一、BP-Neural-Network-Based Tool Wear Monitoring by Using Wav elet Decomposition of the Power Spectrum（论文文献综述）
万道文[1]（2021）在《数控机床主轴回转误差测量与故障诊断方法研究》文中进行了进一步梳理数控机床和基础制造装备作为装备制造业的“工作母机”,是“中国制造2025”十大战略必争领域之一。主轴系统作为数控机床的“心脏”,其回转精度与健康状态直接影响数控机床的产品质量及加工效率,同时由于主轴系统结构复杂且易受生产环境的干扰,导致加工精度难以保证且故障频发,不仅造成巨大经济损失同时威胁人身安全。因此,如何保证数控机床的回转精度及高稳定性是亟需解决的问题。针对以上问题,本文开展数控机床主轴回转误差测量与故障诊断方法研究。首先基于三点法建立主轴回转误差测量模型,通过多误差分离技术实现主轴回转误差的测量。其次提出基于模态分析与粒子群算法相结合的多振动传感器测点布局优化方法,保证所测信号包含全部特征且无交叉冗余。最后建立BP神经网络结合D-S证据理论的故障诊断模型,实现机床主轴的故障诊断与状态识别,保证机床的加工精度与工作稳定性。为解决主轴回转误差测量过程中存在多误差耦合的问题,建立基于三点法的机床主轴回转误差测量模型。该模型通过理论推导实现工件圆度误差、主轴回转误差及安装偏心的分离。考虑安装偏心的影响机理完成误差分离流程的简化,在实现机床主轴回转误差与工件圆度误差准确分离的基础上提高分离效率。鉴于激光位移传感器间隔角度导致噪声放大及谐波抑制问题,基于谐波误差传递因子与差分进化算法完成位移传感器布置角度的优化。为解决机床主轴故障机理不清晰及传感器难以有效合理布局的问题,深入分析各部件故障机理并提出基于模态分析与粒子群算法的传感器布置方法。该方法从数控机床主轴常见组成部件滚动轴承及传动齿轮入手,讨论总结常见故障类型及失效原因,探究故障频率及信号特征,基于此选择振动信号作为机床主轴状态监测信号。为使多振动传感器所测信号无冗余交叉,全面反应机床主轴状态特征,基于模态分析及粒子群算法进行多振动传感器测点的布局优化。为实现机床主轴工作状态的准确识别与故障诊断,提出基于多域分析与智能算法的机床主轴故障诊断方法。该方法首先采用改进奇异值分解的滤波降噪方法减小噪声对振动信号的影响,仿真表明该方法在不损失有效特征的前提下实现了噪声的有效滤除。其次为了从大量振动信号中有效快速获取机床主轴状态特征分别基于振动信号的时域、频域及时频域进行全方位特征指标提取与初步筛选,同时采用Relief F算法与主成分分析算法对多维度指标进行降维。最后基于BP神经网络与D-S证据理论完成多振动传感器的决策与融合,实现机床主轴状态的识别与故障诊断。为验证机床主轴回转误差测量、多振动传感器测点布局方法及故障诊断方法的有效性。首先基于数控机床工作台主轴进行主轴回转误差测量实验验证,结果表明该方法可以在分离掉工作台台面圆度误差后完成机床主轴的回转误差测量,测量结果为21.1μm。其次为验证本文提出的多振动传感器测点布局方法以数控机床作为验证对象,结果表明,采用本文提出的传感器布局方法特征频率幅值为0.005 g,采用均匀间隔布局幅值为0.001 g。最后以齿轮箱作为验证对象进行BP神经网络与D-S证据理论的故障诊断方法实验验证,结果表明采用单传感器时故障诊断率较差,利用D-S证据理论进行决策级融合后准确率平均提高了21.7%。
邬佳琪[2]（2020）在《基于数据融合的全地面起重机路面信息识别技术研究》文中研究指明全地面起重机起吊吨位大、越野性能好,广泛应用于城市和基础设施建设。路面等级和形态作为全地面起重机行驶过程中的主要激励,直接影响其平顺性、稳定性和安全性,因此准确地识别路面参数并对其悬架系统进行主动控制是全地面起重机亟待解决的关键问题。本文结合企业项目对全地面起重机的路面识别技术进行了系统地研究,以五桥全地面起重机为研究对象,建立了包含油气悬架系统的整车动力学模型,提出了基于数据融合技术的路面等级识别方法和车前路面感知系统,进行了全地面起重机路面识别试验。在综述国内外全地面起重机研究及路面识别方法研究成果的基础上,分析并讨论了与全地面起重机相关的油气悬架系统研究以及与路面识别方法相关的数据融合技术、神经网络方法研究的优势与不足,提出了基于全地面起重机的路面识别方法研究方案。基于油气悬架结构和工作原理,建立了考虑实际气体状态变化、温度等因素影响的五桥全地面起重机油气悬架系统数学模型,提出了三种油气悬架系统的互连方案,并应用AMESim仿真对三种方案在垂向、侧倾、俯仰及扭转振动状态下的刚度、阻尼特性进行了分析。在此基础上,根据全地面起重机的结构特点和工作特点分析了不同方案的适用性,将前后两部分独立、左右交叉相连的互连方案作为优选。建立了包含路面激励及油气悬架系统的全地面起重机整车动力学模型。基于Matlab/Simulink对动力学模型进行仿真分析,得到了不同路面激励下的悬架及车身的响应。为验证整车动力学模型的可靠性,进行了五桥全地面起重机的行驶响应试验,验证了动力学模型的正确性。提出了基于数据融合技术的路面等级识别方法,利用相关函数法对多个油缸内腔压力信号进行数据级融合,基于小波分解对融合后信号、油缸相对位移信号和质心加速度信号进行特征提取,采用监督局部切空间排列算法进行特征降维,最后利用神经网络的方法进行特征级融合完成路面等级识别。分析动力学模型的仿真结果,可知该方法可以准确地识别路面等级,验证了方法的有效性。设计并搭建了路面等级评价试验平台和路面等级识别测试系统,对典型路面的路面等级进行评价分析,对车辆响应信号和路面等级识别结果进行采集,结果表明所提出的路面等级识别方法可以准确地识别路面等级。设计了基于数据融合技术的全地面起重机车前路面感知系统,使用激光雷达、惯性测量单元和立体相机完成对车前路面信息的识别。