基于BP神经网络多轴联动铣削表面粗糙度预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 物理符号含义 | 第12-13页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 课题研究的背景及意义 | 第13-14页 |
| 1.2 多轴联动数控加工技术的现状及发展趋势 | 第14-18页 |
| 1.2.1 多轴联动加工的特点 | 第15-17页 |
| 1.2.2 五轴加工技术的应用现状 | 第17-18页 |
| 1.2.3 五轴加工技术的发展与未来 | 第18页 |
| 1.3 国内外研究现状 | 第18-22页 |
| 1.3.1 表面粗糙度预测模型研究现状 | 第18-20页 |
| 1.3.2 人工神经网络研究现状 | 第20-22页 |
| 1.4 本文主要研究内容 | 第22-23页 |
| 第2章 五轴铣削表面粗糙度及其影响因素 | 第23-36页 |
| 2.1 多轴加工原理 | 第23-25页 |
| 2.2 铣削加工概述 | 第25-29页 |
| 2.2.1 铣削加工的内容和特点 | 第25-28页 |
| 2.2.2 多轴联动数控铣削加工中的运动 | 第28-29页 |
| 2.3 表面粗糙度的微观机理 | 第29-32页 |
| 2.3.1 表面粗糙度的定义 | 第29-30页 |
| 2.3.2 表面粗糙度形成原理 | 第30-32页 |
| 2.4 表面粗糙度对工件各性能的影响 | 第32-33页 |
| 2.5 表面粗糙度的影响因素 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 人工神经网络概述 | 第36-45页 |
| 3.1 人工神经网络概念及主要研究内容 | 第36-37页 |
| 3.1.1 人工神经网络概念 | 第36-37页 |
| 3.1.2 人工神经网络主要研究的内容 | 第37页 |
| 3.2 神经网络模型 | 第37-40页 |
| 3.2.1 生物神经元模型 | 第38-39页 |
| 3.2.2 人工神经元结构模型 | 第39-40页 |
| 3.3 人工神经网络的学习 | 第40-41页 |
| 3.4 人工神经网络拓扑结构 | 第41-43页 |
| 3.4.1 前向神经网络 | 第41-43页 |
| 3.4.2 反馈神经网络 | 第43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 BP人工神经网络表面粗糙度模型预测 | 第45-67页 |
| 4.1 BP神经网络概述 | 第45-48页 |
| 4.1.1 BP网络结构 | 第45-46页 |
| 4.1.2 BP神经网络的学习准则及理论 | 第46-48页 |
| 4.2 单因素试验法 | 第48-56页 |
| 4.2.1 单因素试验法概述 | 第48页 |
| 4.2.2 单因素实验设计 | 第48-51页 |
| 4.2.3 实验数据处理及分析 | 第51-56页 |
| 4.3 表面粗糙度网络模型的建立 | 第56-57页 |
| 4.3.1 BP神经网络层数的选定 | 第56页 |
| 4.3.2 BP神经网络各层节点数的选取 | 第56-57页 |
| 4.3.3 BP神经网络激活函数的选定 | 第57页 |
| 4.3.4 BP神经网络的缺陷及完善 | 第57页 |
| 4.4 模型训练 | 第57-66页 |
| 4.4.1 确定BP神经网络的训练样本数据 | 第57-59页 |
| 4.4.2 BP神经网络的训练样本数据预处理 | 第59-60页 |
| 4.4.3 训练所建立的BP神经网络 | 第60-63页 |
| 4.4.4 建立BP神经网络预测模型 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |
