| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 刀具状态监测系统的关键技术及国内外研究现状 | 第12-20页 |
| 1.2.1 监测方法 | 第12-13页 |
| 1.2.2 刀具状态监测系统组成 | 第13页 |
| 1.2.3 监测信号 | 第13-16页 |
| 1.2.4 信号处理与特征提取 | 第16-18页 |
| 1.2.5 模式识别 | 第18-20页 |
| 1.3 本文主要研究内容 | 第20页 |
| 1.4 本章总结 | 第20-21页 |
| 第二章 刀具磨损及试验设计 | 第21-37页 |
| 2.1 刀具磨损 | 第21-25页 |
| 2.1.1 刀具磨损形态 | 第21-22页 |
| 2.1.2 刀具磨损机理 | 第22-23页 |
| 2.1.3 刀具磨损过程与磨钝标准 | 第23-25页 |
| 2.2 监测信号的选择 | 第25-26页 |
| 2.3 试验设计 | 第26-35页 |
| 2.3.1 试验目的 | 第26-27页 |
| 2.3.2 试验装置 | 第27-32页 |
| 2.3.3 试验方案 | 第32-34页 |
| 2.3.4 试验内容及步骤 | 第34-35页 |
| 2.4 本章总结 | 第35-37页 |
| 第三章 信号分析 | 第37-59页 |
| 3.1 时域分析 | 第37-43页 |
| 3.1.1 时域分析方法 | 第37-38页 |
| 3.1.2 振动信号的时域分析 | 第38-41页 |
| 3.1.3 声发射信号的时域分析 | 第41-43页 |
| 3.2 频域分析 | 第43-46页 |
| 3.2.1 频域分析方法 | 第43-44页 |
| 3.2.2 振动信号的频域分析 | 第44-45页 |
| 3.2.3 声发射信号的频域分析 | 第45-46页 |
| 3.3 时频域分析 | 第46-57页 |
| 3.3.1 小波分析 | 第46-51页 |
| 3.3.2 振动信号的小波包分析 | 第51-54页 |
| 3.3.3 声发射信号的多分辨率分析 | 第54-57页 |
| 3.4 本章总结 | 第57-59页 |
| 第四章 特征选择与刀具状态识别 | 第59-71页 |
| 4.1 特征选择 | 第59-63页 |
| 4.1.1 Relief-F特征选择方法 | 第59-60页 |
| 4.1.2 基于Relief-F算法的特征选择 | 第60-63页 |
| 4.2 人工神经网络的基本概念 | 第63-65页 |
| 4.2.1 人工神经元 | 第63页 |
| 4.2.2 传递函数 | 第63-64页 |
| 4.2.3 人工神经网络的分类和特点 | 第64-65页 |
| 4.3 BP人工神经网络 | 第65-69页 |
| 4.3.1 BP人工神经网络算法简介 | 第65-66页 |
| 4.3.2 基于BP神经网络的刀具状态识别 | 第66-69页 |
| 4.4 本章总结 | 第69-71页 |
| 第五章 基于LabVIEW的刀具状态监测系统 | 第71-81页 |
| 5.1 LabVIEW软件开发平台简介 | 第71页 |
| 5.2 刀具状态监测系统结构 | 第71-73页 |
| 5.3 系统硬件设计 | 第73-74页 |
| 5.4 系统软件设计 | 第74-80页 |
| 5.4.1 信号采集模块 | 第74-75页 |
| 5.4.2 信号处理模块 | 第75-78页 |
| 5.4.3 状态识别模块 | 第78-80页 |
| 5.5 本章总结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 致谢 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 附录 A（攻读硕士学位期间发表的论文目录） | 第91页 |