经网络概述 | 第51-57页 |
| ·BP神经网络简介 | 第51-53页 |
| ·BP算法公式推导 | 第53-57页 |
| ·LEVENBERG-MARQUARDT算法改进BP网络 | 第57-59页 |
| ·BP神经元网络对时序信号的预测方法 | 第59-60页 |
| ·改进的BP神经网络模型设计 | 第60-64页 |
| ·改进的BP神经网络结构的建立与参数的选择 | 第60-62页 |
| ·网络控制参数的确定 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 系统测试与验证 | 第65-80页 |
| ·数控机床振动远程监测系统功能介绍 | 第65-66页 |
| ·数控机床加工实验条件 | 第66页 |
| ·刀架及主轴箱振动状态的远程监测 | 第66-70页 |
| ·基于Remote panels技术的远程监测的实现 | 第67-68页 |
| ·基于DataSocket技术的远程监测的实现 | 第68-70页 |
| ·振动信号的特征提取 | 第70-72页 |
| ·快速傅里叶变换与信息融合 | 第70-71页 |
| ·统计最大值 | 第71-72页 |
| ·改进BP神经网络的振动趋势预测 | 第72-79页 |
| ·单点滚动预测 | 第73-77页 |
| ·未来时刻刀架振动曲线的预测 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 第六章 总结与展望 | 第80-82页 |
| ·研究工作总结 | 第80-81页 |
| ·研究展望 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 附录A | 第87-91页 |
| 表B1 前10组刀架振动数据 | 第87-88页 |
| 表B2 11到20组刀架振动数据 | 第88-89页 |
| 表B3 21到30组刀架振动数据 | 第89-90页 |
| 表B4 后10组振动数据 | 第90-91页 |
| 致谢 | 第91-92页 |
| 攻读硕士学位期间发表的论文 | 第92页 |
