| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题的研究背景及目的和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文研究内容 | 第12页 |
| ·本文关键技术及创新点 | 第12-13页 |
| ·本文章节内容安排 | 第13页 |
| 本章小结 | 第13-14页 |
| 第二章 数控机床刀具磨损概述 | 第14-19页 |
| ·数控机床刀具磨损机理 | 第14-16页 |
| ·刀具磨损的原因 | 第14-15页 |
| ·刀具磨损标准 | 第15-16页 |
| ·刀具监测方式及特征提取方法 | 第16-18页 |
| ·刀具状态监测方法 | 第16-17页 |
| ·数控机床状态信息采集方法 | 第17-18页 |
| ·信号分析与特征提取 | 第18页 |
| 本章小结 | 第18-19页 |
| 第三章 数控机床刀具磨损状态监测系统总体设计 | 第19-26页 |
| ·系统的功能分析 | 第19-20页 |
| ·刀具磨损状态监测系统的设计 | 第20-25页 |
| ·嵌入式模块与服务器的C/S结构 | 第21-22页 |
| ·服务器的分布式系统架构 | 第22-23页 |
| ·刀具磨损状态监测系统软件结构 | 第23-25页 |
| 本章小结 | 第25-26页 |
| 第四章 云-支持向量机模型及其在刀具磨损诊断中的应用 | 第26-50页 |
| ·支持向量机 | 第26-35页 |
| ·统计学习理论基础 | 第26-29页 |
| ·支持向量机的基本思想 | 第29-30页 |
| ·支持向量机回归模型 | 第30-34页 |
| ·核函数 | 第34-35页 |
| ·云理论 | 第35-39页 |
| ·云理论的提出及发展 | 第35页 |
| ·云、云滴和云模型 | 第35-37页 |
| ·云发生器 | 第37-39页 |
| ·云-支持向量机模型 | 第39-41页 |
| ·LIBSVM工具箱简介 | 第41-42页 |
| ·云-支持向量机模型仿真 | 第42-46页 |
| ·云-支持向量机模型对刀具磨损状态识别的模拟实验 | 第46-49页 |
| ·数据预处理 | 第46-47页 |
| ·云-支持向量机模型的训练 | 第47页 |
| ·云-支持向量机模型预测刀具磨损量 | 第47-49页 |
| 本章小结 | 第49-50页 |
| 第五章 数控机床刀具磨损状态监测系统数据库架构 | 第50-58页 |
| ·关系型数据库的局限性 | 第50-51页 |
| ·NoSQL数据库简介 | 第51-52页 |
| ·刀具磨损状态监测系统数据库架构 | 第52-54页 |
| ·数据库产品的选择 | 第54-55页 |
| ·刀具监测系统融合数据库模型 | 第55-57页 |
| 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附录A 铣削实验数据 | 第65-66页 |