摘要6-7
Abstract7-12
第1章 绪论12-21
1.1 课题探讨的目的和探讨作用12-13
1.2 课题探讨背景13-14
1.3 航空航天用钛合金的切削加工近况14-16
1.3.1 钛合金的类型及机械物理性能15-16
1.3.2 钛合金切削加工性特点16
1.4 刀具状态监测探讨近况16-18
1.4.1 刀具状态监测技术的国内外探讨近况16-17
1.4.2 钛合金加工中刀具状态监测探讨17-18
1.5 刀具磨损状态监测系统18-20
1.5.1 信号采集18-19
1.5.2 特点提取19
1.5.3 状态识别19-20
1.6 本论文的主要探讨内容20-21
第2章 钛合金铣削加工工艺及刀具磨损探讨21-27
2.1 铣削加工的原理及特点21
2.1.1 铣削加工原理21
2.1.2 铣削加工特点21
2.2 钛合金 T 铣削工艺21-23
2.2.1 钛合金 T 的切削性能21-22
2.2.2 钛合金铣削加工工艺22-23
2.3 刀具磨损指标探讨23-25
2.3.1 刀具磨损历程23-24
2.3.2 刀具磨损形态及磨钝标准24-25
2.3.3 刀具磨损状态划分25
2.4 本章小结25-27
第3章 刀具磨损状态监测系统的建立27-34
3.1 监测信号的确定27-28
3.2 系统硬件组成28-32
3.2.1 试验机床28
3.2.2 加工工件和刀具28-29
3.2.3 声发射传感器和前置放大器29-31
3.2.4 刀具磨损检测仪31-32
3.3 软件组成32
3.4 实验案例32-33
3.5 本章小结33-34
第4章 声发射信号浅析及特点提取34-49
4.1 参数浅析34-36
4.2 时域浅析36-37
4.3 频域浅析37-39
4.3.1 傅里叶变换37-38
4.3.2 频域特点38-39
4.4 局部均值分解39-44
4.4.1 局部均值分解的策略原理40-42
4.4.2 特点提取42-44
4.5 主元浅析44-48
4.5.1 主元浅析的基本原理44-46
4.5.2 基于主元浅析的特点提取46-48
4.6 本章小结48-49
第5章 基于 BP 神经网络和 SVM 的刀具磨损状态识别49-62
5.1 BP 神经网络49-54
5.1.1 BP 网络模型及结构49-50
5.1.2 BP 神经网络算法50-52
5.1.3 BP 神经网络的设计52-54
5.2 基于 BP 神经网络的刀具磨损状态识别54-55
5.3 支持向量机55-60
5.3.1 VC 维55-56
5.3.2 推广性的界56-57
5.3.3 结构风险最小化原则57
5.3.4 SVM 原理57-59
5.3.5 SVM 参数和核函数的确定59-60
5.4 基于 SVM 的刀具磨损状态识别60
5.5 验证 SVM 的有效性60-61
5.6 本章小结61-62
结论62-64