| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题的来源及研究背景 | 第11-12页 |
| 1.1.1 课题来源 | 第11页 |
| 1.1.2 研究背景 | 第11-12页 |
| 1.2 数据挖掘技术的研究现状 | 第12-13页 |
| 1.3 切削参数优化研究现状 | 第13-16页 |
| 1.3.1 蚁群算法 | 第14页 |
| 1.3.2 粒子群算法 | 第14-15页 |
| 1.3.3 NSGA-Ⅱ算法 | 第15-16页 |
| 1.4 切削数据库研究现状 | 第16-17页 |
| 1.5 本文研究的主要内容 | 第17-18页 |
| 第2章 切削数据前处理的整体流程 | 第18-39页 |
| 2.1 切削数据来源 | 第18-24页 |
| 2.1.1 理论数据 | 第19-20页 |
| 2.1.2 仿真数据 | 第20-22页 |
| 2.1.3 文献数据 | 第22页 |
| 2.1.4 实验数据 | 第22-24页 |
| 2.2 数据探索 | 第24-28页 |
| 2.2.1 数据质量分析 | 第24-25页 |
| 2.2.2 数据特征分析 | 第25-28页 |
| 2.3 数据预处理 | 第28-38页 |
| 2.3.1 数据清洗 | 第30页 |
| 2.3.2 数据集成 | 第30-31页 |
| 2.3.3 数据规约 | 第31-32页 |
| 2.3.4 数据变换 | 第32-37页 |
| 2.3.5 模型构建 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第3章 淬硬钢模具切削数据的预测分析 | 第39-54页 |
| 3.1 数据预测方法分析 | 第39-43页 |
| 3.1.1 回归分析法 | 第39-40页 |
| 3.1.2 神经网络预测算法 | 第40-42页 |
| 3.1.3 支持向量机 | 第42-43页 |
| 3.2 切削数据预测模型的验证 | 第43-53页 |
| 3.2.1 基于有限元分析验证 | 第44-47页 |
| 3.2.2 基于回归分析预测模型验证 | 第47-48页 |
| 3.2.3 基于GA-BP神经网络预测模型验证 | 第48-52页 |
| 3.2.4 预测结果分析 | 第52-53页 |
| 3.3 本章小节 | 第53-54页 |
| 第4章 Cr12MoV模具钢铣削实验及参数优化 | 第54-65页 |
| 4.1 Cr12MoV模具钢铣削实验 | 第54-56页 |
| 4.1.1 Cr12MoV模具钢材料属性 | 第54页 |
| 4.1.2 Cr12MoV铣削实验准备 | 第54-56页 |
| 4.2 铣削实验结果及基于非支配排序算法的多目标参数优化 | 第56-64页 |
| 4.2.1 铣削实验结果 | 第56-57页 |
| 4.2.2 基于NSGA-Ⅱ多目标铣削参数优化 | 第57-62页 |
| 4.2.3 优化模型结果及分析 | 第62-64页 |
| 4.3 本章小节 | 第64-65页 |
| 第5章 汽车覆盖件淬硬钢模具切削数据库的建立 | 第65-80页 |
| 5.1 系统体系的结构模式 | 第65-66页 |
| 5.1.1 客户机/服务器机构 | 第65页 |
| 5.1.2 浏览器/服务器机构 | 第65-66页 |
| 5.2 开发平台运行环境 | 第66-67页 |
| 5.3 切削数据库系统总体架构设计 | 第67-70页 |
| 5.3.1 系统总体需求分析 | 第67-69页 |
| 5.3.2 系统功能模块的概念设计 | 第69-70页 |
| 5.3.3 系统功能模块的逻辑设计 | 第70页 |
| 5.3.4 系统功能模块的物理设计 | 第70页 |
| 5.4 切削数据库各功能模块介绍 | 第70-79页 |
| 5.4.1 切削数据库系统登录界面和首页 | 第71-72页 |
| 5.4.2 基本信息查询模块 | 第72-74页 |
| 5.4.3 数据库数据管理模块 | 第74-77页 |
| 5.4.4 智能参数推荐优化预测模块 | 第77-79页 |
| 5.5 本章小结 | 第79-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读学位期间发表的学术论文 | 第88-89页 |
| 致谢 | 第89页 |