一、基于小波包和EAR模型的铣削颤振特征提取和评价（论文文献综述）
黄任杰[1]（2021）在《虑及颤振在线抑制的高效自适应加工技术研究》文中提出在机械加工领域,存在大量加工余量不均匀、去除量大的复杂结构件,传统加工方式缺乏参数调控能力,难以提升加工效率。因此,开展高效自适应加工技术研究对于提升加工效率具有重要意义。本文开展虑及颤振在线抑制的高效自适应加工技术研究,采用功率传感器和加速度传感器采集主轴功率和切削振动,设计基于恒功率约束的机床自适应模糊控制算法,研究基于加权小波包熵的颤振识别方法和基于变主轴转速的颤振抑制方法,制定主轴转速和进给速度的调控策略,最终实现机床的高效自适应加工。首先,开展机床主轴载荷与切削振动在线监测研究。通过比较各种监测信号的优缺点,为高效自适应加工系统选择合适的监测信号和传感器,并对监测信号进行分析处理。通过建立主轴功率和切削载荷间的关联关系模型,分析主轴功率间接监测切削载荷的可行性。分析颤振发生前后振动信号变化特征,选择合适的振动特征量。其次,设计机床自适应控制算法和切削颤振的识别与抑制算法。基于恒功率约束,开发自适应模糊控制器,通过采集切削过程主轴功率信号,实时调节进给倍率来实现自适应控制。以加权小波包熵为特征量,研究切削颤振在线识别方法,并通过数值仿真和切削试验两种方法,验证颤振识别方法的有效性。建立切削系统单自由度模型,通过寻找加工系统不发生颤振的最佳主轴转速,依据颤振频率和刀齿数,实现基于变主轴转速的颤振抑制。基于机床主轴电机功率、扭矩和转速关系,制定主轴转速和进给速度的调控策略。然后,开发高效自适应加工软件。针对高效自适应加工的实际功能需求,利用Lab VIEW与MATLAB混合编程技术,开发高效自适应加工软件系统。系统包含参数配置、数据采集、离线学习和自适应加工四大模块。基于TCP/IP通信技术,实现机床与工控机的实时通信。通过调用数控系统动态链接库的方法,实现对机床倍率指令的发送。最后,对高效自适应加工系统进行切削试验验证。设计两组切削对比试验,分别在阶梯面单轴铣削和三轴联动铣削过程中,对比分析采用传统加工方式和高效自适应加工方式的加工时间和切削振动。试验结果表明,本文提出的高效自适应加工方法可以明显提升加工效率,并能抑制加工过程中的切削颤振。
秦赟[2]（2021）在《薄壁件铣削颤振与刀具磨损状态监测研究》文中研究表明薄壁件的重量轻,同时具有较好的机械性能,可以在各种工业领域中进行应用。但是其在铣削加工中的弱刚性与模态时变特性等特点,导致切削过程中极易发生颤振,进而降低加工表面质量以及引起刀具磨损严重。同时,薄壁件的材料多为钛合金、高温合金等合金材料,这些材料的难加工特性加快了加工过程中的刀具磨损,继而影响加工精度。因此,研究薄壁件铣削颤振与刀具磨损状态监测手段,对保障薄壁件铣削稳定加工、提高薄壁件铣削加工效率具有十分重要的意义。本文围绕薄壁件铣削加工颤振与刀具磨损状态监测技术展开研究,提出了利用多种传感器监测颤振和刀具磨损的新方法,提高了系统的鲁棒性,以减少对加工状态的误判。在此基础上,针对性的对多传感信号特征进行了研究与分析,分别建立了高效的颤振与刀具磨损状态监测模型,为保障薄壁件的稳定加工以及工业智能化发展提供了研究基础。首先,针对薄壁件铣削加工颤振辨识问题,基于薄壁件的加工特点,分析并确定了声音、加速度、铣削力作为颤振与刀具磨损状态的监测信号,并根据所需信号搭建了实验平台,其中包括加工平台、传感器、数据采集装置等设备。进而基于声音信号时域特征、铣削力信号频域特征以及切削工艺参数,提出了一种综合精确地判断某时间段所处的加工状态的方法,并通过加工后工件的表面形貌进行验证,证明了方法的有效性,为样本标签的高效建立奠定了基础。针对切削过程中的磨损问题,系统地阐述了刀具磨损机理,并针对本文研究的铣削刀具磨损问题给出了刀具磨损状态的分类及其对应标准。其次,本文对薄壁件铣削颤振实验获得的声音、加速度、铣削力多传感信号进行了 VMD分解,建立了基于IMF的能量熵与颤振状态之间的关联,并基于所提出的MPGA-XGBoost模型对特征样本进行了颤振状态识别,通过与传统机器学习模型比较,验证了所提出的MPGA-XGBoost模型的优越性。通过实验结果发现,VMD分解可以有效的对信号中的颤振频带进行分离,并且基于IMF的能量熵可以表征颤振状态。MPGA可以有效的对XGBoost进行参数优化,XGBoost模型在优化后的预测准确率达到了 93%,比未优化的预测准确率提高了 8%。通过与不同算法模型的对比,XGBoost模型在颤振状态识别中表现出较高的精度,其预测准确率比SVM与BPNN分别高了 5%和12%。最后,本文对薄壁件稳定铣削加工中的声音、加速度、铣削力信号实验数据进行了高维特征提取,包括时域特征、频域特征与小波包节点能量共计117个特征,通过SVM-RFE进行了低维特征的选择,最终筛选出10个最优特征,再利用PNN模型对最优特征样本进行了训练与预测,并对比了 SVM与BPNN模型的预测结果。结果表明三种信号与刀具磨损状态的相关程度为:铣削力>加速度>声音。PNN模型对特征选择后的特征样本的预测准确率比原始特征样本提高了 17%,并且对初期磨损、中期磨损状态的判断更加准确。通过不同算法模型的对比,PNN模型在刀具磨损状态识别中表现出较高的精度,其预测准确率比SVM与BPNN分别提高了 9%和19%。
