| 摘要 | 第1-12页 |
| Abstract | 第12-14页 |
| 第1章 绪论 | 第14-20页 |
| ·概述 | 第14-15页 |
| ·课题来源 | 第14页 |
| ·课题研究的目的及意义 | 第14-15页 |
| ·刀具状态监测技术的发展与研究现状 | 第15-18页 |
| ·刀具状态监测技术的发展概况 | 第15页 |
| ·刀具状态监测技术的国内外研究现状 | 第15-16页 |
| ·刀具状态监测的方法研究 | 第16-18页 |
| ·本文研究的主要内容 | 第18-20页 |
| 第2章 刀具磨损的形态及机理分析 | 第20-28页 |
| ·引言 | 第20页 |
| ·刀具磨损的基本特征及形态分析 | 第20-22页 |
| ·刀具磨损的原因 | 第20-21页 |
| ·刀具磨损的主要类型 | 第21-22页 |
| ·刀具的磨损过程及磨钝标准研究 | 第22-25页 |
| ·刀具磨损的过程 | 第22-24页 |
| ·刀具磨损的磨钝标准 | 第24-25页 |
| ·铣削刀具磨损状态监测原理及方法 | 第25-26页 |
| ·铣削加工的原理及特点 | 第25页 |
| ·铣刀磨损状态监测的方法 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 第3章 基于 LabVIEW 的铣刀磨损状态信息采集处理系统设计 | 第28-44页 |
| ·引言 | 第28-29页 |
| ·铣削刀具磨损状态监测试验方案设计 | 第29-36页 |
| ·铣削试验平台的搭建 | 第29-30页 |
| ·铣削试验条件 | 第30-31页 |
| ·信号采集设备的选择 | 第31-34页 |
| ·测点选择与传感器的布置 | 第34-36页 |
| ·数据采集平台及采集卡的选择 | 第36-38页 |
| ·数据采集平台的选择 | 第36-37页 |
| ·数据采集卡的选择 | 第37-38页 |
| ·基于 LabVIEW 的铣刀磨损信号的采集处理系统设计 | 第38-43页 |
| ·采集模块的设计 | 第39-41页 |
| ·分析模块的设计 | 第41页 |
| ·数据库管理模块的设计 | 第41-42页 |
| ·模式识别模块的设计 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于 DEFORM-3D 的铣削刀具磨损仿真研究 | 第44-54页 |
| ·引言 | 第44页 |
| ·DEFORM-3D 软件简介 | 第44-46页 |
| ·DEFORM-3D 软件 | 第44-45页 |
| ·DEFORM-3D 仿真流程 | 第45-46页 |
| ·铣削刀具磨损的有限元模型建立 | 第46-49页 |
| ·仿真模型的建立 | 第46-47页 |
| ·刀具及工件网格划分 | 第47页 |
| ·边界条件设定 | 第47-48页 |
| ·仿真参数设定 | 第48-49页 |
| ·正交模拟仿真试验设计 | 第49页 |
| ·刀具磨损的仿真及模拟结果分析 | 第49-53页 |
| ·模拟结果 | 第49-51页 |
| ·极差分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 铣削刀具磨损状态的信号分析与特征值处理 | 第54-74页 |
| ·引言 | 第54页 |
| ·试验数据及原始波形显示 | 第54-55页 |
| ·信号预处理 | 第55-56页 |
| ·刀具磨损状态的特征量提取 | 第56-69页 |
| ·时域特征提取 | 第56-58页 |
| ·频域特征提取 | 第58-62页 |
| ·时频域特征提取 | 第62-66页 |
| ·灰度共生矩阵提取纹理特征参数 | 第66-69页 |
| ·刀具磨损状态的特征筛选 | 第69-72页 |
| ·核函数主元分析法简介 | 第69-70页 |
| ·KPCA 在铣刀磨损状态特征筛选中的应用 | 第70-72页 |
| ·本章小结 | 第72-74页 |
| 第6章 铣刀磨损状态信号监测的智能识别方法研究 | 第74-86页 |
| ·引言 | 第74页 |
| ·基于遗传 BP 神经网络的铣刀磨损状态监测研究 | 第74-79页 |
| ·BP 神经网络结构模型及算法实现 | 第74-75页 |
| ·遗传算法优化 BP 神经网络 | 第75-76页 |
| ·遗传 BP 神经网络模型的结构设计及构造 | 第76-77页 |
| ·遗传 BP 神经网络的训练结果及网络性能分析 | 第77-79页 |
| ·基于 RBF 神经网络的铣刀磨损状态信号监测识别研究 | 第79-81页 |
| ·RBF 神经网络模型及算法实现 | 第79页 |
| ·径向基神经网络模型构建 | 第79-80页 |
| ·径向基神经网络的测试结果及性能分析 | 第80-81页 |
| ·基于支持向量机的铣刀磨损状态信号监测识别研究 | 第81-84页 |
| ·支持向量机简介 | 第81-82页 |
| ·多分类支持向量机网络结构设计 | 第82-83页 |
| ·支持向量机网络模型构建及 MTLAB 编程实现 | 第83页 |
| ·支持向量机的测试结果及性能分析 | 第83-84页 |
| ·三种网络模型对比分析 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 第7章 基于改进 DST 新方法的铣刀磨损状态的多模型识别系统研究 | 第86-96页 |
| ·引言 | 第86页 |
| ·D-S 证据理论简介 | 第86-89页 |
| ·证据理论基本概念 | 第86-87页 |
| ·改进 D-S 证据理论新方法 | 第87-89页 |
| ·铣刀磨损状态监测的多模型决策级融合研究 | 第89-94页 |
| ·改进 DST 新方法的铣刀磨损状态决策识别系统构建 | 第89-90页 |
| ·改进 DST 新方法在铣刀磨损状态多模型决策融合中的应用 | 第90-94页 |
| ·本章小结 | 第94-96页 |
| 第8章 结论与展望 | 第96-98页 |
| ·论文工作总结 | 第96-97页 |
| ·研究展望 | 第97-98页 |
| 参考文献 | 第98-102页 |
| 攻读硕士学位期间发表的学术论文 | 第102-104页 |
| 致谢 | 第104页 |
