声明
摘要
第1章 绪论
1.1 选题背景
1.2 刀具磨损状态监测技术发展历史及监测方法
1.2.1 刀具状态监测技术的发展历史
1.2.2 刀具状态监测方法
1.3 刀具磨损状态监测关键技术及研究现状
1.3.1 信号处理技术
1.3.2 特征提取与模式识别
1.3.3 信息融合技术研究现状
1.4 刀具状态监测的发展趋势
1.5 论文的结构和内容
1.6 本章小结
第2章 刀具磨损机理与刀具寿命
2.1 刀具损坏的形式
2.2 刀具磨损机理
2.2.1 磨料磨损
2.2.2 粘接磨损
2.2.3 扩散磨损
2.2.4 氧化磨损
2.3 刀具寿命
2.3.1 刀具磨损过程
2.3.2 刀具磨钝标准
2.3.3 刀具寿命模型
2.4 本章小结
第3章 刀具磨损状态监测的试验研究
3.1 监测信号的选择
3.1.1 切削力信号
3.1.2 振动信号
3.1.3 切削温度信号
3.1.4 声发射信号
3.2 试验台的搭建
3.2.1 切削力和振动信号采集系统
3.2.2 声发射信号监控系统
3.2.3 切削温度信号采集装置
3.3 试验方案设计
3.3.1 试验目的
3.3.2 影响信号的因素
3.3.3 试验设计方法
3.3.4 样本数据提取
3.4 试验步骤及分析
3.4.1 影响传感器信号的试验
3.4.2 工件材料对信号特征的影响
3.4.3 刀具磨损监测试验
3.5 结论
3.6 本章小结
第4章 刀具磨损状态的特征提取和模式识别
4.1 J-EEMD方法概述
4.1.1 EMD原理及仿真示例
4.1.2 EEMD原理
4.1.3 J-EEMD方法的提出及有效性检验
4.2 基于J-EEMD的数据特征提取
4.2.1 信号的J-EEMD分解
4.2.2 基于J-EEMD的数据特征提取
4.2.3 信号的数据特征分析
4.3 基于两种神经网络的模式识别
4.3.1 神经网络概述
4.3.2 基于BP和Elman网络的刀具磨损状态监测模式识别
4.4 本章小结
第5章 基于支持向量机的刀具磨损决策融合技术
5.1 信息融合基本概念
5.2 基于支持向量机的决策融合算法
5.2.1 SVM融合原理
5.2.2 支持向量机的分类问题
5.2.3 支持向量机的融合示意
5.3 刀具状态输出的决策融合
5.3.1 神经网络识别结果分析
5.3.2 基于支持向量机的决策方法研究
5.4 本章小结
第6章 灰色-隐马尔可夫模型刀具状态预测技术
6.1 刀具磨损状态预测方法的分类
6.2 隐马尔可夫模型
6.2.1 引言
6.2.2 马尔可夫链
6.2.3 隐马尔可夫链
6.3 灰色-隐马尔可夫模型
6.3.1 灰色理论概述
6.3.2 建立GM(1,1)灰色模型
6.4 刀具预测模型状态空间的划分及特征处理
6.4.1 状态空间的划分
6.4.2 特征处理
6.5 基于灰色-隐马尔可夫模型刀具磨损状态预测
6.5.1 建立力特征信号GM(1,1)模型
6.5.2 基于残差特征值预测
6.5.3 刀具磨损状态的预测
6.6 本章小结
结论
致谢
参考文献
攻读学位期间发表的学术论文及成果