成天宝[3]（2021）在《基于多传感器信息融合的数控机床加工过程状态识别研究》文中指出数控机床状态监测作为机床智能化研究的核心,在保障机床安全稳定运行、提高加工质量及生产效率等方面发挥重要作用,而数控机床加工过程状态识别作为机床状态监测的关键部分,一直是国内外研究的重点。本文以数控机床的加工状态为研究对象,结合先进的信号处理及模式识别方法,展开其加工状态识别研究,对研究机床加工规律、切削参数优化、加工状态控制方法与策略具有重要意义。本文首先从数控机床的系统构成及工作原理出发,分析机床不同监测信号的特性,以明确机床加工过程状态识别研究的监测信号类型及传感器规格参数。然后从机床关键零部件的振动状态研究入手,提出了一种基于低维特征的机床主轴振动状态识别方法。一方面,利用局部判别小波包变换完成主轴振动信号的状态特征提取,系统地解决了小波包变换时的分解层数、基小波函数选择及冗余信号分解等问题。另一方面,对提取特征向量进行主成分分析,以降低特征维度和计算成本,并结合监督学习方法实现基于低维特征信息的状态识别。为克服机床关键零部件状态识别研究中单传感信息分析所存在的不确定性和局限性问题,分别从数据级和特征级层面研究多传感器信息融合的体系架构和方法论,提出一种多传感器信息融合的机床加工状态识别方法,可降低状态信息不足对识别结果的影响。为验证所提出的不同多传感器信息融合方法的可行性,设计了具体的叶片加工实验,并通过其加工过程的多通道振动和声音数据完成多传感器信息融合方法有效性验证。最后基于LabVIEW和MATLAB的混合编程方式开发了一个多传感器信息融合的机床加工过程状态识别系统,保留两个软件各自优势的同时,解决了数据采集和数据处理系统独立运行所带来的过程复杂、工作量大等问题。本文针对数控机床加工状态识别而提出的多传感器信息融合方法,综合利用了不同传感器的状态信息,与单传感器信息分析相比,提高了状态识别的准确率,可有效应用于数控机床状态监测中。
谢振龙[4]（2021）在《钛合金薄壁件铣削过程颤振及变形预测》文中提出由于薄壁件加工由于参数选择问题容易发生颤振现象,本文对其动态特性变化、动力学方程求解稳定性叶瓣图及颤振预测进行研究;对薄壁件加工中出现的切削变形问题,本文主要对变形原理及切削变形预测展开研究。研究主要内容如下:首先,针对刚性件及薄壁件动态切厚进行解析建模,提出不同工件的瞬时铣削力及动态铣削力模型,建立刚性件及薄壁件不同的动力学方程。利用多点激励单点拾振的方法对薄壁件及刀具进行模态敲击试验,通过峰值拾取法进行计算,得到工件及刀具的模态参数。通过测得到模态参数及铣削力系数建立稳定性叶瓣图,为下文研究提供理论依据以及对加工参数指导。其次,采集铣削过程信号,利用经验模态分解方法对信号信息进行筛选,将符合条件的本征模态信号进行重新组合得到新的信号,对信号进行特征值提取。将特征值矩阵输入到支持向量机中进行学习得到颤振预测模型。将检测信号输入到颤振预测模型进行测试,测试精度达到了97.50%。研究不同核函数下颤振预测模型的准确率,探讨不同核函数的优缺点、训练精度及测试精度,最终选择径向基函数建立早期颤振预测模型,为加工提供建议。然后,针对框架类薄壁件变形引入三边支承一边自由的矩形薄壁件变形原理;通过有限元仿真对比铣削不同点处的变形量,得到铣削时薄壁件变形最大的位置,通过铣削实验采取刀具铣削力信号与加工过程变形,以信号作为输入建立以支持向量机为基础的加工过程变形预测模型,对输入信号进行判断依据得到加工变形量,对下一次加工进行补偿建议。最终针对铣削过程中产生的颤振及变形问题,采用MATLAB/GUI平台搭建钛合金薄壁件铣削颤振及变形预测系统,通过经验模态分解方法对GUI读取的信号进行处理。将读取的信号输入到支持向量机中,得到是否发生颤振及加工过程变形量,为实际加工中提供参考。
王志学,刘献礼,李茂月,LIANG S Y,王力翚,李玉强,孟博洋[5]（2020）在《切削加工颤振智能监控技术》文中认为切削加工颤振智能监控技术是智能机床中不可或缺的一部分,是智能加工的一个重要发展方向。它对于提高零件的加工精度与效率,增加企业的运营绩效具有重要的意义。以传感器的选择、特征提取、颤振识别和颤振抑制为主线,系统的综述了切削加工过程中颤振智能监控的研究进展。分析颤振信号的选择和时域、频域、时频域以及特征自适应智能提取的特征提取方法;分析神经网络、支持向量机、隐马尔科夫模型、混合模型和在线智能进化模型在颤振识别中的应用;着重分析基于主轴转速调整的颤振智能控制方法。在此基础上,对切削加工颤振智能监控的研究难点进行了分析,并总结了目前存在的问题。最后,对切削加工颤振智能监控技术今后的发展趋势进行了展望。
周长安[6]（2020）在《铣削加工刀具磨损状态在线监控测振刀柄系统与信号奇异性分析研究》文中指出基于理论和技术创新的智能制造信息化装备是新一代信息技术产业的优先发展方向。在切削加工领域,制造过程中刀具的磨损状态识别与更换依然依赖人工经验,缺乏科学、有效的理论、技术与装备支撑,严重制约了生产效率和产品质量的提升。基于传感器技术的刀具磨损状态在线监测技术可以有效地判断刀具的磨破损状态,充分发挥刀具的加工潜能,已逐渐得到了制造业的广泛重视并获得应用,被认为是实现自动化制造、无人化生产的重要支撑技术。本文以建立一套具备“感知-分析-决策”能力的集成化切削过程监测系统为目标,围绕切削过程智能感知装备与信号时频分析理论所涉及的科学问题,进行相关理论、方法与技术研究。针对传统的切削过程有线式振动信号采集系统信号衰减、安装不便、移植性差等问题,开发了面向铣削加工过程在线监测的旋转式测振刀柄系统,集成工业级三轴加速度传感器,开发信号采集与无线通讯模块、前置处理模块,实现铣削加工中三向振动信号的实时测量;借助于单点激励的锤击法模态实验和有限元模态分析技术,评估测振刀柄本体的动态特性;并开展铣削加工振动信号对比实验,测试了旋转式测振刀柄系统振动信号的采集性能。测试结果表明所开发的旋转式测振刀柄系统能够满足应用需求。针对切削过程各类传感器信号波形变化与刀具磨损状态间的密切关系,建立基于小波变换的奇异性分析理论,形成基于小波变换系数模极大值评估的信号降噪算法,实现对传感器信号波形细微变化的定量表征;通过建立考虑刀具磨损的三维切削力建模,明确最适合切削力信号奇异性评估的小波基函数;创建基于模极大值降噪评估的小波基选择方法,为切削振动、声音等信号中未知的奇异性种类提供了定性依据。基于研制的旋转式测振刀柄系统,搭建包含切削力、振动、声音等三种传感器的铣削加工实验平台,设计并开展整体立铣刀全寿命切削磨损实验;基于已建立的小波变换信号奇异性分析算法完成各类传感器信号的李氏指数定量计算,通过的关联机制;基于互信息特征选择算法对各类传感器信号的李氏指数统计特征完成特征样本集的筛选;基于支持向量机算法分别建立了切削力、振动和声音信号的刀具状态识别模型;为刀具磨损状态监测系统的建立奠定了坚实的数据基础。最后,基于旋转式测振刀柄系统搭建铣削刀具磨损状态在线监测系统的总体框架;测试和验证旋转式测振刀柄系统在多种加工条件和不同刀具磨损状态下的信号采集能力;利用振动信号HE指数统计特征值对刀具磨损状态转变的敏感性,优化振动信号刀具磨损状态监测模型;开发铣削过程在线监测上位机软件系统,并开展铣削过程刀具全寿命周期模拟实验,测试和验证所开发铣削刀具磨损状态在线监测系统的功能和刀具状态识别准确率。