使用激光雷达和惯性测量单元进行联合外参标定,基于ORB算法对立体相机采集的图像进行特征点提取和描述,进而求解相机的位姿变换,基于多传感器数据融合技术对惯性测量单元和立体相机进行位姿融合。基于递归算法使用激光雷达对路面高程信息进行采集,对采集到的点云数据进行滤波处理后,采用概率引导的随机采样一致性算法剔除障碍点云,完成路面重构。为验证该方法的有效性,进行了全地面起重机车前路面感知系统测试,对车前路面点云数据进行采集,试验结果验证了车前路面感知系统的有效性。综上所述,本文建立了包含油气悬架系统的全地面起重机动力学模型,基于数据融合技术提出了路面等级识别方法以及车前路面感知系统,设计并搭建了路面识别测试系统,通过该系统得到的试验数据验证了路面等级识别方法及车前路面感知系统的有效性。本文对全地面起重机路面识别技术的研究,为全地面起重机的平顺性主动控制提供了依据,对全地面起重机的智能化发展具有重要意义。
戴丹[3]（2019）在《水力旋流器运行状态监测及故障诊断方法研究》文中指出近年来“中国智造2025”的提出对全行业智能化的进程提出了严格的要求,选煤厂设备智能化势在必行,对选煤厂重要设备的实时故障检测和诊断是推动选煤厂智能化进程的重要一步。如何对水力旋流器运行状态进行监测以及如何进行水力旋流器的故障监测和诊断成为选煤厂的一个重要课题。传统的水力旋流器故障监测完全依靠人工巡查,无法及时预报并处理故障问题,造成较大的经济损失。本文利用振动信号为研究对象,探究水力旋流器故障状态对振动信号特征值的影响关系,并搭建水力旋流器故障监测和诊断系统。通过振动加速度传感器采集水力旋流器故障状态振动信号的方式探究水力旋流器故障状态与振动信号特征值的关系。振动信号数据直接决定对水力旋流器故障特征值分析的准确度,采集现场水力旋流器振动信号并分析试验确定了积分时间、加速度传感器信号最佳采集点、传感器量程以及灵敏度等性能参变量。为了获得最佳的试验条件,减小系统误差,搭建了水力旋流器实验平台,采集水力旋流故障振动信号数据,确定最佳降噪函数。通过振动加速度传感器采集水力旋流器正常、堵塞以及堵溢状态下的振动信号并进行时频域分析,确定水力旋流器堵塞故障对应频率特征值。实验结果表明,水力旋流器故障对应频率特征值为1617Hz。为了探究入料性质对水力旋流器振动信号的影响,设计单因素试验探究入料流量和入料浓度对水力旋流器振动加速度有量纲指标和无量纲指标的影响规律,实验结果发现,入料流量对水力旋流器振动信号特征值的影响大于入料浓度的影响,且入料流量越大,水力旋流器振动加速度标准差越大。水力旋流器底流口的磨损故障也是较大频率发生的故障之一。磨损故障的模拟需要考虑的影响因素有材料、厚度以及磨损表面状态。探究振动信号特征与磨损程度的关系时,基于控制变量原则,选择ABS材料的五种不同厚度底流口,另外在采集磨损故障信号前,每个底流口在实验平台预处理1小时。为了探究磨损故障对水力旋流器振动信号的影响,设计单因素试验分别采集每个厚度底流口的振动加速度信号,并进行时频域分析以及特征值的统计计算和分析,实验结果表明,磨损故障可通过均方根值进行预警。设计了单因素试验探究堵塞故障对磨损状态下的水力旋流器振动加速度的影响,试验发现堵塞发生后,各个磨损程度下的加速度均方根值会略微降低,因此需要利用堵塞的频率特征值图和均方根值图同时对水力旋流器故障进行监测和预警。利用LabVIEW编程环境,结合Matlab混合编程和滤波处理技术,搭建了针对堵塞及磨损故障的水流旋流器故障监测诊断系统,实现了对实验过程水力旋流器时频域以及各个故障特征值实时监测分析、故障数据离线分析、以及故障预警的功能。
李香飞[4]（2016）在《GH3128镍基高温合金切削性能研究》文中指出GH3128镍基高温合金以其在高温环境中使用时仍能保持热强性及抗高温氧化性,常用于发动机高温处的零部件的制造材料和航海设备暴露零部件。该金属在高温下的优良性能使其加工制造十分困难,因此本文通过GH3128镍基高温合金铣削实验并结合数学模型对该金属的切削机理进行研究。本文主要研究GH3128镍基高温合金的切削过程的切削力和表面加工质量;切削功率、切削参数的合理制定、机床夹具的设计等都是以切削力为主要参考依据,而表面粗糙度是目前衡量加工质量好坏的最常用的参数,并且也常用来指导切削参数的选用。因此切削力以及加工质量对该材料加工应用有着十分重要的意义。由于GH3128很少有相关加工参数,因此采用灰色关联度和模糊综合评价方法对该材料的可加工性进行评估。在评估过程中针对模糊综合评价中高斯隶属度函数的缺点,通过构建新的函数替换原有的隶属度函数,大大简化了评估过程,降低了计算成本,提高了金属材料可加工性评估方法的应用性。结合已有的金属材料可加工性等级表,估计出材料GH3128的可加工性等级,然后参考同等级其他金属材料的切削参数,合理制定材料GH3128的切削参数。材料GH3128镍基高温合金在CAXA雕铣中心进行单因素试验和正交试验。在该实验中使用硬质合金端铣刀,该刀具表面带有AlTi涂层。由于实验采集到的切削力信号中耦合了许多噪声信号,常用功率谱密度法和滤波器滤波的方案已不能适用试验中采集到的切削力信号。因此,在滤波时使用功率谱密度分析和小波变换相结合的方法,对切削力信号进行分解滤波降噪获取含低噪声的力信号,提高了切削力可信度。根据试验数值分别建立了切削力和表面粗糙度的经典线性回归模型,而在回归模型的假设条件验证时,采用了Globaltest检验法进行了量化验证以提高模型的准确性。在建立机器学习模型时,对六种机器学习模型比较预测性能,并对各个切削参数的重要性进行分析。
