| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第14-33页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 具状态监测系统概述 | 第16-17页 |
| 1.2.1 具状态监测系统的分类 | 第16页 |
| 1.2.2 具状态监测系统的组成 | 第16-17页 |
| 1.3 具状态监测的关键技术及国内外研究现状 | 第17-30页 |
| 1.3.1 传感技术 | 第18-21页 |
| 1.3.2 信号处理技术 | 第21-24页 |
| 1.3.3 特征优化技术 | 第24-25页 |
| 1.3.4 模式识别技术 | 第25-30页 |
| 1.4 关键难题与发展趋势 | 第30-31页 |
| 1.5 本文主要研究内容与章节安排 | 第31-33页 |
| 第2章 刀具磨损机理与试验设计 | 第33-46页 |
| 2.1 刀具磨损概述 | 第33-34页 |
| 2.1.1 刀具磨损基本形式 | 第33页 |
| 2.1.2 刀具磨损过程 | 第33-34页 |
| 2.2 刀具磨损状态监测信号的确定 | 第34-36页 |
| 2.2.1 多传感信息融合概述 | 第35页 |
| 2.2.2 本文监测信号选择 | 第35-36页 |
| 2.3 切削力与振动监测方法 | 第36-40页 |
| 2.3.1 切削力监测法 | 第36-38页 |
| 2.3.2 振动监测法 | 第38-40页 |
| 2.4 切削试验设计 | 第40-45页 |
| 2.4.1 车刀磨损状态监测试验 | 第40-43页 |
| 2.4.2 铣刀磨损状态监测试验 | 第43-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 刀具磨损状态监测的信号处理与特征提取 | 第46-69页 |
| 3.1 刀具磨损状态监测信号的小波降噪 | 第46-53页 |
| 3.1.1 小波分析基本理论 | 第46-48页 |
| 3.1.2 小波降噪基本原理 | 第48-49页 |
| 3.1.3 车削监测信号的小波降噪 | 第49-51页 |
| 3.1.4 铣刀监测信号的小波降噪 | 第51-53页 |
| 3.2 刀具磨损状态监测信号的特征提取 | 第53-67页 |
| 3.2.1 时域特征参数概述 | 第53-55页 |
| 3.2.2 车刀监测信号时域特征分析 | 第55-56页 |
| 3.2.3 铣刀监测信号时域特征分析 | 第56-57页 |
| 3.2.4 频域特征分析概述 | 第57-59页 |
| 3.2.5 车刀监测信号频域特征分析 | 第59-60页 |
| 3.2.6 铣刀监测信号频域特征分析 | 第60页 |
| 3.2.7 小波包频带能量特征与小波熵 | 第60-64页 |
| 3.2.8 车刀监测信号的小波包频带能量与小波熵特征分析 | 第64-66页 |
| 3.2.9 铣刀监测信号的小波包频带能量与小波熵特征分析 | 第66-67页 |
| 3.3 本章小结 | 第67-69页 |
| 第4章 刀具磨损状态监测的特征选择技术 | 第69-83页 |
| 4.1 特征选择概述 | 第69-71页 |
| 4.1.1 特征选择的一般过程 | 第69-70页 |
| 4.1.2 特征选择方法分类 | 第70-71页 |
| 4.2 多分类支持向量机递归特征消去理论 | 第71-77页 |
| 4.2.1 支持向量机概述 | 第71-72页 |
| 4.2.2 二分类支持向量机 | 第72-74页 |
| 4.2.3 多分类支持向量机 | 第74-75页 |
| 4.2.4 递归特征消去 | 第75-76页 |
| 4.2.5 多分类支持向量机递归特征消去 | 第76-77页 |
| 4.3 车刀磨损状态监测特征的选择 | 第77-80页 |
| 4.4 铣刀磨损状态监测特征的选择 | 第80-82页 |
| 4.5 本章小结 | 第82-83页 |
| 第5章 不完备先验知识下的刀具磨损状态评估 | 第83-99页 |