侯慧杰[7]（2020）在《基于傅里叶分解方法和径向基神经网络的铣削颤振检测研究》文中研究说明铣削加工是常用的加工方式,当切削参数选择不当时容易发生颤振,严重影响工件的表面质量和加工效率。若能对铣削状态进行检测,以便及时采取措施抑制颤振,则可以避免造成更大的损失。针对这一问题,本文从试验设计、信号分析、特征识别和软件开发几个方面,进行了以下研究:基于铣削动力学模型,通过求解动力学方程,绘制了稳定性叶瓣图,并据此设计了不同加工参数的铣削试验。采集振动加速度信号,建立了不同铣削状态的数据样本集,对稳定铣削和颤振状态下的振动信号特性进行了分析。考虑铣削振动信号的非平稳性,引入了一种新的时频分析理论,即傅里叶分解方法（FDM）,对仿真信号的分解结果表明,FDM相比于EMD能够有效抑制模态混叠和过分解现象。分别在时域、频域和时频域对铣削振动信号进行了特征提取,鉴于使用单一特征量设定阈值的检测方法精度较差,提出了基于径向基神经网络的铣削颤振检测方法。使用皮尔逊相关系数法结合算法模型的检测结果对特征量进行了筛选,将三维特征向量输入径向基神经网络进行训练和测试,测试结果表明,该方法能够对铣削状态进行检测,并具有较高的分类精度。设计并开发了铣削颤振检测软件,实现了数据采集、波形显示、铣削状态监测和反馈调节加工参数等功能。
赵洪伟[8]（2020）在《汽车外覆盖件模具铣削加工拼接区表面形貌的反演控制研究》文中指出汽车产业的发展水平反映了一个国家的综合国力以及工业竞争力,同时,中国汽车保有量也在飞速增长,人们对汽车的品质以及美学方面也有了更高的要求,需要不断改进汽车外覆盖件的制造工艺,对不同工况下加工后的拼接件模具的表面形貌进行揭示,同时对影响表面形貌的铣削参数进行多目标的反演控制研究,能够解决在汽车外覆盖件模具加工过程中的难点。本文以不同硬度的淬硬钢拼接样件,对不同工况下的铣削加工后的表面形貌变化进行分析以及实验研究,并针对实验的数据对表面形貌进行反演控制研究,具体研究内容包括:（1）建立铣削加工的动力学模型,基于NUBRS理论对控制点进行重构,对每齿进给量、主轴转速以及轴向切深变化下拼接缝前后表面形貌进行仿真研究。（2）基于小波包变换对表面形貌进行多尺度分析,对仿真的表面形貌进行时空变换以及能量熵表面形貌特征的提取。（3）以硬度不同的定曲率凸曲面拼接模具为研究对象,通过相关机床以及实验设备对在不同工况下加工后的样件进行表面形貌的提取,基于小波包变换对振动的轮廓信号进行分解,对能量熵的表面形貌特征进行提取,与仿真对比进行模型准确性的验证。（4）基于核主成分分析方法对所得到的不同频段的三层能量熵进行分析,确定影响最大的频段的,以刀具寿命、材料去除率以及能量熵的表面形貌特征为目标函数,结合种群遗传算法以及人工神经网络算法对影响表面形貌的铣削参数进行反演控制研究,为实际加工过程中铣削参数的选择提供依据。
高志强[9]（2020）在《数控机床振动特性指令域分析方法研究》文中提出切削加工时的机床振动是影响加工精度和妨碍提高生产效率的重要因素之一,如何根据机床振动特性来合理选择工艺参数,避开机床结构的共振点和加工中的颤振区,减小和抑制切削加工中的机床振动,是一个重要的研究课题。本文从系统分析的角度出发,将与数控机床加工工艺参数相关联的G指令作为输入,机床振动作为响应,通过典型G指令实验下的振动响应分析得到机床振动特性,为数控机床主动避振、颤振消除等加工过程优化提供依据。本文的主要工作如下:（1）利用数控机床G指令与切削加工工艺参数相关联的特点,提出了数控机床指令域信号分析/表达方法。传统的时域、频域,以及时-频域联合等信号分析方法,由于缺乏反映数控机床转速、切削深度和工作台位置等工艺参数信息,给后续的振动数据分析和机床振动特性识别带来困难。为获得振动信号分析时的工艺参数信息,本文同步采集数控机床加工时的振动信号和G指令流,并通过时域和指令域的坐标转换,实现以G指令（工艺参数）为横坐标（域）,特征量为纵坐标的数控机床振动信号分析方法;包括在二维波形和频谱图基础上叠加指令轴的三维瀑布图和以指令轴为横坐标,振动信号短时能量、中心频率等参数为纵坐标的二维指令谱、联合指令谱,从而实现与工艺参数相关联的振动信号分析。（2）将G指令作为一种特殊的控制信号和手段,提出数控机床振动特性指令域试验分析方法。把指令域分析方法与数控机床加工参数可读、可控的特点相结合,用一组特殊的G指令来操控数控机床,通过振动响应数据的指令域分析求取机床振动特性。其情形就像系统辨识中输入脉冲信号、阶跃信号等典型试验信号来分析系统特性。设计变速度G指令实现与速度关联的机床振动特性分析;设计变X、Y、Z位置G指令实现与位置关联的机床振动特性分析;设计变切削参数G指令实现机床颤振分析。（3）针对数控机床主动避振等智能模块所需的机床共振频率测量问题,设计实现了一种机床高速主轴共振转速指令域快速测量和分析方法。设计变主轴转速G指令,控制主轴进行梯度升/降速试验,绘制二维指令速度谱和指令瀑布图,得到机床主轴共振转速点。为通过振动加速度传感器实现机床主轴长时振动位移信号的测量,对现有加速度积分方法进行了改进,提出了一种短时频域积分振动位移测量方法。（4）针对切削颤振规避问题,研究实现了一种数控机床颤振叶瓣图指令域快速检测方法。使用切削振动分析G指令进行变主轴转速铣削扫查,通过切削稳定性状态标记和曲线拟合,快速实现颤振叶瓣图的检测。为准确识别振动信号频率,本文提出了一种微频移频谱细化方法。（5）开发了数控机床振动特性指令域分析系统。主要功能包括,G指令和振动信号同步采集,G指令-时域联合分析,G指令-频域联合分析,指令域主轴共振转速分析,指令域颤振叶瓣图分析,指令域进给轴振动分析,检测指令集等功能。为检验本文工作的实际应用效果,对某型号数控铣床进行了主轴共振转速分析、颤振叶瓣图分析和进给轴振动分析等试验,其振动特性识别结果与模态分析等传统方法一致,表明了本文方法的有效性。而从便于现场加工应用的角度看,本文方法有许多优势。
