神经网络及仿真在切削加工中的应用研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-4页 |
| 目录 | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| 1．1 课题背景 | 第7页 |
| 1．2 高速切削概述 | 第7-11页 |
| 1．2．1 高速切削的发展现状及研究成果 | 第7-9页 |
| 1．2．2 高速切削的优点 | 第9-10页 |
| 1．2．3 高速切削的关键技术 | 第10页 |
| 1．2．4 高速切削存在的问题及其展望 | 第10-11页 |
| 1．3 课题研究的目的和意义 | 第11-12页 |
| 1．4 课题研究的主要内容 | 第12-13页 |
| 第二章 切削过程中的切削力 | 第13-24页 |
| 2．1 金属切削过程中的切削力研究方法概述 | 第13-19页 |
| 2．1．1 现场观察方法 | 第13-14页 |
| 2．1．2 实验方法 | 第14-17页 |
| 2．1．3 理论分析方法 | 第17-19页 |
| 2．1．4 计算机仿真方法 | 第19页 |
| 2．2 切削力的影响因素 | 第19-23页 |
| 2．2．1 工件材料对切削力的影响 | 第20页 |
| 2．2．2 切削用量对切削力的影响 | 第20-21页 |
| 2．2．3 刀具几何参数和刀具材料对切削力的影响 | 第21-22页 |
| 2．2．4 刀具磨损对于切削力的影响 | 第22-23页 |
| 2．2．5 冷却润滑液对于切削力的影响 | 第23页 |
| 2．3 本章小结 | 第23-24页 |
| 第三章 人工神经网络 | 第24-42页 |
| 3．1 人工神经网络简介 | 第24-25页 |
| 3．2 人工神经网络模型 | 第25-27页 |
| 3．2．1 生物神经元模型 | 第25-26页 |
| 3．2．2 人工神经网络模型 | 第26-27页 |
| 3．3 人工神经网络的分类及学习规则 | 第27-31页 |
| 3．3．1 人工神经网络的分类 | 第27-29页 |
| 3．3．2 神经网络的学习 | 第29-31页 |
| 3．4 人工神经网络的信息处理能力 | 第31-33页 |
| 3．5 人工神经网络在机械工程中的应用 | 第33-34页 |
| 3．6 BP神经网络 | 第34-41页 |
| 3．6．1 多层感知器 | 第34-35页 |
| 3．6．2 BP学习算法 | 第35-39页 |
| 3．6．3 BP学习算法步骤 | 第39-41页 |
| 3．6．4 BP学习算法的改进 | 第41页 |
| 3．7 本章小结 | 第41-42页 |
| 第四章 BP网络在研究切削力中的应用 | 第42-47页 |
| 4．1 实验数据 | 第42页 |
| 4．2 神经网络的选择 | 第42-44页 |
| 4．3 BP网络模型的建立 | 第44-45页 |
| 4．3．1 输入层与输出层的的设计 | 第44页 |
| 4．3．2 网络隐层数的选择 | 第44页 |
| 4．3．3 隐层神经元数的选择 | 第44页 |
| 4．3．4 初始权值的选择 | 第44-45页 |
| 4．3．5 BP网络学习步长的选择 | 第45页 |
| 4．4 BP网路模型的构建、训练与仿真 | 第45-46页 |
| 4．4．1 网络模型的构建与初始化 | 第45-46页 |
| 4．4．2 网络模型的训练 | 第46页 |
| 4．4．3 网络模型的仿真 | 第46页 |
| 4．5 本章小结 | 第46-47页 |
| 第五章 程序实现及结果分析 | 第47-58页 |
| 5．1 MATLAB简介 | 第47页 |
| 5．2 BP神经网络的实现方法 | 第47页 |
| 5．2．1 传统方法 | 第47页 |
| 5．2．2 MATLAB神经网络工具箱 | 第47页 |
| 5．3 BP算法程序 | 第47-49页 |
| 5．4 BP神经网络与经验公式计算结果的比较 | 第49-56页 |
| 5．5 结论 | 第56页 |
| 5．5．1 神经网络实验结论 | 第56页 |
| 5．5．2 神经网络计算切削力的优缺点 | 第56页 |
| 5．6 本章小结 | 第56-58页 |
| 第六章 结束语 | 第58-59页 |
| 6．1 结论 | 第58页 |
| 6．2 进一步研究的建议 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 发表论文 | 第62-63页 |
| 致谢 | 第63页 |
