| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 课题来源 | 第12页 |
| 1.2 课题背景及意义 | 第12-14页 |
| 1.3 国内外研究发展现状与趋势 | 第14-24页 |
| 1.4 拟解决的主要问题 | 第24-25页 |
| 1.5 主要研究内容及目标 | 第25-26页 |
| 1.5.1 研究内容 | 第25-26页 |
| 1.5.2 研究目标 | 第26页 |
| 1.6 主要特色及创新 | 第26页 |
| 1.7 论文结构 | 第26-28页 |
| 第2章 智能主轴系统自主感知问题描述与建模 | 第28-38页 |
| 2.1 概述 | 第28页 |
| 2.2 加工制造系统及其复杂性分析 | 第28-31页 |
| 2.2.1 关于制造系统与加工过程 | 第28页 |
| 2.2.2 制造任务与加工过程的复杂性 | 第28-30页 |
| 2.2.3 制造环境的复杂性 | 第30-31页 |
| 2.3 传统加工机床在面临复杂制造问题与环境时的不足与局限 | 第31页 |
| 2.4 面向智能加工机床的智能主轴系统自主感知基本解决方案 | 第31-37页 |
| 2.4.1 智能加工机床的定义与主要特性 | 第31-33页 |
| 2.4.2 智能加工机床对于适应复杂环境及解决复杂问题的主要优势 | 第33页 |
| 2.4.3 智能加工机床的一般模型 | 第33-34页 |
| 2.4.4 自主感知对智能加工机床面对复杂环境的作用 | 第34页 |
| 2.4.5 复杂智能加工机床对主轴系统的要求 | 第34-35页 |
| 2.4.6 智能主轴系统及一般性模型 | 第35-36页 |
| 2.4.7 智能主轴系统的自主感知问题及其建模与描述 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于多传感器信息多模式融合方法研究 | 第38-63页 |
| 3.1 概述 | 第38页 |
| 3.2 多传感器信息多模式融合问题的分析与描述 | 第38-40页 |
| 3.2.1 多物理场及多物理域信息融合分析与描述 | 第38-39页 |
| 3.2.2 常用多传感器信息融合处理方法及其比较分析 | 第39-40页 |
| 3.3 智能主轴多传感器信息多模式融合问题分析与描述 | 第40-43页 |
| 3.3.1 智能主轴自主感知对多传感器信息融合的要求 | 第40-41页 |
| 3.3.2 智能主轴多物理场及其形式化描述 | 第41-42页 |
| 3.3.3 智能主轴多传感器信息及其耦合分析 | 第42-43页 |
| 3.4 多传感器信息的获取与处理方法 | 第43-46页 |
| 3.4.1 多传感器信息获取 | 第43-44页 |
| 3.4.2 多传感器信息传输与存取 | 第44-45页 |
| 3.4.3 多传感器信息处理与分析 | 第45-46页 |
| 3.5 多传感器信息多模式融合模型 | 第46-49页 |
| 3.5.1 多传感器信息多模式融合机理 | 第46页 |
| 3.5.2 多传感器信息多模式融合结构模型 | 第46-48页 |
| 3.5.3 多传感器信息多模式融合过程模型 | 第48页 |
| 3.5.4 多传感器信息多模式融合数学模型 | 第48-49页 |
| 3.6 基于改进HMM和D-S证据理论的多传感器信息多模式融合方法研究 | 第49-62页 |
| 3.6.1 改进隐马尔科夫模型(HiddenMarkovModel,HMM)及在数据融合中的应用 | 第49-53页 |
| 3.6.2 面向多传感器信息多模式融合的改进HMM和D-S证据理论方法 | 第53-56页 |
| 3.6.3 仿真与结果分析 | 第56-62页 |
| 3.7 本章小结 | 第62-63页 |