钱士才[5]（2016）在《车削颤振的在线智能检测及抑制研究》文中进行了进一步梳理航空制造业是制造业最为重要的组成部分之一,而航空薄壁零件的加工一直都是制约航空工业发展的关键因素。薄壁零件加工过程中极易发生颤振问题,从而影响生产效率以及加工质量。颤振对工件、刀具和机床设备的危害已毋庸置疑,发展切削颤振的检测和控制技术已对航空件的加工十分关键。本文研究并设计了颤振在线智能检测与抑制的闭环切削系统,通过检测切削力信号,实时监测切削状态并在线抑制颤振的发生,达到薄壁零件高品质加工的目的。首先,通过理论和实验分析了再生型切削颤振的产生条件和特点,得出颤振的发生总是伴随着机床在其薄弱环节固有频率处的剧烈振动的结论。依据颤振的特点,提出了基于小波包节点能量的特征提取方法,并通过实验分析了分解层数对其识别效果的影响,发现较高层的小波包节点能量的颤振识别精度较高。结合LSSVM分类器的特点,提出了LSSVM-RFE特征降维方法,进一步消去高层小波包节点能量特征中的冗余信息并降低检测时间,颤振识别精度由97.41%提升至98.90%,检测时间由25.5ms降低至9.5ms。接着,研究了一类支持向量机的最小二乘形式——LS-OC-SVM,将其应用颤振检测中,并提出了基于LS-OC-SVM的在线进化的检测模型。模型中使用分块矩阵求逆实现了LS-OC-SVM的在线增量式求解,使用相干准则构建数据集的字典将LS-OC-SVM的解稀疏化,特征信息被存储于字典中,通过更新字典实现检测模型的在线进化。实验结果表明,在线进化的检测模型有更高的颤振预报准确率。最后,通过切削稳定性分析,研究了变速切削抑制颤振的机理。利用840D系统高级编程中同步动作,在机床系统中实现了变速切削,变速与恒速车削实验结果对比表明变速车削可有效抑制颤振。通过机床系统的改装,设计了颤振在线检测与抑制的闭环智能切削系统,在加工过程中实时检测切削力信号以监测机床状态,当颤振孕育时,系统开启变速车削策略实时抑制颤振的发生。薄壁件车削实验结果表明本文的智能切削系统可有效地实现高品质无颤振加工。
方平[6]（2014）在《数控机床刀具磨损的多传感器在线实时监测的研究》文中研究指明刀具磨损状态监测构成了智能制造技术的重要环节，监测系统的好坏对于提高设备的使用率，提高生产质量，减少废品，节约加工成本、减少工人劳动强度、降低原料的消耗，保证安全生产有重要意义。因此，本文的研究有广泛的应用前景。本文介绍了一种智能刀具磨损在线监测系统的实验和研发，应用多传感器融合技术，采集刀具的多种信号，包括振动信号，声发射信号，切削力信号，功率信号，将这几种信号进行融合。先将多传感器信号通过信号分析处理，提取特征值，将得到的特征值输入神经网络，经过运算输出结果，得到刀具磨损状态。实验结果分析现实，基于多传感器融合技术开发的刀具监测系统能够准确识别刀具的磨损状态。本文利用多分辨小波分解各种信号并且计算相应频率段的能量，将这些能量作为BP神经网络的输入，最后输出刀具的状态，神经网络的高度非线性，长时间连续计算，能大规模并网分析计算数据，具有卓越的稳定性、可靠性、自学习性，本文基于此技术来创建刀具状态监测系统，保障了系统能应用于复杂环境中，从而实现监测功能。采用BP神经网络模型进行实验数据的运算处理，得到比较好的实验结果，最后本文基于labview和matlab的混合编程，开发刀具状态监测系统，基本上能够实现数控机床刀具磨损的在线监测功能。
吴警[7]（2013）在《微细铣削加工表面形貌仿真与分析》文中认为随着科技的进步和社会的发展，微小型零件在航空航天、生物医学、通信、光学元件、燃料电池等方面得到了广泛的应用。微细铣削加工具有低成本、高柔性、可以加工多种材料等优点，在微小零件和高精度高质量零件加工方面得到了广泛的应用，特别是对于三维复杂结构和自由曲面加工，微细铣削加工具有其独特的优势。加工表面形貌直接影响加工零件的加工质量和使用性能，如表面粗糙度、抗疲劳能力、抗磨损能力、光学性能、热传导能力等。因此，研究微细铣削加工表面形貌具有重要意义。首先定义了微细铣削加工表面形貌的几何特征，建立了微细铣削切削运动模型，并编写表面形貌仿真程序；使用该表面形貌仿真程序分析了加工工艺参数对表面形貌纹理特征的影响，特别是分析了行距、每齿进给量对加工表面形貌的影响。分析了切入相位角对表面形貌的影响，提出了通过控制相邻刀具切入相位角进行表面形貌纹理控制的方法，实验结果表明该控制方法控制偏差较好，具有较好的可行性和实用性。建立了考虑振动的微细铣削加工切削运动模型，分析了刀具振动对二维切削轮廓的影响；然后通过仿真分析了刀具振动对三维表面形貌的影响，分析了在每齿进给量的影响下刀具振动对表面形貌的影响规律和刀具振动幅值的变化对表面形貌的影响规律。分析结果表明微细铣削加工中刀具的振动显着的增加了表面粗糙度，而且刀具的振动幅值如果过大，会在加工中出现“单刃”切削现象，这必将导致加工质量的恶化。提出了使用APSD频域分析方法进行加工表面形貌表征方法，分析了APSD频域信息与加工参数之间的关系，结果表明行距、每齿进给量、初始相位角差与APSD频域信息有较好的对应关系。
朱云飞[8]（2008）在《基于加工表面图像的刀具磨损状态监测》文中提出刀具状态监测技术对自动化加工效率和加工质量的提高有着十分重要的意义。本文以车削过程中的加工表面图像为研究对象,分析了加工表面微观图像与刀具磨损之间的内在联系,采用图像处理、Hough变换、分形及模糊识别等方法,对基于加工表面图像的刀具磨损状态监测的关键技术进行了研究,为刀具状态监测提供了一条新的途径。讨论了刀具的磨损形态及磨损过程,分析了加工表面纹理形貌与刀具几何形状之间的映射关系。建立了基于加工表面图像的刀具磨损监测实验系统,并在实验数据分析的基础上,验证了以加工表面图像间接反映刀具磨损状态的可行性。针对加工表面图像,研究了图像剪切、光照不均校正、图像平滑、边缘检测和图像纹理角度校正等图像预处理问题,完成了相应的图像处理算法,为实现刀具磨损状态监测的图像特征提取奠定基础。根据加工表面边缘图像随刀具磨损的变化特征,应用Hough变换对边缘图像中线段的分布特性进行了分析与检测,研究了纹理直线段平均长度、纹理直线段与切削速度方向的夹角均值随刀具磨损的变化规律。实验结果表明,这两个特征参数与刀具磨损状态之间存在密切联系,根据特征参数的变化规律可实现刀具磨损状态的监测。将分形理论引入加工表面图像分析中,在研究分形维数算法的基础上提出了小波分维数和分形谱维数的概念,并完成了这两种维数的详细算法。研究了小波分维数和分形谱维数随刀具磨损的变化规律。实验结果表明,这两个分维数与刀具磨损状态之间存在密切联系,根据分维数的变化规律可实现刀具磨损状态的监测。根据各个特征参数与刀具磨损状态间的密切联系,将模糊模式识别应用于刀具磨损状态的监测中。建立了判别刀具磨损状态的模糊识别系统,将与刀具磨损状态有密切联系的特征参数输入模糊分布函数,研究各组实验样本的刀具磨损状态隶属度,根据最大隶属原则实现对刀具磨损状态的识别。实验结果表明,该模糊识别系统能够较准确地实现对刀具磨损状态的识别。