| 5.1 HMM基本理论 | 第84-86页 |
| 5.1.1 HMM基本概念 | 第84页 |
| 5.1.2 HMM定义 | 第84-85页 |
| 5.1.3 HMM分类 | 第85-86页 |
| 5.1.4 HMM基本算法 | 第86页 |
| 5.2 FHMM基本理论 | 第86-90页 |
| 5.2.1 FHMM基本概念 | 第86-88页 |
| 5.2.2 FHMM基本算法 | 第88-90页 |
| 5.3 基于FHMM的刀具磨损状态评估系统 | 第90-98页 |
| 5.3.1 不完备先验知识下的刀具磨损状态评估 | 第90-95页 |
| 5.3.2 FHMM状态监测系统的完善 | 第95-98页 |
| 5.4 本章小结 | 第98-99页 |
| 第6章 基于粒子群优化LS-SVM的刀具磨损量识别 | 第99-113页 |
| 6.1 最小二乘支持向量机基本理论 | 第99-101页 |
| 6.2 粒子群优化算法基本理论 | 第101-104页 |
| 6.2.1 粒子群优化算法原理 | 第101-102页 |
| 6.2.2 基本粒子群优化算法的数学描述 | 第102-103页 |
| 6.2.3 自适应粒子群优化算法 | 第103页 |
| 6.2.4 粒子群优化算法的流程 | 第103-104页 |
| 6.2.5 粒子群优化算法的参数分析 | 第104页 |
| 6.3 粒子群优化最小二乘支持向量机算法 | 第104-106页 |
| 6.4 车刀粒子群优化LS-SVM磨损量识别模型 | 第106-109页 |
| 6.4.1 训练数据准备 | 第106页 |
| 6.4.2 模型初始化 | 第106-107页 |
| 6.4.3 迭代寻优 | 第107-108页 |
| 6.4.4 模型验证 | 第108-109页 |
| 6.5 铣刀粒子群优化LS-SVM磨损量识别模型 | 第109-111页 |
| 6.6 本章小结 | 第111-113页 |
| 第7章 刀具时序状态监测结果的优化与预测 | 第113-132页 |
| 7.1 卡尔曼滤波基本理论 | 第113-117页 |
| 7.1.1 卡尔曼滤波概述 | 第113-114页 |
| 7.1.2 离散卡尔曼滤波的数学表述 | 第114-116页 |
| 7.1.3 最优滤波、预测与平滑的概念 | 第116页 |
| 7.1.4 卡尔曼滤波过程初始参数选择 | 第116-117页 |
| 7.2 刀具性能指标的卡尔曼滤波优化 | 第117-120页 |
| 7.2.1 车刀性能指标的卡尔曼滤波优化 | 第117-119页 |
| 7.2.2 铣刀性能指标的卡尔曼滤波优化 | 第119-120页 |
| 7.3 刀具磨损量识别结果的卡尔曼滤波优化 | 第120-122页 |
| 7.3.1 车刀磨损量识别结果的卡尔曼滤波优化 | 第120-121页 |
| 7.3.2 铣刀磨损量识别结果的卡尔曼滤波优化 | 第121-122页 |
| 7.4 刀具磨损状态预测概述 | 第122-123页 |
| 7.5 自回归移动平均模型基本理论 | 第123-126页 |
| 7.5.1 自回归模型 | 第123-124页 |
| 7.5.2 移动平均模型 | 第124页 |
| 7.5.3 自回归移动平均模型 | 第124-126页 |
| 7.6 车刀磨损状态预测 | 第126-129页 |
| 7.6.1 车刀性能指标的预测 | 第126-128页 |
| 7.6.2 车刀磨损量预测 | 第128-129页 |
| 7.7 铣刀磨损状态预测 | 第129-131页 |
| 7.7.1 铣刀性能指标的预测 | 第129-130页 |
| 7.7.2 铣刀磨损量预测 | 第130-131页 |
| 7.8 本章小结 | 第131-132页 |
| 结论与展望 | 第132-135页 |
| 1 总结 | 第132-133页 |
| 2 主要创新点 | 第133-134页 |
| 3 研究展望 | 第134-135页 |
| 致谢 | 第135-136页 |
| 参考文献 | 第136-150页 |
| 攻读博士学位期间发表的论文及科研成果 | 第150-151页 |
