声明
摘要
符号说明
第1章 绪论
1.1 课题研究意义
1.2 制造过程状态监测的传感器优化布置技术研究现状
1.2.1 单一优化目标的传感器布置优化
1.2.2 多目标多监测需求环境下的传感器布置策略
1.3 制造过程状态监测技术研究现状
1.3.1 基于人工智能的状态监测方法
1.3.2 基于统计学习的状态监测方法
1.3.3 基于多传感器数据融合的状态监测方法
1.4 文献总结
1.5 主要内容安排
第2章 基于智能算法的传感器优化布置研究
2.1 引言
2.2 智能算法
2.2.1 智能算法描述
2.2.2 遗传算法
2.2.3 混合蛙跳算法
2.3 切削过程状态监测的同类传感器布置
2.3.1 基于AEA的传感器优化布置方法
2.3.2 应用实例研究
2.4 切削过程状态监测的异类传感器布置
2.4.1 基于属性层次模型(AHM)的传感器布置方法
2.4.2 应用实例研究
2.5 本章小结
第3章 基于量化因果图的传感器优化布置研究
3.1 引言
3.2 问题描述
3.3 基于量化因果图的传感器布置方法
3.3.1 QCEG的概念
3.3.2 传感器集和故障集的因果表示
3.4 单工位多工步制造过程状态监测的传感器布置方法
3.4.1 故障信息流(SFI)模型
3.4.2 基于SFI模型的传感器初始布置方法
3.4.3 多目标和多约束条件下的传感器布置优化
3.5 应用实例研究
3.5.1 机械手装配工位状态监测的传感器优化布置
3.5.2 切削过程状态监测的传感器优化布置
3.6 本章小结
第4章 基于贝叶斯动态模型的表面质量监测研究
4.1 引言
4.2 隐马尔科夫模型和动态贝叶斯网
4.2.1 HMM的概念及算法描述
4.2.2 DBN的概念及算法描述
4.3 基于HMM的工件表面综合质量监测方法
4.3.1 工件表面质量监测特征提取的理论分析
4.3.2 基于MoG-HMM的监测策略
4.3.3 应用实例研究
4.4 基于DBN的工件表面质量监测方法
4.4.1 传感器测点选择及监测特征提取方法
4.4.2 基于DGMHMM-DS的决策融合识别策略
4.4.3 应用实例研究
4.5 本章小结
第5章 基于贝叶斯推理的HMM-SVM硬车削工件表面粗糙度监测研究
5.1 引言
5.2 问题描述
5.3 工件表面粗糙度(Ra)的理论模型
5.4 基于ICA和SSA的融合特征提取方法
5.5 基于贝叶斯推理的HMM-SVM模型
5.6 附加训练集选择的五步迭代算法
5.7 应用实例研究
5.7.1 实验装置及其数据获取
5.7.2 基于HMM的工件表面粗糙度精度等级监测分析
5.7.3 基于MLR和LS-SVM的工件表面粗糙度监测方法
5.7.4 监测结果比较分析
5.8 本章小结
第6章 传感器布置对于状态监测精度的影响研究
6.1 引言
6.2 问题描述
6.3 监测特征分析与获取
6.3.1 车削时切削振动对工件表面形貌的影响
6.3.2 铣削加工时刀具磨损对切削力的影响
6.3.3 基于奇异谱和小波分析的特征提取方法
6.4 基于DBN的多方向传感器数据融合模型
6.4.1 基于HMM的多方向传感器数据融合方法的不足
6.4.2 基于CHMM的多方向传感器数据融合方法
6.5 二次特征选择及状态监测框架
6.6 应用实例研究
6.6.1 传感器布置对于铣削刀具磨损状态监测精度的影响
6.6.2 传感器布置对于车削工件表面质量监测精度的影响
6.7 本章小结
第7章 总结与展望
7.1 全文工作总结
7.2 研究展望
参考文献
攻读博士学位期间发表的学术论文
攻读博士学位期间参与的科研项目
致谢