周天剑[9]（2007）在《天然金刚石刀具刃磨过程的监测技术研究》文中提出天然金刚石刀具可以刃磨出非常锋利的切削刃,在精密和超精密加工技术中占有重要地位,但是其刃磨质量受到多种因素影响。分析刀具刃磨过程产生的信号将有助于研究各因素对刀具刃磨质量的影响规律,为进一步精密刃磨提供技术支持,对于稳定刀具刃磨质量具有重要意义。本论文首先分析了影响金刚石刀具刃磨质量的关键工艺条件,总结了现有金刚石刀具刃磨机床的性能和周围环境特征。在现有机床上构建了由信号获取模块、图像采集模块、数据采集模块和电子计算机等组成的监测系统,监测金刚石刀具刃磨过程中的振动、声音及力信号。基于Matlab软件编制相应的数据处理程序,运用小波包分解和频谱分析的信号处理方法,分析该系统中采集的振动、声音及力信号对刀具刃磨过程的敏感性。试验结果表明振动信号对金刚石刀具刃磨过程最为敏感,在三者中最适合用于监测刀具刃磨过程。刃磨角度对金刚石刀具刃磨质量和效率有很大影响,传统定向方法不能满足刀具生产效率要求,同时因试验条件限制,目前也没有合适设备能够对金刚石刀具进行准确的晶体定向,因此将金刚石刀具旋转不同角度进行刃磨,监测刀具刃磨时的振动信号,并对振动信号进行功率谱密度和有效值计算,再将计算所得结果的拟合曲线斜率进行横向对比,以比较不同角度上的刃磨效率。试验结果表明该方法可以初步确定金刚石刀具的刃磨方向,进而为金刚石刀具晶体定向提供一种新的思路。刃磨量的控制对金刚石刀具刃磨质量有很大影响,现有机床的进给分辨率不能满足刃磨时对微小进给量的要求。因此设计了进给量细分试验,对每个细分的进给量进行刃磨振动信号监测和分析。结果表明可以用振动信号特征值来表征刀具实际刃磨进给量。在现有条件下,当其优化为10μm左右时对刀具刃磨质量比较有利。刀具退刀时机的掌握对刀具最终质量具有关键作用,因此将一把完好刀具进行刃磨,再在不拆卸刀具的情况下对其作出破损,监测两者刃磨时的振动信号,并通过频谱上小频带的合理划分对数据进行对比分析。研究结果表明刃磨过程中破损刀具振动信号整体能量较大,在高频段范围内,破损刀具振动信号能量幅值增加了将近一倍。该试验结果为刀具刃磨过程退刀时机的确定提供了理论依据。
二、BP-Neural-Network-Based Tool Wear Monitoring by Using Wav elet Decomposition of the Power Spectrum（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP-Neural-Network-Based Tool Wear Monitoring by Using Wav elet Decomposition of the Power Spectrum（论文提纲范文）
（1）数控机床主轴回转误差测量与故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 本课题相关的国内外研究现状 |
| 1.2.1 机床主轴回转误差测量研究现状 |
| 1.2.2 主轴故障机理及多传感测点优化研究现状 |
| 1.2.3 基于振动信号的主轴状态特征提取及故障诊断研究现状 |
| 1.3 本课题的主要研究内容 |
| 第2章 机床主轴回转误差测量方法研究 |
| 2.1 引言 |
| 2.2 基于三点法的多误差分离原理 |
| 2.2.1 工件圆度误差的分离 |
| 2.2.2 工件安装偏心量与主轴回转误差分离 |
| 2.3 机床主轴回转误差测量分析与分离优化 |
| 2.3.1 安装偏心误差 |
| 2.3.2 分离过程优化后的误差分离 |
| 2.4 基于差分进化算法的位移传感器布置角度优化方法研究 |
| 2.4.1 目标优化函数的建立 |
| 2.4.2 基于差分进化算法的传感器布置角度优化 |
| 2.5 圆度误差及主轴回转误差评定方法研究 |
| 2.5.1 工件圆度误差评定方法 |
| 2.5.2 主轴回转误差评定方法 |
| 2.6 本章小结 |
| 第3章 机床主轴故障机理及传感器测点布置方法研究 |
| 3.1 引言 |
| 3.2 机床主轴常见故障及监测信号选择 |
| 3.2.1 滚动轴承常见故障 |
| 3.2.2 齿轮常见故障 |
| 3.3 机床主轴常见故障机理及信号特征 |
| 3.3.1 机床主轴轴承故障机理及信号特征 |
| 3.3.2 机床主轴齿轮故障机理及信号特征 |
| 3.4 多振动传感器测点优化布置方法研究 |
| 3.4.1 机床主轴有限元建模 |
| 3.4.2 基于Fisher信息矩阵的模态阶数的确定 |
| 3.4.3 基于粒子群算法的传感器测点布局优化 |
| 3.5 本章小结 |
| 第4章 基于多域分析与智能算法的主轴故障诊断方法 |
| 4.1 引言 |
| 4.2 基于改进奇异值分解的振动信号滤波方法 |
| 4.2.1 基于奇异值分解的振动信号滤波降噪原理及仿真 |
| 4.2.2 基于改进奇异值分解算法的滤波降噪方法 |
| 4.3 基于多域分析的主轴状态信号特征提取方法研究 |
| 4.3.1 机床主轴振动信号的时域分析 |
| 4.3.2 机床主轴振动信号的频域分析 |