| 第4章 基于深度学习算法的深度态势感知方法研究 | 第63-81页 |
| 4.1 概述 | 第63页 |
| 4.2 基本原理和思路 | 第63页 |
| 4.3 态势感知模型及机理分析 | 第63-66页 |
| 4.3.1 态势感知一般模型及过程 | 第63-64页 |
| 4.3.2 态势感知机理及特性 | 第64页 |
| 4.3.3 态势感知对于智能机器自主感知的作用及局限性 | 第64-65页 |
| 4.3.4 深度态势感知的提出及其特性分析 | 第65-66页 |
| 4.4 基于LSTM的深度学习算法 | 第66-76页 |
| 4.4.1 深度学习算法及其对深度态势感知的作用机制 | 第66-68页 |
| 4.4.2 常规学习算法的不足与局限性 | 第68-69页 |
| 4.4.3 可变学习率深度学习算法原理与思路 | 第69-73页 |
| 4.4.4 算法设计及过程 | 第73-76页 |
| 4.5 具有自适应深度学习能力的深度态势感知方法 | 第76-79页 |
| 4.5.1 原理与基本思路 | 第76-77页 |
| 4.5.2 仿真结果及分析 | 第77-79页 |
| 4.5.3 算法对于智能主轴系统自主感知的作用机制及应用范式 | 第79页 |
| 4.6 本章小结 | 第79-81页 |
| 第5章 基于深度态势感知的智能主轴系统自主感知方法研究 | 第81-97页 |
| 5.1 概述 | 第81页 |
| 5.2 基本原理和思路 | 第81-82页 |
| 5.3 基于开放式体系架构的智能主轴系统及特性分析与建模 | 第82-85页 |
| 5.3.1 具有开放式体系架构的智能主轴系统结构 | 第82-84页 |
| 5.3.2 智能与自主特性分析 | 第84-85页 |
| 5.4 智能主轴系统自主感知模型及机理 | 第85-86页 |
| 5.4.1 基于多传感器信息多模式融合和深度态势感知的智能主轴自主感知模型 | 第85-86页 |
| 5.4.2 感知机理及过程 | 第86页 |
| 5.5 智能主轴转子-轴承耦合模型分析 | 第86-87页 |
| 5.5.1 主轴转子-轴承系统结构及关系 | 第86-87页 |
| 5.5.2 主轴转子-轴承耦合关系 | 第87页 |
| 5.6 面向智能主轴的振动-音频-温度多物理域信息场构建及其表述 | 第87-89页 |
| 5.7 基于深度态势感知的智能主轴自主感知算法 | 第89-93页 |
| 5.7.1 算法原理及设计过程 | 第89页 |
| 5.7.2 多传感器信息处理及特征提取 | 第89-91页 |
| 5.7.3 基于改进HMM和D-S证据理论的多传感器信息多模式融合与分析 | 第91页 |
| 5.7.4 采用具有深度学习和深度态势感知能力的智能主轴运行状态识别与故障诊断 | 第91-93页 |
| 5.8 算法仿真与结果分析 | 第93-96页 |
| 5.9 本章小结 | 第96-97页 |
| 第6章 智能主轴自主感知模拟试验研究 | 第97-111页 |
| 6.1 概述 | 第97页 |
| 6.2 智能主轴自主感知模拟实验装置搭建 | 第97-100页 |
| 6.2.1 实验装置的体系结构 | 第97-98页 |
| 6.2.2 硬件结构 | 第98-100页 |
| 6.3 试验系统运行 | 第100-110页 |
| 6.3.1 试验架构 | 第100-101页 |
| 6.3.2 试验结果分析 | 第101-110页 |
| 6.5 本章小结 | 第110-111页 |
| 第7章 总结与展望 | 第111-113页 |
| 7.1 总结 | 第111-112页 |
| 7.2 展望 | 第112-113页 |
| 参考文献 | 第113-119页 |
| 致谢 | 第119-120页 |
| 攻读硕士学位期间的研究成果 | 第120页 |
