| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状分析与总结 | 第13-20页 |
| 1.2.1 智慧制造相关的研究现状 | 第13-14页 |
| 1.2.2 RFID在生产监测中的应用 | 第14-16页 |
| 1.2.3 基于传感器的刀具状态监测 | 第16-18页 |
| 1.2.4 深度学习 | 第18页 |
| 1.2.5 动态调度与主动调度 | 第18-19页 |
| 1.2.6 研究现状分析与总结 | 第19-20页 |
| 1.3 论文的研究内容与结构 | 第20-22页 |
| 1.4 本章小结 | 第22-23页 |
| 第二章 智慧制造模式 | 第23-36页 |
| 2.1 智慧装备 | 第23-25页 |
| 2.2 智慧制造体系架构 | 第25-28页 |
| 2.2.1 基于网络融合的智慧制造 | 第25-26页 |
| 2.2.2 基于社会信息物理系统的智慧制造 | 第26-28页 |
| 2.3 智慧制造的实现 | 第28-35页 |
| 2.3.1 实现智慧制造的社会环境 | 第28-29页 |
| 2.3.2 智慧制造的关键共性技术 | 第29-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于RFID的工件异常事件监测 | 第36-54页 |
| 3.1 智慧制造车间感知环境构建 | 第36-37页 |
| 3.2 RFID事件模型 | 第37-39页 |
| 3.3 RFID复杂事件处理技术 | 第39-45页 |
| 3.3.1 复杂事件处理系统 | 第39-40页 |
| 3.3.2 RFID数据清洗 | 第40-43页 |
| 3.3.3 面向实时的工件异常事件监测 | 第43-45页 |
| 3.4 实验与分析 | 第45-53页 |
| 3.4.1 综合数据清洗实验与分析 | 第46-50页 |
| 3.4.2 工件异常事件监测仿真实验 | 第50-51页 |
| 3.4.3 工件异常事件监测物理实验 | 第51-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 基于无线加速度计的刀具状态监测 | 第54-80页 |
| 4.1 刀具状态监测框架 | 第54-56页 |
| 4.2 实验装置与数据采集 | 第56-59页 |
| 4.3 信号预处理 | 第59-64页 |
| 4.3.1 小波变换 | 第59-60页 |
| 4.3.2 小波去噪 | 第60-64页 |
| 4.4 特征提取 | 第64-70页 |
| 4.4.1 时域特征提取 | 第64-65页 |
| 4.4.2 频域特征提取 | 第65-66页 |
| 4.4.3 时频域特征提取 | 第66-70页 |
| 4.5 特征选择 | 第70-71页 |
| 4.6 建立预测模型 | 第71-75页 |
| 4.6.1 神经模糊网络架构 | 第72-73页 |
| 4.6.2 神经模糊网络学习算法 | 第73-75页 |
| 4.7 刀具磨损监测与剩余寿命预测 | 第75-79页 |
| 4.7.1 基于神经模糊网络的刀具磨损监测与剩余寿命预测 | 第75-77页 |
| 4.7.2 刀具磨损和剩余使用寿命的人机接口 | 第77-78页 |
| 4.7.3 不同预测模型比较 | 第78-79页 |
| 4.8 本章小结 | 第79-80页 |
| 第五章 基于深度学习的刀具状态监测 | 第80-105页 |
| 5.1 深度学习模型 | 第80-95页 |
| 5.1.1 堆栈式自动编码器 | 第81-83页 |
| 5.1.2 深度置信网络 | 第83-86页 |
| 5.1.3 深度递归神经网络 | 第86-90页 |
| 5.1.4 深度增强学习 | 第90-92页 |
| 5.1.5 卷积神经网络 | 第92-94页 |
| 5.1.6 模型比较 | 第94-95页 |
| 5.2 基于卷积神经网络的刀具磨损监测方法 | 第95-99页 |
| 5.2.1 刀具磨损监测的卷积神经网络模型 | 第95-97页 |
| 5.2.2 刀具磨损监测流程 | 第97-99页 |
| 5.3 实验与分析 | 第99-104页 |
| 5.3.1 深度学习平台与数据库 | 第100页 |
| 5.3.2 卷积神经网络不同模型比较 | 第100-103页 |
| 5.3.3 卷积神经网络与传统神经网络比较 | 第103-104页 |
| 5.4 本章小结 | 第104-105页 |
| 第六章 智慧车间加工作业的主动调度 | 第105-134页 |
| 6.1 调度模型分类 | 第105-106页 |
| 6.2 智慧车间加工作业感知环境构建 | 第106-108页 |
| 6.3 主动调度方案 | 第108-121页 |
| 6.3.1 加工作业的调度数学模型 | 第108-109页 |
| 6.3.2 主动调度框架 | 第109-111页 |
| 6.3.3 主动调度策略 | 第111-112页 |
| 6.3.4 主动调度算法 | 第112-121页 |
| 6.4 实验结果与分析 | 第121-133页 |
| 6.4.1 加工作业原型平台 | 第121-122页 |
| 6.4.2 系统验证参数设定 | 第122-123页 |
| 6.4.3 加工机器与AGV的集成调度 | 第123-127页 |
| 6.4.4 主动调度结果与分析 | 第127-133页 |
| 6.5 本章小结 | 第133-134页 |
| 总结与展望 | 第134-137页 |
| 1 本文的主要研究结论 | 第134-136页 |
| 2 后续研究展望 | 第136-137页 |
| 参考文献 | 第137-151页 |
| 攻读博士学位期间取得的研究成果 | 第151-153页 |
| 致谢 | 第153-154页 |
| 附件 | 第154页 |