| 4.3.3 机床主轴振动信号的时频域分析 |
| 4.3.4 基于Relief F算法与主成分分析的机床主轴故障特征指标选择 |
| 4.4 基于BP神经网络与D-S证据理论的故障诊断方法研究 |
| 4.4.1 基于BP神经网络的机床主轴故障诊断方法 |
| 4.4.2 基于D-S证据理论的多振动传感器决策级融合方法 |
| 4.4.3 基于BP神经网络与D-S证据理论故障诊断仿真验证 |
| 4.5 本章小结 |
| 第5章 机床主轴回转误差测量与故障诊断实验验证 |
| 5.1 引言 |
| 5.2 基于三点法的机床主轴回转误差测量实验验证 |
| 5.2.1 机床主轴回转误差测量系统设计 |
| 5.2.2 机床主轴回转误差测量实验方案及数据处理 |
| 5.3 多振动传感器测点优化布局验证实验 |
| 5.4 基于BP神经网络与D-S证据理论的故障诊断验证实验 |
| 5.4.1 故障诊断实验验证系统 |
| 5.4.2 齿轮箱振动信号分析与故障诊断 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（2）基于数据融合的全地面起重机路面信息识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 油气悬架研究现状 |
| 1.2.2 数据融合技术研究现状 |
| 1.2.3 路面识别技术研究现状 |
| 1.2.4 现存问题 |
| 1.3 本文主要研究内容 |
| 第2章 全地面起重机油气悬架模型及互连方案分析 |
| 2.1 全地面起重机主要结构组成 |
| 2.2 油气悬架系统模型的建立 |
| 2.2.1 蓄能器模型 |
| 2.2.2 互连式油气悬架数学模型 |
| 2.3 五桥全地面起重机悬架互连方案 |
| 2.3.1 油气悬架刚度特性分析 |
| 2.3.2 油气悬架阻尼特性分析 |
| 2.4 五桥全地面起重机互连式油气悬架系统 |
| 2.5 本章小结 |
| 第3章 全地面起重机不同等级路面行驶平顺性仿真 |
| 3.1 路面模型的建立 |
| 3.1.1 路面不平度的研究方法 |
| 3.1.2 建立路面模型 |
| 3.2 五桥全地面起重机整车动力学模型的建立 |
| 3.2.1 建立整车动力学数学模型 |
| 3.2.2 建立整车动力学仿真模型 |
| 3.3 本章小结 |
| 第4章 基于神经网络的路面等级识别及验证 |
| 4.1 信号预处理 |
| 4.1.1 基于相关函数的压力信号融合 |
| 4.1.2 小波变换 |
| 4.2 基于监督局部切空间排列算法的特征降维 |
| 4.2.1 局部切空间排列算法 |
| 4.2.2 监督局部切空间排列算法 |
| 4.3 路面等级的神经网络识别 |
| 4.3.1 RBF神经网络路面等级识别 |
| 4.3.2 ANFIS神经网络路面等级识别 |
| 4.3.3 LVQ神经网络路面等级识别 |
| 4.4 路面等级识别算法验证 |
| 4.5 本章小结 |
| 第5章 全地面起重机路面识别试验研究 |
| 5.1 路面等级评价试验 |
| 5.1.1 路面高程信息采集 |
| 5.1.2 信号预处理 |
| 5.1.3 功率谱密度计算 |
| 5.1.4 道路等级评价试验结果 |
| 5.2 全地面起重机的路面等级识别试验 |
| 5.2.1 硬件系统搭建 |
| 5.2.2 路面等级识别系统 |
| 5.2.3 全地面起重机行驶响应结果 |
| 5.3 悬架系统模型及动力学模型验证 |
| 5.3.1 油气悬架系统模型验证 |
| 5.3.2 全地面起重机动力学模型验证 |
| 5.4 路面等级识别试验结果分析 |
| 5.5 本章小结 |
| 第6章 基于数据融合技术的车前路面识别方法与试验 |
| 6.1 车前路面感知系统 |
| 6.1.1 硬件系统搭建 |
| 6.1.2 传感器标定 |
| 6.2 基于数据融合的激光雷达实时姿态估计 |
| 6.2.1 双目视觉的位姿测量 |
| 6.2.2 基于卡尔曼滤波的姿态估计 |
| 6.2.3 激光雷达姿态校正 |
| 6.3 车前路面信息的测量与重构 |
| 6.3.1 基于递归算法的路面点云采集 |
| 6.3.2 路面点云数据预处理 |
| 6.3.3 基于概率引导的随机采样一致性算法的路面重构 |
| 6.4 基于全地面起重机的车前路面识别试验 |
| 6.5 本章小结 |
| 第7章 总结 |
| 7.1 主要工作和成果 |
| 7.2 本文的创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 攻读博士期间发表的学术论文 |
| 攻读博士期间参与的科研项目 |
| 致谢 |
（3）水力旋流器运行状态监测及故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 研究内容 |
| 2 文献综述 |
| 2.1 故障监测与诊断技术概述 |
| 2.2 国内外关于水力旋流器堵塞及磨损故障研究现状 |
| 2.3 振动监测技术 |
| 2.4 编程语言 |
| 2.5 本章小结 |
| 3 水力旋流器故障监测试验平台搭建 |
| 3.1 水力旋流器故障监测试验平台结构 |
| 3.2 信号采集系统搭建 |
| 3.3 故障信号降噪及特征提取方法研究 |
| 3.4 水力旋流器振动信号采集位置探究 |
| 3.5 本章小结 |
| 4 基于振动信号的水力旋流器堵塞故障诊断方法研究 |
| 4.1 水力旋流器堵塞故障监测指标及检测方法 |
| 4.2 水力旋流器堵塞故障实验 |
| 4.3 结果分析与讨论 |
| 4.4 本章小结 |
| 5 基于振动信号的水力旋流器磨损故障监测诊断方法研究 |
| 5.1 水力旋流器磨损机理分析 |
