| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 刀具磨损状态监测方法概述 | 第11-14页 |
| 1.2.1 基于不同的传感信号的刀具磨损监测 | 第11-12页 |
| 1.2.2 基于各类信号处理与分析方法的刀具磨损状态监测 | 第12-13页 |
| 1.2.3 分类学习方法 | 第13-14页 |
| 1.3 课题的研究内容与国内外研究现状 | 第14-16页 |
| 1.3.1 稀疏分解与刀具状态监测 | 第14-15页 |
| 1.3.2 支持向量机与刀具状态监测 | 第15-16页 |
| 1.4 本文的结构组织 | 第16-18页 |
| 第二章 高速铣削加工刀具磨损状态监测系统 | 第18-26页 |
| 2.1 刀具磨损机理及分类 | 第18-20页 |
| 2.1.1 刀具磨损机理 | 第18页 |
| 2.1.2 刀具磨损分类 | 第18-19页 |
| 2.1.3 刀具磨损的阶段性 | 第19-20页 |
| 2.2 刀具磨损状态监测系统 | 第20-21页 |
| 2.3 高速铣削加工实验平台搭建 | 第21-25页 |
| 2.3.1 高速铣削加工装置 | 第21页 |
| 2.3.2 数据采集装置 | 第21-23页 |
| 2.3.3 计算装置 | 第23页 |
| 2.3.4 加工过程信号采集结果 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 压缩感知和稀疏表示理论 | 第26-36页 |
| 3.1 压缩感知理论 | 第26-27页 |
| 3.2 稀疏表示理论 | 第27-28页 |
| 3.3 稀疏表示优化问题的求解 | 第28-31页 |
| 3.3.1 全局优化算法 | 第28页 |
| 3.3.2 叠加贪婪算法 | 第28-31页 |
| 3.3.2.1 MP算法 | 第29-30页 |
| 3.3.2.2 OMP算法 | 第30-31页 |
| 3.4 基于形态分量分析的信号稀疏分解 | 第31-35页 |
| 3.4.1 形态分量分析 | 第31页 |
| 3.4.2 分离变量增广拉格朗日收缩算法 | 第31-32页 |
| 3.4.3 基于改进SALSA的信号分解 | 第32-34页 |
| 3.4.4 仿真分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 统计学习理论与支持向量机 | 第36-46页 |
| 4.1 机器学习的基本原理 | 第36-37页 |
| 4.1.1 机器学习问题的表示 | 第36-37页 |
| 4.1.2 经验风险最小化原则 | 第37页 |
| 4.1.3 机器学习的推广能力与复杂性 | 第37页 |
| 4.2 统计学习理论 | 第37-39页 |
| 4.2.1 VC维理论 | 第38页 |
| 4.2.2 结构风险最小原理 | 第38-39页 |
| 4.3 支持向量机 | 第39-43页 |
| 4.3.1 线性可分问题 | 第39-41页 |
| 4.3.2 近似线性可分问题 | 第41-42页 |
| 4.3.3 非线性问题 | 第42-43页 |
| 4.4 SVM多类分类学习 | 第43-44页 |
| 4.5 基于SVM的模式识别和故障诊断 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第五章 基于振动信号的刀具磨损状态监测 | 第46-57页 |
| 5.1 高速铣削加工振动信号波形特点分析 | 第46页 |
| 5.2 基于小波变换的信号降噪处理 | 第46-49页 |
| 5.2.1 小波变换理论 | 第47页 |
| 5.2.2 小波阈值去噪原理 | 第47-49页 |
| 5.3 基于形态分量分析的振动信号分解与特征提取 | 第49-55页 |
| 5.3.1 信号分解与特征提取 | 第49-52页 |
| 5.3.2 特征物理意义分析 | 第52-53页 |
| 5.3.3 基于SVM的模式分类 | 第53-55页 |
| 5.3.3.1 基于SVM的模式分类 | 第53-54页 |
| 5.3.3.2 特征分类实验验证 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第65页 |