孟玉培[10]（2020）在《铣削稳定性分析与主轴颤振识别方法研究》文中提出机械加工行业最重要的目标之一就是提高加工生产率和产品的质量,颤振是影响加工生产率和质量的限制因素之一。颤振造成的机床加工不稳定现象会导致生产率变低和产品质量下降,甚至造成工件、刀具或者机床损坏。对切削稳定性和颤振识别问题的研究,有助于促进我国切削加工制造业向高端制造发展。本文源于重庆市专项“汽车动力系统关键零部件加工数控机床增效技术开发与应用”（项目编号:cstc2017zdcy-zdzxX005）。本文以项目合作的国内某机床企业加工中心（KMC500S U）铣削系统为研究对象,通过稳定性分析,研究动力学参数对加工稳定性的影响规律,为加工前切削参数的选择提供了指导依据。同时采集铣削加工系统主轴振动信号,提取了主轴稳定-过渡-颤振三种状态的特征量,并对这三种状态进行状态识别研究。论文主要研究内容包括如下:（1）以颤振机理为基础,研究铣削系统的动力学模型,建立动力学微分方程,用频域法求解稳定域。利用模态试验锤击法,获取加工中心刀具系统固有频率ωn,振动系统的阻尼比ξ及模态刚度k。建立铣削系数辨识模型,通过DEFORM-3D铣削力仿真实验获得切向力系数Ktc和径向力系数Krc。（2）用MATLAB绘制铣削颤振系统的临界稳定性图,得到的稳定性图为加工参数的合理选择提供依据。同时研究了固有频率ωn、阻尼比ξ以及模态刚度k等参数对机床颤振稳定性的影响。（3）基于LabVIEW建立振动数据采集系统,采集加工中心主轴不同工况下的振动数据180组,通过小波软阈值降噪法对信号降噪。将降噪后的信号采用小波包能量信息熵法和双谱分析对角切片能量法提取信号的两个特征量。（4）利用特征值小波包能量信息熵、双谱分析对角切片能量值进行两特征融合,分别输入支持向量机（Support Vector Machine,SVM）训练后对主轴状态进行了识别。通过粒子群算法寻找最优惩罚因子C和核宽度参数σ以优化SVM分类效果,并将优化后的SVM模型识别方法仿真实现。
二、基于小波包和EAR模型的铣削颤振特征提取和评价（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、基于小波包和EAR模型的铣削颤振特征提取和评价（论文提纲范文）
（1）虑及颤振在线抑制的高效自适应加工技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机床自适应控制技术研究现状 |
| 1.2.2 切削颤振在线识别与抑制技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 本章小结 |
| 2 机床主轴载荷与切削振动在线监测 |
| 2.1 机床主轴载荷在线监测 |
| 2.1.1 载荷监测信号选择 |
| 2.1.2 主轴功率与切削载荷关联关系模型建立 |
| 2.1.3 主轴功率信号分析处理 |
| 2.2 切削振动在线监测 |
| 2.2.1 颤振发生前后振动信号变化特征分析 |
| 2.2.2 颤振监测信号选择 |
| 2.2.3 振动信号特征量选择 |
| 2.3 本章小结 |
| 3 切削过程自适应控制与颤振在线抑制 |
| 3.1 基于恒功率约束的机床自适应控制方法 |
| 3.1.1 模糊控制理论 |
| 3.1.2 模糊控制器设计 |
| 3.1.3 模糊控制器量化因子自调整方法 |
| 3.2 切削颤振在线识别与抑制方法 |
| 3.2.1 基于加权小波包熵的颤振识别方法 |
| 3.2.2 颤振识别方法的数值仿真与试验验证 |
| 3.2.3 调整切削参数抑制颤振的方法介绍 |
| 3.2.4 切削系统单自由度模型的建立 |
| 3.2.5 基于变主轴转速的颤振抑制方法 |
| 3.3 机床主轴转速与进给速度的调控策略 |
| 3.4 本章小结 |
| 4 高效自适应加工系统开发 |
| 4.1 基于Lab VIEW的高效自适应加工系统 |
| 4.2 机床与工控机的实时通信方法 |
| 4.2.1 TCP/IP通信过程 |
| 4.2.2 基于TCP/IP的实时通信 |
| 4.3 机床主轴转速与进给速度调整的实现方法 |
| 4.3.1 链接库简介 |
| 4.3.2 主轴转速与进给速度倍率调整的实现过程 |
| 4.4 本章小结 |
| 5 高效自适应加工系统切削试验验证 |
| 5.1 试验设备 |
| 5.1.1 试验机床介绍 |
| 5.1.2 试验硬件系统 |
| 5.1.3 传感器布置 |
| 5.2 阶梯面单轴铣削试验 |
| 5.2.1 试验方案设计 |
| 5.2.2 试验过程及结果分析 |
| 5.3 三轴联动铣削试验 |
| 5.3.1 试验方案设计 |
| 5.3.2 试验过程及结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 申请发明专利情况 |
| 致谢 |
（2）薄壁件铣削颤振与刀具磨损状态监测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 铣削颤振监测研究现状 |
| 1.2.2 刀具磨损状态监测研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文结构概要 |
| 第2章 基于多传感信息的薄壁件铣削状态辨识研究 |
| 2.1 监测信号分析与铣削监测实验系统 |
| 2.1.1 监测信号分析 |
| 2.1.2 铣削加工状态监测实验平台搭建 |
| 2.1.3 薄壁件铣削颤振与刀具磨损实验 |
| 2.2 薄壁件铣削颤振信号辨识研究 |