| 5.2 磨损故障监测指标及方法 |
| 5.3水力旋流器磨损实验 |
| 5.4 实验结果分析及讨论 |
| 5.5 本章小结 |
| 6 监测系统及数据分析功能的实现 |
| 6.1 实时监测系统和数据分析系统 |
| 6.2 基于Labview的实时监测功能的程序设计 |
| 6.3 基于Labview的数据分析功能的程序设计 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 主要研究成果及结论 |
| 7.2 本文创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录1 |
| 作者简历 |
| 学位论文数据集 |
（4）GH3128镍基高温合金切削性能研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 镍基高温合金简介 |
| 1.2.1 镍基高温合金特点 |
| 1.2.2 镍基高温合金的加工性能 |
| 1.3 镍基高温合金的加工研究现状 |
| 1.4 研究路线及主要内容 |
| 第二章 材料的可切削加工性评价 |
| 2.1 材料自身性能对材料可加工性的影响 |
| 2.1.1 材料的物理性能对切削加工性的影响 |
| 2.1.2 材料的力学性能对切削加工性的影响 |
| 2.2 材料加工性评价方法 |
| 2.3 灰色关联度法 |
| 2.3.1 确定母序列和子序列 |
| 2.3.2 母序列和子序列的无量纲化处理 |
| 2.3.3 计算灰色绝对关联度 |
| 2.3.4 排关联序及计算各因素权重 |
| 2.4 模糊综合评判 |
| 2.4.1 确立因素集和权重集 |
| 2.4.2 建立评判集 |
| 2.4.3 单因素模糊综合评判 |
| 2.4.4 多指标综合评判 |
| 2.4.5 GH3128合金的模糊综合评判 |
| 2.5 金属材料切削可加工性等级评判方法改进 |
| 2.6 本章小结 |
| 第三章 GH3128的切削力信号采集和处理 |
| 3.1 切削力的采集 |
| 3.1.1 实验设计 |
| 3.1.2 试验条件 |
| 3.2 切削力信号PSD分析 |
| 3.2.1 功率谱密度法分析简介 |
| 3.2.2 信号功率谱密度分析 |
| 3.3 切削力信号小波分析 |
| 3.3.1 小波分析简介 |
| 3.3.2 小波变换 |
| 3.4 本章小结 |
| 第四章 GH3128高温合金切削力和表面粗糙度的研究 |
| 4.1 各切削参数对切削力的影响 |
| 4.2 切削力回归模型 |
| 4.2.1 多元线性回归分析 |
| 4.2.2 切削力多元线性回归模型 |
| 4.2.3 回归假设诊断 |
| 4.2.4 切削力回归模型的显着性检验 |
| 4.2.5 切削力回归模型系数检验 |
| 4.3 表面粗糙度分析 |
| 4.3.1 表面粗糙度回归模型建立 |
| 4.3.2 表面粗糙度回归模型的显着性检验 |
| 4.3.3 表面粗糙度回归模型系数显着性检验 |
| 4.4 本章小结 |
| 第五章 基于机器学习方法的切削力和表面粗糙度研究 |
| 5.1 机器学习方法简述 |
| 5.1.1 神经网络 |
| 5.1.2 lasso算法 |
| 5.1.3 多元自适应样条回归 |
| 5.1.4 基于袋装法的MARS |
| 5.1.5 支持向量机 |
| 5.2 机器学习模型的评价 |
| 5.3 机器学习模型的参数调整 |
| 5.4 切削力机器学习方法建模 |
| 5.4.1 机器学习模型性能的比较 |
| 5.4.2 机器学习模型的性能与样本数量分析 |
| 5.4.3 变量重要性分析 |
| 5.5 基于机器学习的表面粗糙度分析 |
| 5.5.1 机器学习模型的建立和分析 |
| 5.5.2 表面粗糙度分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间发表的学术论文成果 |
| 附录Ⅰ |
（5）车削颤振的在线智能检测及抑制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题的研究背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 颤振检测方面 |
| 1.3.2 支持向量机及其应用方面 |
| 1.3.3 颤振抑制方面 |
| 1.4 本文主要研究内容和章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第二章 支持向量机方法 |
| 2.1 引言 |
| 2.2 统计学习理论 |
| 2.3 支持向量机 |
| 2.3.1 最优分类超平面 |
| 2.3.2 支持向量机 |
| 2.4 核函数和参数优化 |
| 2.4.1 核函数的概念 |
| 2.4.2 核函数参数优化 |
| 2.5 最小二乘支持向量机 |
| 2.6 本章小结 |
| 第三章 基于特征降维的颤振检测 |
| 3.1 引言 |
| 3.2 颤振分析和特征提取 |
| 3.2.1 颤振的理论分析 |
| 3.2.2 颤振特征实验与分析 |
| 3.2.3 基于小波包节点能量的颤振特征提取 |
| 3.2.4 小波包分解层数对颤振识别的影响 |
| 3.3 特征选择方法 |
| 3.3.1 特征选择方法综述 |
| 3.3.2 最小二乘支持向量机-回归特征消除 |
| 3.4 基于特征降维的颤振检测 |
| 3.4.1 颤振检测算法流程 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于支持向量机的颤振在线智能检测 |
| 4.1 引言 |
| 4.2 基于离线模型的颤振检测 |
| 4.2.1 一类支持向量机算法 |
