| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 致谢 | 第9-15页 |
| 主要符号表 | 第15-17页 |
| 1 绪论 | 第17-39页 |
| 本章摘要 | 第17页 |
| 1.1 论文的研究背景与意义 | 第17-18页 |
| 1.2 金属切削颤振及其控制技术国内外研究现状 | 第18-28页 |
| 1.2.1 金属切削颤振研究现状 | 第19-21页 |
| 1.2.2 金属切削颤振控制技术研究现状 | 第21-28页 |
| 1.2.2.1 切削参数调整法的颤振控制研究现状 | 第22-25页 |
| 1.2.2.2 振动控制法的颤振控制策略研究现状 | 第25-28页 |
| 1.3 金属切削颤振在线预报理论和方法国内外研究现状 | 第28-35页 |
| 1.3.1 金属切削颤振预报方法研究现状 | 第29-30页 |
| 1.3.2 金属切削颤振预报的信号处理方法研究现状 | 第30-34页 |
| 1.3.3 金属切削颤振预报的模式识别方法研究现状 | 第34-35页 |
| 1.4 论文主要研究内容与总体框架 | 第35-38页 |
| 1.5 本章小结 | 第38-39页 |
| 2 金属切削颤振产生机理及磁流变自抑振智能镗杆工作机理研究 | 第39-57页 |
| 本章摘要 | 第39页 |
| 2.1 引言 | 第39页 |
| 2.2 金属切削颤振产生及其抑制机理研究 | 第39-47页 |
| 2.2.1 金属切削系统稳定性分析 | 第39-45页 |
| 2.2.2 金属切削颤振的抑振机理研究 | 第45-47页 |
| 2.2.2.1 变主轴转速切削法的颤振抑制机理 | 第45-46页 |
| 2.2.2.2 变刚度和变阻尼切削法的颤振抑制机理 | 第46-47页 |
| 2.3 磁流变自抑振智能镗杆的设计及其抑振原理 | 第47-56页 |
| 2.3.1 磁流变效应 | 第48-49页 |
| 2.3.2 磁流变自抑振智能镗杆结构设计 | 第49-52页 |
| 2.3.3 磁流变自抑振智能镗杆抑振单元的磁路系统设计 | 第52-54页 |
| 2.3.4 磁流变自抑振智能镗杆抑振原理 | 第54-56页 |
| 2.4 本章小结 | 第56-57页 |
| 3 基于EMD-HHT的镗削颤振征兆特征提取方法研究 | 第57-74页 |
| 本章摘要 | 第57页 |
| 3.1 引言 | 第57-58页 |
| 3.2 镗削颤振信号HHT变换的基本思想及算法 | 第58-60页 |
| 3.2.1 镗削颤振信号EMD的基本原理与方法 | 第58-59页 |
| 3.2.2 镗削颤振信号HHT时频分析方法 | 第59-60页 |
| 3.3 镗削颤振特征信号的获取 | 第60-62页 |
| 3.4 镗削振动信号的EMD分解及Hilbert变换 | 第62-73页 |
| 3.4.1 基于EMD分解的颤振征兆提取可行性研究 | 第62-70页 |
| 3.4.2 基于EMD-HHT变换的颤振征兆提取时效性研究 | 第70-73页 |
| 3.5 本章小结 | 第73-74页 |
| 4 基于FastICA的镗削颤振信号特征融合方法研究 | 第74-89页 |
| 本章摘要 | 第74页 |
| 4.1 引言 | 第74-75页 |
| 4.2 颤振信号特征融合的原理及方法研究 | 第75-78页 |
| 4.2.1 颤振信号特征融合的层次结构 | 第75-77页 |
| 4.2.2 颤振信号特征融合的算法 | 第77-78页 |
| 4.3 颤振信号ICA分离的基本原理 | 第78-79页 |
| 4.3.1 ICA的数学模型 | 第78页 |
| 4.3.2 ICA的基本假设 | 第78-79页 |
| 4.3.3 ICA的数据预处理 | 第79页 |
| 4.4 基于FastICA的颤振征兆信号的特征矢量形成 | 第79-88页 |
| 4.4.1 FastICA算法 | 第79-81页 |
| 4.4.2 基于IMF虚拟通道ICA颤振征兆信号分离系统 | 第81-82页 |
| 4.4.3 镗削颤振信号的EMD-ICA分离处理 | 第82-88页 |
| 4.5 本章小结 | 第88-89页 |
| 5 基于HMM-SVM混合模型的镗削振振识别预报方法研究 | 第89-105页 |
| 本章摘要 | 第89页 |
| 5.1 引言 | 第89-90页 |
| 5.2 基于HMM的镗削颤振识别预报方法研究 | 第90-99页 |
| 5.2.1 HMM的定义及基本算法 | 第90-97页 |
| 5.2.2.1 HM的结构及组成要素 | 第90-91页 |
| 5.2.2.2 HMM训练和识别的基本算法 | 第91-97页 |
| 5.2.2 镗削状态HMM的结构及参数初始化 | 第97页 |
| 5.2.3 镗削状态的HMM模型训练 | 第97-98页 |
| 5.2.4 镗削状态的HMM模型识别决策 | 第98-99页 |
| 5.3 基于SVM的镗削颤振识别预报方法研究 | 第99-102页 |
| 5.3.1 统计学习理论 | 第99-100页 |
| 5.3.2 SVM结构风险最小化原则 | 第100-101页 |
| 5.3.3 镗削状态的SVM训练 | 第101-102页 |
| 5.4 基于HMM-SVM混合模型的镗削颤振识别与预报系统的构建 | 第102-104页 |
| 5.5 本章小结 | 第104-105页 |
| 6 磁流变自抑振智能镗杆切削颤振在线预报与控制实验研究 | 第105-125页 |
| 本章摘要 | 第105页 |
| 6.1 引言 | 第105页 |
| 6.2 磁流变自抑振智能镗杆切削颤振在线预报及抑制实验平台 | 第105-111页 |
| 6.2.1 智能镗杆实验平台硬件系统搭建 | 第105-107页 |
| 6.2.2 智能镗杆实验平台软件系统设计 | 第107-111页 |
| 6.3 磁流变自抑振智能镗杆切削颤振识别预报实验研究 | 第111-121页 |
| 6.3.1 智能镗杆切削加工实验 | 第111-113页 |
| 6.3.2 智能镗杆切削加工振动信号的特征提取实验 | 第113-117页 |
| 6.3.3 智能镗杆切削加工振动信号的HMM-SVM模型训练及颤振识别实验 | 第117-119页 |
| 6.3.4 智能镗杆切削颤振识别预报系统实时性实验 | 第119-121页 |
| 6.4 磁流变自抑振智能镗杆切削颤振预报控制实验研究 | 第121-124页 |
| 6.5 本章小结 | 第124-125页 |
| 7 总结和展望 | 第125-128页 |
| 7.1 本文总结 | 第125-126页 |
| 7.2 研究展望 | 第126-128页 |
| 参考文献 | 第128-141页 |
| 攻读博士学位期间获得的科研成果及参加的科研项目 | 第141-142页 |
| 1 已发表的学术论文 | 第141页 |
| 2 获得授权的国家专利 | 第141页 |
| 3 获得授权的国家软件版权登记 | 第141-142页 |
| 4 参加的科研项目 | 第142页 |