| 2.3 薄壁件铣削刀具磨损机理与实验研究 |
| 2.3.1 铣削刀具磨损机理及磨钝标准 |
| 2.3.2 薄壁件铣削刀具磨损实验结果分析 |
| 2.4 本章小结 |
| 第3章 基于XGBoost模型的薄壁件铣削颤振监测方法研究 |
| 3.1 基于VMD的薄壁件铣削颤振多传感信号分解研究 |
| 3.1.1 变分模态分解 |
| 3.1.2 铣削颤振实验数据分析 |
| 3.2 薄壁件铣削颤振多传感信号特征提取研究 |
| 3.2.1 基于IMF的能量熵特征方法 |
| 3.2.2 薄壁件铣削颤振特征提取 |
| 3.3 基于MPGA-XGBoost的薄壁件铣削颤振辨识模型 |
| 3.3.1 XGBoost算法模型 |
| 3.3.2 基于多种群遗传算法的优化模型建立 |
| 3.3.3 颤振识别结果及精度分析 |
| 3.4 本章小结 |
| 第4章 基于PNN模型的薄壁件铣削刀具磨损监测方法研究 |
| 4.1 薄壁件铣削刀具磨损多传感信号特征提取研究 |
| 4.1.1 时域特征提取 |
| 4.1.2 频域特征提取 |
| 4.1.3 小波包分解和特征提取 |
| 4.2 薄壁件铣削刀具磨损多传感信号特征选择研究 |
| 4.2.1 基于支持向量机的递归特征消除 |
| 4.2.2 特征选择结果分析 |
| 4.3 基于PNN的薄壁件铣削刀具磨损状态辨识模型 |
| 4.3.1 概率神经网络 |
| 4.3.2 PNN模型结构 |
| 4.3.3 刀具磨损识别结果及精度分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文和参加科研情况 |
| 1. 攻读硕士学位期间发表的学术成果 |
| 2. 攻读硕士学位期间参与的科研项目 |
| 3. 攻读硕士学位期间获得的奖励 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（3）基于多传感器信息融合的数控机床加工过程状态识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 关键技术国内外研究现状 |
| 1.3.1 状态监测方法 |
| 1.3.2 多传感器信息融合技术 |
| 1.4 课题研究的主要内容 |
| 2 数控机床的系统构成及监测信号分析 |
| 2.1 引言 |
| 2.2 数控机床的系统构成及工作原理 |
| 2.2.1 数控机床的系统构成 |
| 2.2.2 数控机床工作原理 |
| 2.3 监测信号分析及传感器规格 |
| 2.3.1 监测信号选择 |
| 2.3.2 传感器规格参数 |
| 2.4 本章小结 |
| 3 基于振动信号的机床主轴振动状态识别 |
| 3.1 引言 |
| 3.2 状态特征提取方法研究 |
| 3.2.1 小波包变换 |
| 3.2.2 多信息域的特征提取 |
| 3.2.3 基于PCA的特征降维 |
| 3.3 BP神经网络状态识别方法 |
| 3.3.1 BP神经网络基本理论 |
| 3.3.2 基于BP神经网络的机床主轴振动状态识别 |
| 3.4 实验验证 |
| 3.4.1 实验设计 |
| 3.4.2 信号分析 |
| 3.4.3 结果讨论 |
| 3.5 本章小结 |
| 4 机床加工状态的多传感器信息融合方法研究 |
| 4.1 引言 |
| 4.2 信息融合技术的基本理论 |
| 4.2.1 信息融合的定义 |
| 4.2.2 信息融合系统的结构 |
| 4.2.3 信息融合技术的分类 |
| 4.3 数据级多传感器信息融合方法 |
| 4.3.1 自适应加权平均法 |
| 4.3.2 卡尔曼滤波 |
| 4.3.3 数据级融合估计算法 |
| 4.4 特征级多传感器信息融合方法 |
| 4.4.1 串行特征融合方法 |
| 4.4.2 并行加权特征融合方法 |
| 4.4.3 其他特征融合策略 |
| 4.5 本章小结 |
| 5 多传感器信息融合方法的实验验证及识别系统开发 |
| 5.1 引言 |
| 5.2 实验设计 |
| 5.2.1 前期准备实验 |
| 5.2.2 叶片加工实验方案 |
| 5.3 多传感器信息融合的机床加工状态识别 |
| 5.3.1 监测信号的特征提取 |
| 5.3.2 数据级信息融合的识别结果 |
| 5.3.3 特征级信息融合的识别结果 |
| 5.3.4 融合结果讨论 |
| 5.4 机床加工过程状态识别系统的开发 |
| 5.4.1 系统的框架设计 |
| 5.4.2 功能模块设计 |
| 5.4.3 系统功能测试 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（4）钛合金薄壁件铣削过程颤振及变形预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.1.1 课题来源 |
| 1.1.2 研究目的及意义 |
| 1.2 颤振及变形预测国内外研究现状 |
| 1.2.1 铣削加工稳定性的研究 |
| 1.2.2 加工过程中颤振预测的研究 |
| 1.2.3 薄壁件加工变形预测研究现状 |
| 1.3 课题来源及主要研究内容 |
| 第2章 钛合金薄壁件铣削稳定性预测研究 |
| 2.1 铣削动力学模型 |
| 2.1.1 铣削过程的动态切削厚度 |
| 2.1.2 动态铣削力模型 |
| 2.2 基于再生效应的铣削动力学建模 |
| 2.2.1 刚性工件铣削动力学建模 |
| 2.2.2 薄壁类工件铣削动力学建模 |
| 2.3 刀具及工件模态锤击实验 |
| 2.3.1 试验材料及设备 |
| 2.3.2 模态试验 |
| 2.3.3 铣削力辨识实验 |
| 2.4 本章小结 |
| 第3章 基于EMD-SVM的颤振预测研究 |
| 3.1 经验模态分解思想 |
| 3.2 支持向量机概念及分类 |
| 3.2.1 支持向量机的基本理论 |
| 3.2.2 支持向量机的分类 |
| 3.2.3 核函数的选择 |
| 3.3 信号特征值提取 |
| 3.4 基于EMD-SVM学习模式 |
| 3.5 颤振切削试验 |
| 3.6 基于EMD-SVM的颤振预测模型 |
| 3.6.1 基于信号特征值的颤振预测模型 |
| 3.6.2 多种核函数下的颤振预测模型 |
| 3.7 本章小结 |
| 第4章 基于神经网络的薄壁件变形预测模型 |
| 4.1 薄壁件变形原理 |
| 4.1.1 基于矩形板弯曲理论的变形原理 |
| 4.1.2 基于有限元的变形仿真 |
| 4.2 变形铣削实验 |
| 4.2.1 加工实验现场 |
| 4.2.2 实验结果分析 |
| 4.3 基于支持向量机的变形预测模型 |
| 4.4 本章小结 |
| 第5章 钛合金薄壁件颤振及变形预测系统 |
| 5.1 铣削稳定性预测及参数优化系统的设计与搭建 |
| 5.1.1 系统设计目标 |
| 5.1.2 系统搭建方案 |
| 5.2 系统组件 |
| 5.2.1 信号处理模块 |
| 5.2.2 钛合金铣削过程颤振预测模块 |
| 5.2.3 钛合金框架类薄壁件变形预测模块 |
| 5.3 系统信息模块 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文及其他成果 |
| 致谢 |
（5）切削加工颤振智能监控技术（论文提纲范文）
| 0前言 |
| 1 传感器选择 |
| 1.1 力和振动传感器 |
| 1.2 声音传感器 |
| 1.3 电流信号 |
| 1.4 多传感信号融合 |
| 2 颤振特征提取技术 |
| 2.1 时域分析 |
| 2.2 频域分析 |
| 2.3 时频域分析 |
| 2.3.1 小波变换 |
| 2.3.2 经验模态分解 |
| 2.3.3 变分模态分解 |
| 2.4 特征自适应智能提取 |
| 3 颤振识别技术 |
| 3.1 神经网络模型 |
| 3.2 支持向量机模型 |
| 3.3 隐马尔可夫模型 |
| 3.4 混合模型 |
| 3.5 在线智能进化模型 |
| 4 基于变主轴转速的颤振智能控制技术 |
| 4.1 连续变主轴转速抑制技术 |
| 4.2 离散变主轴转速抑制技术 |
| 5 加工颤振智能监控研究难点及发展趋势 |
| 5.1 智能传感器与多传感融合技术 |
| 5.2 颤振实时检测与控制 |
| 5.3 颤振智能监控模块集成技术 |
| 5.4 开发具有在线进化能力的颤振辨识系统 |
| 5.5 开发具有在线识别动力学参数的颤振监控系统 |
| 6 结论 |
（6）铣削加工刀具磨损状态在线监控测振刀柄系统与信号奇异性分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号及其单位 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 刀具磨损状态监测关键技术与研究现状 |
| 1.2.1 刀具磨损监测方法研究现状 |
| 1.2.2 基于人工智能算法的监测系统研究现状 |
| 1.3 基于传感器集成技术的智能刀柄系统研究现状 |
| 1.3.1 测力刀柄系统研究现状 |
| 1.3.2 测振、测温刀柄系统研究现状 |
| 1.4 信号处理技术 |
| 1.5 论文的提出、研究内容及总体框架 |
| 1.5.1 论文的提出 |
| 1.5.2 主要研究内容 |
| 1.5.3 论文整体框架 |
| 第二章 面向铣削加工的旋转式测振刀柄系统开发与性能测试 |
| 2.1 引言 |
| 2.2 旋转式测振刀柄总体设计 |
| 2.2.1 旋转式测振刀柄基本构成 |
| 2.2.2 旋转式测振刀柄设计要求 |
| 2.2.3 旋转式测振刀柄总体设计方案 |
| 2.3 振动传感器单元选型 |
| 2.4 振动信号采集与通讯系统设计 |
| 2.5 旋转式测振刀柄系统集成 |
| 2.6 旋转式测振刀柄系统动态特性分析与测试 |
| 2.6.1 旋转式测振刀柄有限元模态分析 |
| 2.6.2 旋转式测振刀柄系统单点激振试验 |
| 2.7 铣削实验振动信号对比分析 |
| 2.7.1 铣削信号对比实验设计 |
| 2.7.2 整个加工过程振动信号分析 |
| 2.8 小结 |
| 第三章 基于小波变换的信号奇异性分析理论与方法 |
| 3.1 引言 |
| 3.2 小波变换的基本理论与方法 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.3 奇异性分析理论与李氏指数评估的 |
| 3.3.1 李氏指数的定义 |
| 3.3.2 小波变换奇异性分析理论 |
| 3.3.3 李氏指数评估算法 |
| 3.4 基于模极大值评估的信号降噪算法 |
| 3.5 面向各类传感器信号奇异性分析的小波基函数选择方法 |
| 3.5.1 信号奇异性的分类 |
| 3.5.2 基于考虑刀具磨损三维切削力数学建模的小波基选取 |
| 3.5.3 基于模极大值降噪评估的小波基选择方法 |
| 3.6 小结 |
| 第四章 铣削过程传感器信号奇异性特性与刀具磨损状态的关联机制 |
| 4.1 引言 |
| 4.2 整体硬质合金立铣刀全寿命磨损实验研究 |
| 4.2.1 间接监测信号采集实验平台搭建 |
| 4.2.2 整体硬质合金立铣刀全寿命磨损实验设计 |
| 4.2.3 全寿命周期刀具磨损统计与状态划分 |
| 4.3 传感器信号奇异性特征与刀具磨损状态的关联机制 |
| 4.3.1 基于小波奇异性分析理论的HE指数计算方法 |
| 4.3.2 HE指数概率密度分布规律与刀具磨损状态的关联机制 |
| 4.3.3 HE指数的统计规律与刀具磨损状态的关系 |
| 4.4 基于特征选择算法的最优特征子集筛选 |
| 4.5 基于支持向量机的刀具磨损状态识别模型 |
| 4.5.1 支持向量机算法的基础理论 |
| 4.5.2 刀具磨损状态监测模型设计 |
| 4.5.3 基于SVM的刀具磨损状态监测模型训练与识别结果分析 |