| 4.2.2 最小二乘一类支持向量机 |
| 4.2.3 基于离线训练模型的颤振检测 |
| 4.3 在线进化LS-OC-SVM模型的实现 |
| 4.3.1 LS-OC-SVM的增量求解 |
| 4.3.2 LS-OC-SVM的稀疏化与特征库构建 |
| 4.4 基于LS-OC-SVM的颤振在线智能检测 |
| 4.4.1 颤振在线智能检测系统流程 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 变速车削分析与智能车削系统的构建 |
| 5.1 引言 |
| 5.2 变速切削理论 |
| 5.2.1 切削过程稳定性分析 |
| 5.2.2 变速切削机理 |
| 5.3 西门子840D系统中变速切削的实现 |
| 5.3.1 同步动作程序组成 |
| 5.3.2 同步动作中的实时变量 |
| 5.3.3 变速车削程序实现 |
| 5.4变速切削抑制颤振实验 |
| 5.4.1 实验装置与方案 |
| 5.4.2 实验结果分析 |
| 5.5 颤振检测与抑制的智能车削系统 |
| 5.5.1 系统硬件平台 |
| 5.5.2 智能车削系统的实现 |
| 5.5.3 薄壁件车削实验与结果分析 |
| 5.6 本章小结 |
| 第六章 总结和展望 |
| 6.1 主要工作与创新点 |
| 6.2 后续研究内容 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的学术成果 |
（6）数控机床刀具磨损的多传感器在线实时监测的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 国内外研究动态 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 发展趋势 |
| 1.4 本文主要工作 |
| 第2章 刀具磨损与状态诊断方法 |
| 2.1 刀具的磨损 |
| 2.2 刀具的破损 |
| 2.3 刀具的磨钝标准 |
| 2.4 刀具状态的诊断方法 |
| 2.4.1 光学摄像法 |
| 2.4.2 摩擦电势监测法 |
| 2.4.3 切削力监测法 |
| 2.4.4 电机电流与功率法 |
| 2.4.5 振动监测法 |
| 2.4.6 红外线辐射信号 |
| 2.4.7 声发射监测法 |
| 2.4.8 超声波信号 |
| 2.4.9 应用现代信息处理技术监控刀具状态 |
| 2.5 多传感器数据融合 |
| 2.5.1 数据融合的方法 |
| 2.6 BP 神经网络算法 |
| 2.6.1 BP 算法 |
| 2.6.2 BP 学习规则 |
| 2.6.3 BP 算法及其公式推导 |
| 2.7 小波分析理论 |
| 2.7.1 小波序列 |
| 2.7.2 连续小波变换 |
| 2.7.3 离散小波变换 |
| 2.8 本章小结 |
| 第3章 刀具状态监测实验 |
| 3.1 传感器的选择 |
| 3.2 刀具状态监测实验设计 |
| 3.2.1 实验设备选择 |
| 3.2.2 实验所用传感器选择 |
| 3.2.3 实验原理图 |
| 3.3 信号分析处理 |
| 3.4 本章小结 |
| 第4章 刀具磨损状态监测系统 |
| 4.1 监测系统原理 |
| 4.2 刀具状态监测系统设计 |
| 4.3 特征值归一化处理 |
| 4.4 多传感器信号作监测信号建模 |
| 4.5 本章小结 |
| 第5章 刀具状态系统的开发 |
| 5.1 刀具监测系统开发软件 |
| 5.2 MATLAB 脚本的调用 |
| 5.3 刀具监测系统主要功能模块 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（7）微细铣削加工表面形貌仿真与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 研究综述 |
| 1.4 主要工作 |
| 2 微细铣削加工表面形貌纹理特征分析 |
| 2.1 微细铣削加工表面形貌纹理特征 |
| 2.2 微细铣削加工表面形貌仿真算法 |
| 2.3 加工参数对表面形貌纹理的影响 |
| 2.4 相位角对表面形貌的影响 |
| 2.5 相位角差控制方法 |
| 2.6 实验验证 |
| 2.7 本章小结 |
| 3 刀具振动对微细铣削加工表面形貌的影响 |
| 3.1 考虑振动的切削刃切削运动模型 |
| 3.2 振动对二维切削轮廓的影响 |
| 3.3 振动对微细铣削形貌的影响 |
| 3.4 微细铣削加工实验 |
| 3.5 本章小结 |
| 4 微细铣削加工表面形貌频域分析 |
| 4.1 APSD 介绍 |
| 4.2 微细铣削加工表面形貌频域分析 |
| 4.3 本章小结 |
| 5 结论及展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读学位期间发表学术论文目录 |
（8）基于加工表面图像的刀具磨损状态监测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 刀具状态监测技术概况 |
| 1.2.1 刀具状态监测技术的发展概况 |
| 1.2.2 刀具状态监测技术的分类 |
| 1.2.3 主要刀具状态监测技术及系统的特点 |
| 1.2.4 目前刀具状态检测存在的主要问题 |
| 1.3 基于图像处理的刀具状态监测的特点及现状 |
| 1.3.1 基于图像处理的刀具状态监测系统的特点 |
| 1.3.2 国内外基于图像处理的刀具状态监测技术的现状 |
| 1.4 本文的主要研究内容 |
| 2 加工表面纹理特征及刀具磨损表面特征分析 |
| 2.1 纹理的概念 |
| 2.2 刀具磨损的基本特征和主要磨损形态 |
| 2.3 刀具的磨损过程与磨钝标准 |
