| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究背景、目的和意义 | 第9-10页 |
| 1.2 刀具状态识别的国内外研究现状 | 第10-17页 |
| 1.2.1 监测信号的选择 | 第11-14页 |
| 1.2.2 刀具状态识别 | 第14-17页 |
| 1.3 本文主要研究结构安排 | 第17-19页 |
| 第二章 刀具状态识别系统方案设计 | 第19-27页 |
| 2.1 刀具损坏过程及磨钝标准 | 第19-23页 |
| 2.1.1 刀具的磨损形态 | 第19-21页 |
| 2.1.2 刀具的破损形态 | 第21页 |
| 2.1.3 刀具磨钝标准 | 第21-23页 |
| 2.2 信号采集硬件设施 | 第23-25页 |
| 2.3 信号采集方案设计 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 深度学习理论 | 第27-38页 |
| 3.1 堆叠降噪自编码 | 第27-32页 |
| 3.1.1 自动编码器 | 第27-30页 |
| 3.1.2 降噪自编码 | 第30页 |
| 3.1.3 堆叠降噪自编码 | 第30-32页 |
| 3.2 卷积神经网络 | 第32-37页 |
| 3.2.1 单层卷积神经网络 | 第33-34页 |
| 3.2.2 全连接层 | 第34页 |
| 3.2.3 分类器 | 第34-35页 |
| 3.2.4 卷积神经网络训练 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于堆叠降噪自编码的刀具状态识别 | 第38-46页 |
| 4.1 SDAE网络样本 | 第38-39页 |
| 4.2 刀具状态识别网络搭建 | 第39-40页 |
| 4.3 实验结果与分析 | 第40-45页 |
| 4.3.1 网络层数和隐含层节点数对刀具状态识别结果的影响 | 第41-42页 |
| 4.3.2 学习率对刀具故障诊断结果的影响 | 第42-44页 |
| 4.3.3 对比分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于卷积神经网络的刀具状态识别 | 第46-59页 |
| 5.1 频谱图介绍 | 第46页 |
| 5.2 CNN网络样本制作及预处理 | 第46-48页 |
| 5.3 CNN网络选择及训练 | 第48-50页 |
| 5.4 实验结果分析 | 第50-57页 |
| 5.4.1 学习率对刀具状态识别结果的影响 | 第52-54页 |
| 5.4.2 Batchsize对刀具状态识别结果的影响 | 第54-56页 |
| 5.4.3 对比试验分析 | 第56-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66-67页 |