多传感器融合的刀具磨损预测及多工况迁移学习研究

目录

声明

第一章 绪论

1.1 课题来源

1.2 课题研究的背景与意义

1.3 国内外研究现状

1.3.1 刀具磨损监测传感器技术研究现状

1.3.2 刀具磨损状态识别与预测方法研究现状

1.4目前存在的问题及课题的提出

1.5 论文研究的主要内容及章节结构

第二章 刀具磨损信号分析及特征提取与筛选

2.1 刀具磨损概述

2.1.1刀具磨损形式及机理

2.1.2刀具磨损过程

2.2 单工况刀具磨损监测实验及信号分析

2.2.1 单工况刀具磨损监测实验

2.2.2刀具磨损值及传感器信号变化趋势分析

2.2.3 传感器信号预处理

2.3 刀具磨损特征的提取

2.3.1 传感器信号的小波降噪

2.3.2 时域分析

2.3.3 频域分析

2.3.4 小波分析

2.4 刀具磨损特征的筛选

2.5 本章小结

第三章 单工况下刀具磨损预测模型的应用

3.1 基于机器学习模型的刀具磨损预测

3.1.1 基于随机森林的刀具磨损预测

3.1.2 基于支持向量机的刀具磨损预测

3.2 基于深度学习模型的刀具磨损预测

3.2.1 基于卷积神经网络的刀具磨损预测

3.2.2 基于长短期记忆网络的刀具磨损预测

3.3 基于深度残差网络模型的刀具磨损预测

3.3.1 残差网络的应用

3.3.2 深度残差网络参数设置及训练调优

3.3.3 不同预测模型结果比较及分析

3.4 本章小结

第四章 多工况刀具监测实验分析及基于迁移学习的磨损预测

4.1 多工况刀具磨损监测实验及分析

4.1.1 多工况刀具磨损监测实验

4.1.2 传感器信号分析及预处理

4.2 基于XGBoost方法的缺失磨损值填补

4.2.1 XGBoost方法简介

4.2.2 考虑铣削加工参数的磨损缺失值填补

4.3 迁移学习在刀具磨损预测模型中的应用

4.3.1 迁移学习的概念及可行性论证

4.3.2 不同数据集规模及相似度下的迁移方法

4.3.3 迁移学习在刀具磨损监测中的优势分析

4.4 基于残差网络结构的刀具磨损模型迁移

4.4.1 考虑加工参数的多工况下残差网络模型迁移方法

4.4.2 模型迁移结构设置及训练调优

4.4.3 模型迁移结果分析

4.5 多传感器信息融合的信号特征重要性分析

4.5.1 基于多传感器信息和XGBoost方法的刀具磨损状态识别

4.5.2 基于XGBoost结果分析信号特征重要性

4.6 一种基于所提出的可迁移学习模型的离线+在线监测方案

4.7 本章小结

第五章 总结与展望

5.1 总结

5.2 后续工作及展望

致 谢

参考文献

攻读硕士学位期间取得的成果