摘要6-7
Abstract7-13
第1章 绪论13-20
1.1 探讨刀具磨损状态监测技术的目的13-14
1.2 刀具磨损状态监测技术14-16
1.2.1 监测信号的选取14
1.2.2 信息处理技术的探讨14-16
1.2.3 刀具磨损状态诊断与识别16
1.3 声发射技术16-18
1.3.1 声发射技术的进展经历16-17
1.3.2 声发射现象17-18
1.3.3 声发射信号的特性浅析18
1.4 本论文的主要探讨内容18-19
1.5 本章小结19-20
第2章 刀具磨损原理与刀具磨损监测系统20-32
2.1 刀具磨损20-27
2.1.1 刀具磨损形态20-22
2.1.2 刀具磨损的理由22-25
2.1.3 刀具磨损历程及磨钝标准25-27
2.2 刀具磨损监测系统27-31
2.2.1 监测系统框架27
2.2.2 监测系统的硬件设计27-30
2.2.3 监测系统的软件设计30-31
2.3 本章小结31-32
第3章 滤波预处理的 HHT 浅析32-47
3.1 HHT 概述32-34
3.2 滤波技术34-35
3.3 最佳小波包滤波预处理的 HHT 浅析35-40
3.3.1 小波包分解与重构35
3.3.2 最佳小波包分解35-36
3.3.3 最佳小波包滤波的实现36-37
3.3.4 最佳小波包滤波的实验浅析37-40
3.4 STEIN 无偏似然估计滤波预处理的 HHT 浅析40-42
3.4.1 SURE 原理介绍40-41
3.4.2 Stein 无偏似然估计滤波的实验浅析41-42
3.5 HHT 滤波42-45
3.5.1 HHT 滤波原理42-43
3.5.2 HHT 滤波的实验浅析43-45
3.6 本章小结45-47
第4章 HHT 改善及声发射信号特点提取47-62
4.1 停止准则改善48
4.2 端点效应改善48-53
4.2.1 端点效应浅析48-49
4.2.2 解决端点效应的常用策略49-51
4.2.3 Rilpng 对称延拓51-53
4.3 虚检测分量剔除53
4.4 HHT 改善的仿真浅析53-55
4.5 声发射信号的特点提取55-61
4.5.1 提取 IMF 分量的归一化能量作为特点值58-60
4.5.2 提取 EMD 能量熵作为特点值60-61
4.6 本章小结61-62
第5章 刀具磨损状态的识别62-72
5.1 支持向量机的基本概述62-66
5.1.1 VC 维论述62-63
5.1.2 结构风险最小化63-66
5.2 支持向量机原理66-68
5.2.1 支持向量机基本算法66
5.2.2 支持向量机的分类66-68
5.3 最小二乘支持向量机68-71
5.3.1 最小二乘支持向量机概述68-69
5.3.2 LS-SVM 的分类算法69-70
5.3.3 刀具磨损状态识别的实验浅析70-71
5.4 本章小结71-72
结论72-74