声明
致谢
摘要
英文摘要
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 监测信号选择
1.2.2 信号分析方法
1.2.3 特征识别
1.3 发展趋势及存在问题
1.4 研究内容
2 麻花钻的结构与磨损简述
2.1 麻花钻的结构
2.1.1 麻花钻的组成
2.1.2 麻花钻的基准坐标系
2.1.3 麻花钻的刀具角度
2.2 麻花钻钻削力分析
2.2.1 麻花钻的钻削力组成
2.2.2 麻花钻钻削力的经验公式
2.3 麻花钻的磨损
2.3.1 麻花钻的磨损形式
2.3.2 影响麻花钻磨损的因素
2.3.3 麻花钻的磨损机理
2.3.4 麻花钻的磨损过程
2.4 本章小结
3 基于Deform 3D软件的麻花钻钻削过程的有限元分析
3.1 Deform3D软件简述
3.1.1 Deform3D软件的应用
3.1.2 Deform3D软件的组成
3.1.3 Deform3D软件的求解器与迭代方法
3.2 基于Deform 3D的刀具钻削过程的仿真分析
3.2.1 钻削仿真的前处理过程
3.2.2 钻削仿真原始数据的获取
3.2.3 钻削仿真数据的处理
3.3 钻削力与钻削用量的关系验证
3.3.1 钻削力与钻削用量的经验公式对数线性化
3.3.2 轴向力与扭矩公式的仿真验证
3.4 本章小结
4 钻削监测信号的采集分析与特征提取
4.1 钻削监测信号的实验平台搭建
4.1.1 钻孔动力头的机械结构与电气控制
4.1.2 钻头磨损程度的直接观测
4.1.3 钻削力信号采集
4.1.4 电机电流信号采集
4.2 钻削监测信号的分析方法概述
4.2.1 傅里叶变换与频域分析
4.2.2 小波变换与时-频域分析
4.3 钻削监测信号的小波变换
4.3.1 一维连续小波交换
4.3.2 一维离散小波变换
4.3.3 多分辨分析与Mallat算法
4.3.4 麻花钻磨损监测信号的多分辨分析
4.4 钻削监测信号的小波包分析
4.4.1 小波包空间分解
4.4.2 小波包算法
4.4.3 轴向力与扭矩的小波包分解
4.5 本章小结
5 钻削刀具磨损的模式识别
5.1 BP神经网络模型
5.1.1 BP模型描述
5.1.2 BP模型训练及识别
5.1.3 BP模型状态识别结果分析
5.2 径向基函数神经网络RBF模型
5.2.1 RBF模型描述
5.2.2 RBF模型训练及识别
5.2.3 RBF模型状态识别结果分析
5.3 支持向量机模式识别
5.3.1 支持向量机模型描述
5.3.2 支持向量机训练及结果分析
5.4 本章小结
6 结论与展望
6.1 工作总结与研究结论
6.2 发展与展望
参考文献