基于椭球自适应共振与多传感器融合的刀具状态监测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 刀具状态监测的研究现状 | 第9-15页 |
| 1.2.1 直接法 | 第10页 |
| 1.2.2 间接法 | 第10-15页 |
| 1.3 刀具的状态识别 | 第15-16页 |
| 1.3.1 状态识别方法分类 | 第15页 |
| 1.3.2 自适应共振网络介绍 | 第15-16页 |
| 1.4 本文研究内容 | 第16-18页 |
| 第二章 椭球自适应共振理论研究 | 第18-27页 |
| 2.1 EAM 模型的提出 | 第18页 |
| 2.2 EAM 的结构 | 第18-20页 |
| 2.3 EAM 训练及测试过程 | 第20-25页 |
| 2.4 EAM 模型参数影响分析 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 刀具磨损状态监测系统结构 | 第27-43页 |
| 3.1 多传感器数据采集系统 | 第27-28页 |
| 3.2 信号处理与特征提取 | 第28-33页 |
| 3.2.1 时域分析 | 第28-30页 |
| 3.2.2 频域分析 | 第30-32页 |
| 3.2.3 时频域分析 | 第32-33页 |
| 3.3 特征选择 | 第33-36页 |
| 3.3.1 信息熵介绍 | 第33-34页 |
| 3.3.2 FCBF 特征选择算法 | 第34-36页 |
| 3.4 刀具磨损状态分类器 | 第36-41页 |
| 3.4.1 EAM 模型 | 第36页 |
| 3.4.2 FAM 模型 | 第36-38页 |
| 3.4.3 K 均值（KNN） | 第38-39页 |
| 3.4.4 朴素贝叶斯（NB） | 第39-40页 |
| 3.4.5 分类回归树模型（CART） | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于 EAM 的刀具磨损状态分类 | 第43-61页 |
| 4.1 TC4 钛合金铣削实验 | 第43-45页 |
| 4.1.1 工件和刀具 | 第44页 |
| 4.1.2 切削参数设定 | 第44页 |
| 4.1.3 切削力信号采集 | 第44页 |
| 4.1.4 振动信号采集 | 第44-45页 |
| 4.1.5 刀具状态分类 | 第45页 |
| 4.2 样本选择 | 第45-48页 |
| 4.2.1 原始信号截取 | 第45-46页 |
| 4.2.2 特征提取 | 第46-47页 |
| 4.2.3 训练样本及增量样本 | 第47页 |
| 4.2.4 特征选择 | 第47-48页 |
| 4.3 K-fold 交叉验证 | 第48-49页 |
| 4.4 EAM 模型参数的选择 | 第49-54页 |
| 4.4.1 警戒参数值选择 | 第52-53页 |
| 4.4.2 短长轴比率参数选择 | 第53-54页 |
| 4.5 模型分类性能比较 | 第54-56页 |
| 4.5.1 模型参数设置 | 第54-55页 |
| 4.5.2 模型分类精度的比较 | 第55-56页 |
| 4.6 EAM 增量学习能力的验证 | 第56-60页 |
| 4.6.1 同类样本的增量学习 | 第56-58页 |
| 4.6.2 新类别样本的增量学习 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 结论与展望 | 第61-63页 |
| 5.1 结论 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 发表论文和参加科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |
