基于混沌理论的刀具磨损识别研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题背景及研究的目的和意义 | 第9页 |
| 1.2 刀具磨损状态识别技术的发展概况 | 第9-11页 |
| 1.2.1 监测信号的选择 | 第10页 |
| 1.2.2 表征刀具磨损状态的特征提取 | 第10-11页 |
| 1.2.3 模式识别技术 | 第11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 第2章 刀具磨损与试验系统 | 第13-23页 |
| 2.1 刀具磨损 | 第13-15页 |
| 2.1.1 刀具磨损形式 | 第13-14页 |
| 2.1.2 刀具磨损机制 | 第14页 |
| 2.1.3 刀具磨钝标准 | 第14-15页 |
| 2.2 试验系统配置 | 第15-18页 |
| 2.2.1 声发射信号 | 第15-16页 |
| 2.2.2 系统主要硬件配置 | 第16-17页 |
| 2.2.3 数据采集软件 | 第17-18页 |
| 2.3 试验系统 | 第18-21页 |
| 2.3.1 正交试验法 | 第19-20页 |
| 2.3.2 试验步骤 | 第20-21页 |
| 2.3.3 实测信号 | 第21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 基于EMD-WAVELET的信号滤波处理 | 第23-32页 |
| 3.1 经验模态分解算法 | 第23-26页 |
| 3.1.1 固有模态分量的FFT分析 | 第24-25页 |
| 3.1.2 基于EMD的降噪分析 | 第25-26页 |
| 3.2 小波阈值降噪 | 第26-27页 |
| 3.3 经验模态分解与小波阈值结合的降噪方法 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于混沌的刀具磨损声发射信号的特征提取 | 第32-46页 |
| 4.1 混沌理论 | 第32-33页 |
| 4.2 相空间重构 | 第33-37页 |
| 4.2.1 延迟时间的确定 | 第33-36页 |
| 4.2.2 嵌入维数的确定 | 第36-37页 |
| 4.3 吸引子相图 | 第37-40页 |
| 4.3.1 Lorenz方程吸引子 | 第38-40页 |
| 4.3.2 实测信号的吸引子 | 第40页 |
| 4.4 混沌特征提取 | 第40-45页 |
| 4.4.1 关联维数 | 第40-42页 |
| 4.4.2 Lyapunov指数 | 第42-43页 |
| 4.4.3 Kolmogorov熵 | 第43-44页 |
| 4.4.4 构建混沌特征向量 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于SVM的刀具磨损状态识别 | 第46-58页 |
| 5.1 SVM概述 | 第46-50页 |
| 5.1.1 统计学习理论 | 第46页 |
| 5.1.2 支持向量机结构 | 第46-48页 |
| 5.1.3 二分类支持向量机 | 第48页 |
| 5.1.4 支持向量机回归 | 第48-50页 |
| 5.2 LIBSVM工具箱 | 第50页 |
| 5.2.1 LIBSVM工具箱简介 | 第50页 |
| 5.2.2 LIBSVM软件的使用 | 第50页 |
| 5.3 基于SVM的刀具磨损状态分类识别 | 第50-57页 |
| 5.3.1 特征归一化 | 第50-52页 |
| 5.3.2 参数优化及识别预测 | 第52-57页 |
| 5.4 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-65页 |
| 致谢 | 第65-67页 |
