| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的来源 | 第8页 |
| 1.2 课题的研究目的和意义 | 第8-9页 |
| 1.3 国内外研究现状分析 | 第9-15页 |
| 1.3.1 旋转超声加工技术研究现状 | 第9-11页 |
| 1.3.2 刀具磨损监测技术研究现状 | 第11-15页 |
| 1.4 本课题的主要研究内容 | 第15-16页 |
| 第2章 刀具磨损阶段划分及监测信号采集实验研究 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 刀具磨损形态分析及磨损阶段划分实验 | 第16-22页 |
| 2.2.1 实验目的 | 第16页 |
| 2.2.2 实验设备和材料 | 第16-18页 |
| 2.2.3 实验步骤 | 第18页 |
| 2.2.4 实验结果分析 | 第18-22页 |
| 2.3 刀具磨损状态监测信号采集实验 | 第22-27页 |
| 2.3.1 实验目的 | 第22页 |
| 2.3.2 监测系统传感器的确定 | 第22-23页 |
| 2.3.3 监测信号采集平台搭建 | 第23-24页 |
| 2.3.4 监测信号采集实验方案设计 | 第24-25页 |
| 2.3.5 实验结果分析 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 刀具磨损状态监测信号的特征提取与优选 | 第28-48页 |
| 3.1 引言 | 第28页 |
| 3.2 振动和切削力信号预处理 | 第28-30页 |
| 3.2.1 信号长周期趋势项的消除 | 第28-29页 |
| 3.2.2 信号的平滑处理 | 第29页 |
| 3.2.3 信号预处理结果分析 | 第29-30页 |
| 3.3 监测信号时域和频域特征的提取 | 第30-33页 |
| 3.3.1 时域特征提取 | 第30-32页 |
| 3.3.2 频域特征提取 | 第32-33页 |
| 3.4 基于小波包分解的特征提取 | 第33-41页 |
| 3.4.1 小波包分析基础 | 第33-36页 |
| 3.4.2 相对小波包能量特征提取 | 第36-37页 |
| 3.4.3 振动信号的相对小波包能量特征提取 | 第37-39页 |
| 3.4.4 力信号相对小波包能量特征提取 | 第39-41页 |
| 3.5 特征的优选 | 第41-47页 |
| 3.5.1 特征选择因子的定义 | 第41-43页 |
| 3.5.2 振动信号特征优选 | 第43-46页 |
| 3.5.3 力信号的特征优选 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于改进GA-BP神经网络的刀具磨损状态识别 | 第48-63页 |
| 4.1 引言 | 第48页 |
| 4.2 BP神经网络 | 第48-51页 |
| 4.3 改进的GA-BP神经网络 | 第51-57页 |
| 4.3.1 基于遗传算法的神经网络初始权值和阈值优化 | 第51-55页 |
| 4.3.2 基于模糊推理的神经网络结构学习算法 | 第55-57页 |
| 4.4 基于改进GA-BP神经网络的刀具磨损状态识别 | 第57-62页 |
| 4.4.1 训练参数的确定 | 第57页 |
| 4.4.2 样本的选择和归一化 | 第57页 |
| 4.4.3 改进的GA-BP神经网络的训练 | 第57-59页 |
| 4.4.4 刀具磨损状态的识别 | 第59-60页 |
| 4.4.5 与传统BP神经网络识别结果的对比 | 第60-61页 |
| 4.4.6 与不使用特征优选方法识别结果的对比 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 基于虚拟仪器的刀具磨损状态监测系统开发 | 第63-73页 |
| 5.1 引言 | 第63页 |
| 5.2 虚拟仪器技术简介 | 第63-64页 |
| 5.3 刀具状态监测系统总体框架 | 第64-65页 |
| 5.4 监测系统各模块功能介绍 | 第65-71页 |
| 5.4.1 多传感器信号采集模块 | 第65-67页 |
| 5.4.2 离线参数调整模块 | 第67-69页 |
| 5.4.3 刀具磨损状态在线监测模块 | 第69-71页 |
| 5.5 旋转超声加工过程刀具状态监测仿真实验 | 第71-72页 |
| 5.6 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 致谢 | 第81页 |
