文摘
英文文摘
致谢
1 绪论
1.1 课题来源及研究意义
1.2 磨削状态监测的研究现状及展望
1.2.1 磨削声发射技术的应用现状
1.2.2 磨削状态智能监测技术的研究现状
1.2.3 基于贝叶斯网络进行平面磨削监测
1.3 论文的结构与主要研究内容
1.3.1 论文的总体框架
1.3.2 论文的主要研究内容
2 贝叶斯网络理论
2.1 贝叶斯网络数学模型
2.1.1 贝叶斯方法基本观点
2.1.2 联合概率分布的分解
2.1.3 图模型理论
2.1.4 贝叶斯网络的概念
2.2 贝叶斯网络的构建
2.2.1 确定变量集和变量域
2.2.2 确定网络结构
2.2.3 确定网络参数
2.3 贝叶斯网络的推理
2.3.1 贝叶斯网络推理的分类
2.3.2 变量消元算法
2.3.3 团树传播算法
2.4 贝叶斯网络的学习
2.4.1 贝叶斯网络结构学习
2.4.2 贝叶斯网络参数学习
2.4 本章小结
3 平面磨削声发射信号检测与分析
3.1 声发射技术
3.1.1 声发射的产生机理
3.1.2 磨削声发射的来源
3.1.3 影响磨削声发射特性的因素
3.2 实验用磨削声发射信号采集系统
3.2.1 采集系统硬件介绍
3.2.2 采样频率设置
3.3 AE信号的处理分析
3.3.1 预处理
3.3.2 时域分析及其Matlab实现
3.3.3 频域分析及其Matlab实现
3.4 本章小结
4 基于贝叶斯网络的平面磨削状态监测模型的建立
4.1 利用贝叶斯网络实现平面磨削状态监测的优点
4.2 平面磨削状态监测贝叶斯网络模型的构造
4.2.1 确定节点及其状态
4.2.2 网络结构确定
4.2.3 网络先验参数确定
4.3 平面磨削状态监测贝叶斯网络模型的推理
4.3.1 构建网络的团树
4.3.2 CTP实现混合推理
4.4 平面磨削状态监测贝叶斯网络模型的参数学习
4.4.1 先验数据的处理
4.4.2 样本数据的处理
4.4.3 网络的后验概率
4.5 本章小结
5 平面磨削智能监测系统的软件实现
5.1 平面磨削智能监测软件的需求分析
5.1.1 监测模型网络构建功能的需求分析
5.1.2 监测模型推理功能的需求分析
5.1.3 监测模型学习功能的需求分析
5.2 系统开发环境
5.3 平面磨削智能监测系统的程序结构
5.3.1 平面磨削智能监测系统的整体结构图
5.3.2 监测软件基于VC++的程序开发流程
5.4 平面磨削监测贝叶斯网络各功能模块的设计
5.4.1 平面磨削监测贝叶斯网络构建模块的实现
5.4.2 平面磨削监测网络推理模块的实现
5.4.3 平面磨削监测网络顺序学习模块的实现
5.4.4 平面磨削监测网络批量学习模块的实现
5.4.5 图形用户界面模块的设计
5.5 本章小结
6 平面磨削智能监测系统的运行与测试
6.1 实验方案设计
6.2 样本数据采集
6.2.1 声发射信号有效值
6.2.2 砂轮接触状态输入
6.2.3 砂轮钝化状态输入
6.2.4 工件粗糙度输入
6.3 贝叶斯网络模型的实验验证
6.3.1 样本数据离散化
6.3.2 网络参数学习
6.3.3 推理验证
6.4 本章小结
7 结论与展望
7.1 结论
7.2 研究展望
作者攻读硕士学位期间发表的论文和参加科研情况
参考文献