| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及研究的目的和意义 | 第11页 |
| 1.2 刀具磨损状态监测技术发展概况 | 第11-17页 |
| 1.2.1 监测信号的选择 | 第12-14页 |
| 1.2.2 特征向量构建 | 第14-16页 |
| 1.2.3 模式识别技术 | 第16-17页 |
| 1.3 S变换的应用概况 | 第17页 |
| 1.4 本文的主要研究内容 | 第17-19页 |
| 第2章 刀具磨损与实验系统 | 第19-27页 |
| 2.1 刀具磨损 | 第19-21页 |
| 2.1.1 刀具磨损形态 | 第19-20页 |
| 2.1.2 刀具磨损过程与磨钝标准 | 第20-21页 |
| 2.2 监测信号的确定 | 第21-22页 |
| 2.3 刀具磨损实验系统及信号采集 | 第22-26页 |
| 2.3.1 正交试验法 | 第23-24页 |
| 2.3.2 实验及步骤 | 第24-25页 |
| 2.3.3 实测信号 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 刀具磨损声发射信号降噪处理 | 第27-35页 |
| 3.1 EMD算法 | 第27-28页 |
| 3.2 EEMD算法 | 第28-31页 |
| 3.2.1 EEMD的基本原理 | 第28-29页 |
| 3.2.2 EEMD的参数设置分析 | 第29-30页 |
| 3.2.3 EEMD与EMD的比较 | 第30-31页 |
| 3.3 基于EEMD的刀具磨损声发射信号降噪方法 | 第31-34页 |
| 3.3.1 互相关系数准则 | 第31页 |
| 3.3.2 峭度准则 | 第31-32页 |
| 3.3.3 综合指标 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于S变换与流形学习的刀具磨损声发射信号特征提取 | 第35-54页 |
| 4.1 基于S变换的刀具磨损AE信号时频分析 | 第35-39页 |
| 4.1.1 S变换定义及推导 | 第35-37页 |
| 4.1.2 刀具磨损AE信号的S变换时频分析 | 第37-39页 |
| 4.2 灰度共生矩阵 | 第39-42页 |
| 4.2.1 灰度共生矩阵的定义 | 第39-40页 |
| 4.2.2 灰度共生矩阵的特征参数 | 第40-42页 |
| 4.3 时频图纹理特征提取 | 第42-45页 |
| 4.4 敏感特征选择 | 第45-46页 |
| 4.5 流形学习算法 | 第46-50页 |
| 4.5.1 等距特征映射 | 第46-47页 |
| 4.5.2 局部线性嵌入 | 第47-48页 |
| 4.5.3 局部切空间排列 | 第48-49页 |
| 4.5.4 流形学习算法的仿真对比实验 | 第49-50页 |
| 4.6 基于流形学习算法的刀具磨损声发射信号特征优化融合 | 第50-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第5章 基于隐马尔科夫模型的刀具磨损状态识别 | 第54-65页 |
| 5.1 Markov链 | 第54页 |
| 5.2 HMM算法的基本理论 | 第54-56页 |
| 5.2.1 HMM的定义 | 第54-55页 |
| 5.2.2 HMM的分类 | 第55-56页 |
| 5.3 HMM的三个基本问题和解决的算法 | 第56-59页 |
| 5.3.1 前向—后向算法 | 第56-57页 |
| 5.3.2 Viterbi算法 | 第57-58页 |
| 5.3.3 Baum-Welch算法 | 第58-59页 |
| 5.4 基于DHMM的刀具磨损状态分类识别 | 第59-64页 |
| 5.4.1 DHMM方法的实现步骤 | 第60-61页 |
| 5.4.2 特征序列标量量化处理 | 第61页 |
| 5.4.3 DHMM训练 | 第61-62页 |
| 5.4.4 DHMM模式分类 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第73-74页 |
| 致谢 | 第74页 |