智能工序质量控制的理论与方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-26页 |
| ·概述 | 第11-19页 |
| ·AMT环境下制造质量的新特点 | 第11-12页 |
| ·AMT环境下质量控制的理论方法与关键技术 | 第12-19页 |
| ·论文的研究重点及其现状 | 第19-23页 |
| ·研究重点 | 第19页 |
| ·研究现状 | 第19-23页 |
| ·论文的研究内容及意义 | 第23-25页 |
| ·研究内容 | 第23-24页 |
| ·研究意义 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第2章 基于神经网络的控制图模式识别研究 | 第26-59页 |
| ·引言 | 第26-27页 |
| ·人工神经网络基础 | 第27-29页 |
| ·基于BP网络的控制图模式识别 | 第29-32页 |
| ·方法的实现 | 第29-31页 |
| ·方法的评价 | 第31-32页 |
| ·局部有监督特征映射(RSFM)网络 | 第32-36页 |
| ·网络的拓扑结构 | 第32页 |
| ·网络的学习算法 | 第32-34页 |
| ·网络的基本性能 | 第34-36页 |
| ·基于RSFM网络的控制图模式识别模型 | 第36-44页 |
| ·网络训练 | 第36-44页 |
| ·仿真检验 | 第44页 |
| ·混合型(多特征)异常模式的识别方法 | 第44-47页 |
| ·识别模型的自适应能力 | 第47-49页 |
| ·提高模型识别能力的方法 | 第49-53页 |
| ·样本数据的模糊化处理 | 第49-51页 |
| ·样本数据的指数加权滑动平均(EWMA)处理 | 第51-53页 |
| ·实验验证 | 第53-54页 |
| ·控制图异常模式的参数估计 | 第54-56页 |
| ·模型的拓扑结构 | 第54-55页 |
| ·网络训练 | 第55-56页 |
| ·仿真检验 | 第56页 |
| ·智能质量诊断分析系统模型 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第3章 智能预测控制理论基础 | 第59-70页 |
| ·智能预测控制的基本概念 | 第59-65页 |
| ·智能控制的主要理论与方法 | 第59-63页 |
| ·预测控制主要理论和方法 | 第63-64页 |
| ·智能预测控制的概念 | 第64-65页 |
| ·基于ANN的智能预测控制 | 第65-69页 |
| ·系统建模 | 第66-67页 |
| ·参考轨迹 | 第67-68页 |
| ·最优控制规律计算 | 第68页 |
| ·系统稳定性分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第4章 基于质量特征参数序列的质量智能预测控制 | 第70-90页 |
| ·改进型SLFM网络 | 第70-80页 |
| ·SLFM网络的拓扑结构及其算法 | 第70-73页 |
| ·网络算法的改进 | 第73-75页 |
| ·性能测试 | 第75-80页 |
| ·基于改进型SLFM网络的预测模型 | 第80-88页 |
| ·对理想函数的跟踪能力分析 | 第80-84页 |
| ·加工尺寸预测 | 第84-88页 |
| ·加工过程在线实时质量控制 | 第88-89页 |
| ·本章小结 | 第89-90页 |
| 第5章 机床综合误差补偿策略研究 | 第90-116页 |
| ·误差补偿的基本概念和方法 | 第90-92页 |
| ·加工的误差源 | 第92-93页 |
| ·误差补偿技术研究现状 | 第93-100页 |
| ·几何及运动误差的补偿 | 第93-95页 |
| ·热误差的补偿 | 第95-98页 |
| ·切削力误差的补偿 | 第98-99页 |
| ·其它误差的补偿 | 第99页 |
| ·存在问题 | 第99-100页 |
| ·机床综合误差补偿策略研究 | 第100-115页 |
| ·几何误差的补偿 | 第101-107页 |
| ·几何误差和热误差的综合补偿 | 第107-112页 |
| ·几何误差、热误差及切削力误差的综合补偿 | 第112-114页 |
| ·综合误差补偿 | 第114-115页 |
| ·本章小结 | 第115-116页 |
| 第6章 结论与展望 | 第116-119页 |
| ·论文结论 | 第116-118页 |
| ·研究展望 | 第118-119页 |
| 参考文献 | 第119-128页 |
| 在读博士学位期间的研究成果和获奖情况 | 第128-130页 |
| 致谢 | 第130-131页 |