| 4.6 小结 |
| 第五章 铣削刀具磨损状态在线监测系统构建与验证 |
| 5.1 引言 |
| 5.2 铣削刀具磨损状态在线监测系统总体框架设计 |
| 5.3 旋转式测振刀柄系统的性能测试与验证 |
| 5.3.1 变加工条件下的铣削信号对比实验设计 |
| 5.3.2 切削过程振动信号统计信息对比分析 |
| 5.4 基于振动信号HE指数统计规律的TWCM模型优化 |
| 5.5 基于旋转式测振刀柄系统的铣削过程监测上位机系统 |
| 5.5.1 铣削过程监测上位机系统总体设计 |
| 5.5.2 铣削过程监测上位机系统功能模块设计 |
| 5.6 铣削刀具磨损状态在线监测系统模拟应用验证 |
| 5.7 小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间获得的学术成果及参加科研项目 |
| 致谢 |
| 附件 |
| 学位论文评阅及答辩情况表 |
（7）基于傅里叶分解方法和径向基神经网络的铣削颤振检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景和研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文的研究内容及总体结构 |
| 2 铣削颤振试验设计及特性分析 |
| 2.1 铣削稳定性分析 |
| 2.2 铣削试验系统 |
| 2.3 铣削加工试验设计 |
| 2.4 基于振动信号的铣削颤振特性分析 |
| 2.5 本章小结 |
| 3 基于傅里叶分解方法的铣削颤振特征提取 |
| 3.1 傅里叶分解方法的原理和算法实现 |
| 3.2 FDM与 EMD方法的比较研究 |
| 3.3 铣削颤振特征量的提取及分析 |
| 3.5 本章小结 |
| 4 基于RBF神经网络的铣削颤振识别 |
| 4.1 RBF人工神经网络概述 |
| 4.2 基于K-mean算法和监督学习的参数确定方法 |
| 4.3 颤振特征的评价和选择 |
| 4.4 基于RBF神经网络的铣削颤振识别 |
| 4.5 本章小结 |
| 5 铣削颤振在线监测软件的开发与实现 |
| 5.1 软件的总体框架 |
| 5.2 软件的主要功能 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
（8）汽车外覆盖件模具铣削加工拼接区表面形貌的反演控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 冲击振动对表面形貌影响的研究现状 |
| 1.2.2 表面形貌特征分析方法研究现状 |
| 1.2.3 优化算法的研究现状 |
| 1.3 课题来源及主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 主要研究内容 |
| 第2章 铣削加工表面形貌仿真重构 |
| 2.1 拼接件模具铣削加工表面形貌产生机理 |
| 2.1.1 考虑振动冲击的拼接模具铣削加工动力学建模 |
| 2.1.2 拼接件模具铣削加工表面形貌产生机理分析 |
| 2.2 基于NURBS理论重构表面形貌仿真算法 |
| 2.2.1 基于NURBS理论的表面形貌重构方法 |
| 2.2.2 表面形貌仿真模型的离散化 |
| 2.2.3 铣削加工中振动对工件拼接区表面形貌的影响 |
| 2.3 动载荷作用下表面形貌的仿真重构 |
| 2.3.1 考虑每齿进给量变化的表面形貌的仿真重构 |
| 2.3.2 考虑转速变化的振动对表面形貌的仿真重构 |
| 2.3.3 考虑切深变化的振动对表面形貌的仿真重构 |
| 2.4 本章小结 |
| 第3章 淬硬钢模具拼接区表面形貌的特征分析 |
| 3.1 小波变换理论及小波基选择 |
| 3.1.1 小波变换基本理论 |
| 3.1.2 小波包变换基本理论 |
| 3.1.3 铣削加工表面小波基的选取 |
| 3.2 基于小波变换表面形貌的时空分析 |
| 3.2.1 考虑每齿进给量变化的表面形貌时空分析 |
| 3.2.2 考虑主轴转速变化的表面形貌时空分析 |
| 3.2.3 考虑轴向切深变化的表面形貌时空分析 |
| 3.3 小波能量特征的提取 |
| 3.3.1 考虑每齿进给量变化的表面形貌的特征提取 |
| 3.3.2 考虑主轴转速变化的表面形貌的特征提取 |
| 3.3.3 考虑轴向切深变化的表面形貌特征提取 |
| 3.4 本章小结 |
| 第4章 铣削加工对表面形貌的影响及反演研究 |
| 4.1 实验设备与参数设计 |
| 4.1.1 实验设备的选择 |
| 4.1.2 加工样件及铣削参数的设定 |
| 4.2 铣削参数变化时振动对表面形貌的影响 |
| 4.2.1 每齿进给量变化时振动对表面形貌的影响 |
| 4.2.2 主轴转速变化时振动对表面形貌的影响 |
| 4.2.3 轴向切深变化时振动对表面形貌的影响 |
| 4.3 表面残留高度对比及能量熵特征提取 |
| 4.3.1 每齿进给量变化时振表面残留高度对比 |
| 4.3.2 主轴转速变化时表面残留高度对比 |
| 4.3.3 轴向切深变化时表面残留高度对比 |
| 4.3.4 表面形貌能量熵特征的提取 |
| 4.4 铣削加工表面形貌的反演研究 |
| 4.4.1 铣削参数目标函数建模及数据库的搭建 |
| 4.4.2 基于MPGAANN的加工参数反演算法 |
| 4.4.3 反演结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术成果 |
| 致谢 |
（9）数控机床振动特性指令域分析方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题提出 |
| 1.3 相关研究工作国内外进展 |
| 1.4 研究思路与主要内容 |
| 2 指令域分析方法 |
| 2.1 指令域分析的概念 |
| 2.2 指令信息的获取方法 |