| 2.3.1 刀具的磨损过程 |
| 2.3.2 刀具的磨钝标准 |
| 2.4 加工表面纹理的形成 |
| 2.5 加工表面纹理特征分析及与刀具磨损的关系 |
| 2.6 本文的实验装置及实验数据 |
| 2.7 本章小结 |
| 3 车削加工表面图像的预处理 |
| 3.1 引言 |
| 3.2 图像的剪切 |
| 3.3 图像的光照不均匀校正 |
| 3.4 图像的平滑及边缘检测 |
| 3.4.1 图像平滑 |
| 3.4.2 边缘检测 |
| 3.5 切削加工表面图像的纹理角度校正 |
| 3.6 本章小结 |
| 4 基于HOUGH变换的刀具磨损加工表面纹理特征提取 |
| 4.1 纹理分析方法介绍 |
| 4.2 Hough变换 |
| 4.2.1 Hough变换的基本原理 |
| 4.2.2 直线极坐标形式的Hough变换 |
| 4.3 Hough变换的具体算法及简单算例 |
| 4.3.1 Hough变换的具体算法 |
| 4.3.2 基于Hough变换的直线检测算例 |
| 4.4 基于Hough变换的加工表面图像分析 |
| 4.4.1 加工表面图像的Hough变换 |
| 4.4.2 基于Hough变换的刀具磨损前后特征参数比较 |
| 4.5 基于Hough变换的实验数据分析 |
| 4.6 本章小结 |
| 5 基于分形理论的加工表面图像分析 |
| 5.1 分形理论基础 |
| 5.1.1 分形的概念与特征 |
| 5.1.2 分形理论的发展 |
| 5.1.3 分维数布朗运动 |
| 5.2 分形维数 |
| 5.2.1 盒维数 |
| 5.2.2 小波分维数 |
| 5.2.3 基于图像对数功率谱的分形谱维数 |
| 5.3 基于分形理论的实验数据分析 |
| 5.3.1 信号自相似性分析 |
| 5.3.2 基于小波分维数的实验数据分析 |
| 5.3.3 基于图像对数功率谱的分形谱维数实验数据分析 |
| 5.4 本章小结 |
| 6 基于模糊识别算法的刀具状态识别 |
| 6.1 模糊模式识别系统的建立 |
| 6.1.1 隶属函数的确定 |
| 6.1.2 隶属度权值的确定 |
| 6.1.3 刀具状态的模糊识别 |
| 6.2 基于模式识别方法的刀具状态识别 |
| 6.2.1 基于模糊识别方法的刀具状态识别系统的建立 |
| 6.2.2 特征参数的选取及模型空间的建立 |
| 6.2.3 刀具状态识别结果 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 全文总结 |
| 7.2 发展与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表论文与参与项目 |
（9）天然金刚石刀具刃磨过程的监测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 国内外研究现状和发展趋势 |
| 1.1.1 金刚石刀具刃磨技术研究现状 |
| 1.1.2 金刚石刀具刃磨技术发展趋势 |
| 1.2 课题来源、研究目的和研究意义 |
| 1.3 论文研究主要内容 |
| 第2章 天然金刚石刀具刃磨过程监测技术基础 |
| 2.1 天然金刚石晶体特点 |
| 2.2 天然金刚石刀具刃磨机理 |
| 2.3 天然金刚石刀具刃磨技术基础 |
| 2.3.1 晶体定向 |
| 2.3.2 刃磨工艺条件 |
| 2.4 刀具刃磨过程监测系统研究 |
| 2.4.1 敏感信号的选取 |
| 2.4.2 敏感信号的处理 |
| 2.5 本章小结 |
| 第3章 监测系统设计 |
| 3.1 EWAG磨床及环境介绍 |
| 3.2 监测系统方案设计 |
| 3.3 监测信号的确定 |
| 3.4 监测系统构建 |
| 3.4.1 传感器的选择 |
| 3.4.2 数据采集和显示系统的选择 |
| 3.4.3 刀具质量的图像采集 |
| 3.5 本章小结 |
| 第4章 基于监测系统的试验和分析 |
| 4.1 监测信号检测和分析 |
| 4.1.1 声音信号检测和分析 |
| 4.1.2 力信号检测和分析 |
| 4.1.3 振动信号检测和分析 |
| 4.2 基于振动信号的试验和分析 |
| 4.2.1 各晶向刃磨效率试验和分析 |
| 4.2.2 进给量细分试验与工艺优化 |
| 4.2.3 破损试验和分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表的论文和参加的学术活动 |
四、BP-Neural-Network-Based Tool Wear Monitoring by Using Wav elet Decomposition of the Power Spectrum（论文参考文献）
- [1]数控机床主轴回转误差测量与故障诊断方法研究[D]. 万道文. 哈尔滨工业大学, 2021
- [2]基于数据融合的全地面起重机路面信息识别技术研究[D]. 邬佳琪. 吉林大学, 2020(01)
- [3]水力旋流器运行状态监测及故障诊断方法研究[D]. 戴丹. 中国矿业大学, 2019(09)
- [4]GH3128镍基高温合金切削性能研究[D]. 李香飞. 天津职业技术师范大学, 2016(04)
- [5]车削颤振的在线智能检测及抑制研究[D]. 钱士才. 上海交通大学, 2016(03)
- [6]数控机床刀具磨损的多传感器在线实时监测的研究[D]. 方平. 华北电力大学, 2014(03)
- [7]微细铣削加工表面形貌仿真与分析[D]. 吴警. 华中科技大学, 2013(06)
- [8]基于加工表面图像的刀具磨损状态监测[D]. 朱云飞. 西安理工大学, 2008(01)
- [9]天然金刚石刀具刃磨过程的监测技术研究[D]. 周天剑. 中国工程物理研究院, 2007(06)