基于人工智能的刀具切削状态的监控研究
| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| ·切削状态监控技术 | 第12页 |
| ·刀具状态监测研究的意义 | 第12-13页 |
| ·刀具的损坏形式 | 第13-15页 |
| ·刀具磨损 | 第13-14页 |
| ·刀具磨损过程及磨钝标准 | 第14-15页 |
| ·刀具破损 | 第15页 |
| ·刀具监控技术的国内外研究现状 | 第15-18页 |
| ·本论文主要研究内容 | 第18-19页 |
| 第2章 刀具信号的采集研究 | 第19-28页 |
| ·刀具磨损监测方法 | 第19-24页 |
| ·直接监测方法 | 第19-21页 |
| ·间接监测方法 | 第21-24页 |
| ·本论文采取的信号检测手段 | 第24-28页 |
| 第3章 采集信号的特征提取 | 第28-38页 |
| ·信号处理的传统方法 | 第28-29页 |
| ·小波分析 | 第29-35页 |
| ·小波变换 | 第29-31页 |
| ·基于Matlab的小波在信号处理中的应用 | 第31-35页 |
| ·基于小波分析的刀具破损检测 | 第35-38页 |
| ·主轴电流信号连续小波变换 | 第35页 |
| ·进给电流信号的离散小波变换 | 第35-38页 |
| 第4章 刀具智能监控技术的研究 | 第38-61页 |
| ·人工神经网络简介 | 第38-39页 |
| ·神经网络模型 | 第39-41页 |
| ·生物神经元 | 第39-40页 |
| ·神经元结构模型 | 第40-41页 |
| ·神经网络的学习 | 第41-42页 |
| ·神经网络的学习方式 | 第41页 |
| ·神经网络的学习规则 | 第41-42页 |
| ·神经网络在刀具监控中的应用 | 第42页 |
| ·BP网络 | 第42-49页 |
| ·BP网络结构及算法研究 | 第43-46页 |
| ·BP算法的缺点及其改进 | 第46-48页 |
| ·本论文基于BP网络刀具监控的设计 | 第48-49页 |
| ·RBF网络 | 第49-53页 |
| ·RBF网结构 | 第49-50页 |
| ·RBF网络的学习算法 | 第50-52页 |
| ·RBF网的特点及其他的问题 | 第52页 |
| ·本论文基于RBF网络刀具监控的设计 | 第52-53页 |
| ·小波神经网络 | 第53-61页 |
| ·小波网络的结构 | 第53-56页 |
| ·小波网络的学习过程 | 第56-57页 |
| ·本论文基于小波网络刀具监控的设计 | 第57-61页 |
| 第5章 基于MATLAB对刀具加工过程模拟仿真 | 第61-81页 |
| ·刀具监测系统的实验方案 | 第61-64页 |
| ·实验装置简介 | 第61-62页 |
| ·镗削试验数据 | 第62-64页 |
| ·基于神经网络的建模 | 第64-79页 |
| ·BP算法程序 | 第65-69页 |
| ·RBF网络的算法程序 | 第69-75页 |
| ·小波神经网络程序 | 第75-79页 |
| ·基于经验公式的刀具磨损状态估计 | 第79页 |
| ·经验公式,BP,RBF,小波神经网络的比较 | 第79-81页 |
| 结论 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-88页 |
| 附录A 攻读硕士学位期间发表的学术论文 | 第88页 |