| 2.3 指令域分析方法 |
| 2.4 指令域分析的优势 |
| 2.5 本章小结 |
| 3 机床振动特性指令域分析原理 |
| 3.1 基本原理 |
| 3.2 指令速度关联的振动特性分析 |
| 3.3 指令位置关联的振动特性分析 |
| 3.4 切削参数关联的振动特性分析 |
| 3.5 伺服参数关联的振动特性分析 |
| 3.6 综合分析 |
| 3.7 本章小结 |
| 4 主轴共振转速指令域检测技术 |
| 4.1 主轴共振转速G指令域检测原理 |
| 4.2 短时频域积分振动位移测量方法 |
| 4.3 方法检验 |
| 4.4 本章小结 |
| 5 铣削稳定性叶瓣图指令域检测技术 |
| 5.1 铣削稳定性叶瓣图检测原理 |
| 5.2 微频移频谱细化算法 |
| 5.3 铣削颤振在线辨识与标记 |
| 5.4 关键点稳定性叶瓣图拟合方法 |
| 5.5 本章小结 |
| 附件:变切深铣削颤振信号-S5000 |
| 6 机床振动指令域分析系统设计与应用实例 |
| 6.1 分析系统总体设计 |
| 6.2 主要功能介绍 |
| 6.3 主轴共振转速测量分析实例 |
| 6.4 铣削颤振叶瓣图分析实例 |
| 6.5 进给轴振动综合分析实例 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读博士学位期间发表的论文 |
| 附录2 攻读博士学位期间申请的专利 |
（10）铣削稳定性分析与主轴颤振识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 铣削稳定性研究现状 |
| 1.3.2 切削颤振特征提取现状 |
| 1.3.2.1 小波分析研究现状 |
| 1.3.2.2 高阶统计量研究现状 |
| 1.3.3 切削颤振状态识别方法研究现状 |
| 1.4 本文研究主要内容及框架 |
| 2 铣削系统动力学建模与动力学参数识别 |
| 2.1 铣削动力学模型 |
| 2.1.1 铣削颤振系统动力学模型 |
| 2.1.2 频域法求解稳定域 |
| 2.2 铣削仿真理论基础 |
| 2.3 基于DEFORM-3D铣削力仿真研究 |
| 2.3.1 铣削几何模型的建立 |
| 2.3.2 确定仿真参数 |
| 2.3.4 铣削仿真结果分析 |
| 2.4 铣削系统模态试验参数识别 |
| 2.4.1 模态分析定义和分类 |
| 2.4.2 试验模态分析 |
| 2.4.3 模态试验过程 |
| 2.4.4 模态试验结果分析 |
| 2.5 本章小结 |
| 3 铣削稳定性分析 |
| 3.1 稳定性叶瓣图绘制 |
| 3.2 变参数对稳定性的影响 |
| 3.2.1 刀具刚度对稳定性影响 |
| 3.2.2 固有频率对稳定性影响 |
| 3.2.3 阻尼比对稳定性影响 |
| 3.3 本章小结 |
| 4 基于小波包和双谱分析的故障特征提取方法研究 |
| 4.1 铣削振动数据采集 |
| 4.1.1 实验装置 |
| 4.1.2 传感器布点 |
| 4.1.3 振动信号的采集 |
| 4.2 小波降噪 |
| 4.2.1 小波变换定义 |
| 4.2.2 小波降噪基本理论 |
| 4.2.3 小波降噪结果 |
| 4.3 基于小波包能量信息熵特征提取 |
| 4.3.1 小波包基本理论 |
| 4.3.1.1 小波包定义 |
| 4.3.1.2 小波包分解与重构 |
| 4.3.1.3 小波基的选择 |
| 4.3.2 信息熵基本理论 |
| 4.3.3 基于小波包能量信息熵特征提取 |
| 4.4 基于双谱分析特征提取 |
| 4.4.1 双谱分析基本理论 |
| 4.4.1.1 高阶谱理论 |
| 4.4.1.2 双谱分析性质与算法 |
| 4.4.2 基于双谱分析特征提取 |
| 4.5 本章小结 |
| 5 基于支持向量机主轴状态识别方法研究 |
| 5.1 支持向量机基本理论 |
| 5.1.1 支持向量机分类 |
| 5.1.1.1 线性分类 |
| 5.1.1.2 非线性分类 |
| 5.1.2 核函数的选择 |
| 5.1.3 参数C&σ选择 |
| 5.2 基于支持向量机的主轴状态识别 |
| 5.2.1 基于小波包能量信息熵的主轴状态识别 |
| 5.2.2 基于双谱分析对角切片的主轴状态识别 |
| 5.2.3 基于双特征融合主轴状态识别 |
| 5.3 基于粒子群优化的支持向量机主轴状态识别 |
| 5.3.1 粒子群优化算法 |
| 5.3.2 主轴状态识别 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
四、基于小波包和EAR模型的铣削颤振特征提取和评价（论文参考文献）
- [1]虑及颤振在线抑制的高效自适应加工技术研究[D]. 黄任杰. 大连理工大学, 2021(01)
- [2]薄壁件铣削颤振与刀具磨损状态监测研究[D]. 秦赟. 山东大学, 2021
- [3]基于多传感器信息融合的数控机床加工过程状态识别研究[D]. 成天宝. 重庆理工大学, 2021
- [4]钛合金薄壁件铣削过程颤振及变形预测[D]. 谢振龙. 哈尔滨理工大学, 2021
- [5]切削加工颤振智能监控技术[J]. 王志学,刘献礼,李茂月,LIANG S Y,王力翚,李玉强,孟博洋. 机械工程学报, 2020(24)
- [6]铣削加工刀具磨损状态在线监控测振刀柄系统与信号奇异性分析研究[D]. 周长安. 山东大学, 2020(08)
- [7]基于傅里叶分解方法和径向基神经网络的铣削颤振检测研究[D]. 侯慧杰. 华中科技大学, 2020(01)
- [8]汽车外覆盖件模具铣削加工拼接区表面形貌的反演控制研究[D]. 赵洪伟. 哈尔滨理工大学, 2020
- [9]数控机床振动特性指令域分析方法研究[D]. 高志强. 华中科技大学, 2020
- [10]铣削稳定性分析与主轴颤振识别方法研究[D]. 孟玉培. 重庆理工大学, 2020(08)