基于粒子群优化神经网络的刀具磨损状态监测技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-24页 |
| ·课题的提出及研究意义 | 第11-12页 |
| ·刀具的磨损形式 | 第12-15页 |
| ·刀具磨损形态 | 第12-13页 |
| ·刀具磨损机理 | 第13-14页 |
| ·刀具磨损过程及磨钝标准 | 第14-15页 |
| ·刀具磨损状态监测技术研究现状 | 第15-19页 |
| ·刀具磨损状态监测技术国内外研究现状 | 第15-16页 |
| ·刀具磨损状态监测技术研究的主要方法 | 第16-17页 |
| ·刀具磨损状态监测系统构成 | 第17-19页 |
| ·粒子群优化算法概述及其发展 | 第19-22页 |
| ·粒子群优化算法概述 | 第19-20页 |
| ·粒子群优化算法的发展历程 | 第20-21页 |
| ·粒子群优化算法的研究方向 | 第21页 |
| ·粒子群优化算法与人工神经网络 | 第21-22页 |
| ·论文的主要研究工作 | 第22-24页 |
| 第2章 刀具磨损状态监测实验平台的建立 | 第24-33页 |
| ·刀具磨损状态监测系统的总体构成 | 第24页 |
| ·实验方法 | 第24-25页 |
| ·监测对象及加工参数的确定 | 第25-26页 |
| ·系统硬件组成 | 第26-32页 |
| ·实验机床 | 第26-27页 |
| ·传感器的选择及其安装位置 | 第27-31页 |
| ·数据采集系统的选择 | 第31-32页 |
| ·软件平台 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第3章 信号分析处理与特征提取 | 第33-55页 |
| ·时域分析法及特征提取 | 第33-34页 |
| ·频域分析法及特征提取 | 第34-36页 |
| ·频谱分析 | 第34-35页 |
| ·功率谱分析 | 第35-36页 |
| ·倒频谱分析 | 第36页 |
| ·时频域分析法及特征提取 | 第36-38页 |
| ·小波分析 | 第36-38页 |
| ·小波包能量特征 | 第38页 |
| ·振动信号分析 | 第38-44页 |
| ·时域特征 | 第38-42页 |
| ·频域特征 | 第42-44页 |
| ·切削力信号分析 | 第44-54页 |
| ·小波分析 | 第44-50页 |
| ·小波包能量 | 第50-54页 |
| ·特征值归一化 | 第54页 |
| ·本章小结 | 第54-55页 |
| 第4章 粒子群优化算法 | 第55-65页 |
| ·粒子群优化算法的起源 | 第55-56页 |
| ·基本粒子群优化算法 | 第56-60页 |
| ·算法的原理 | 第56页 |
| ·算法的数学描述 | 第56-57页 |
| ·算法的参数分析 | 第57-58页 |
| ·算法的流程 | 第58-59页 |
| ·算法的优点及其改进 | 第59-60页 |
| ·粒子群优化算法的发展 | 第60-63页 |
| ·标准粒子群优化算法 | 第60-61页 |
| ·带收缩因子的粒子群优化算法 | 第61-62页 |
| ·自适应权重粒子群优化算法 | 第62页 |
| ·动态学习因子粒子群优化算法 | 第62-63页 |
| ·与其他智能算法的比较 | 第63-64页 |
| ·与蚁群优化算法比较 | 第63页 |
| ·与遗传算法比较 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 粒子群优化神经网络的刀具状态监测 | 第65-78页 |
| ·人工神经网络 | 第65-70页 |
| ·人工神经网络的基本概念 | 第65-67页 |
| ·神经元数学模型 | 第67-68页 |
| ·人工神经网络的训练和学习 | 第68-69页 |
| ·人工神经网络的泛化能力 | 第69页 |
| ·BP神经网络 | 第69-70页 |
| ·粒子群优化算法优化神经网络 | 第70-73页 |
| ·粒子群优化算法优化神经网络的设计 | 第71-72页 |
| ·算法的性能评价及分析 | 第72-73页 |
| ·粒子群优化神经网络的刀具状态监测 | 第73-77页 |
| ·神经网络的建立 | 第73-75页 |
| ·粒子群优化神经网络的参数选择 | 第75-76页 |
| ·刀具磨损状态识别模型 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 结论 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第83页 |
