一、浅谈声发射的小波分析与木工刀具磨损检测（论文文献综述）
令狐克进[1]（2021）在《多特征融合的车削刀具磨损状态监测技术研究》文中研究表明刀具磨损状态监测技术是先进制造技术中的重要组成部分。刀具磨损的实时监测对于提高产品质量,降低制造成本和提高生产效率具有重要作用。然而,该技术发展至今,仍然不能够真正应用于实际加工中,也未能很好地解决变工况加工条件下精确识别刀具磨损状态的问题。为此,本文通过对车削刀具磨损状态监测技术的研究,建立了基于多特征融合和多数投票法的车削刀具磨损状态识别模型。主要研究内容及结果如下:首先,对刀具磨损状态监测的研究背景及意义做了概述,根据刀具磨损阶段的不同,选择刀具后刀面磨损量VB值作为刀具磨损的监测指标。通过分析和比较各种监测方法及监测信号的优劣,选择振动和声发射信号作为研究的监测信号;根据机床的性能参数,设计试验方案,进行全因素试验。采用LABVIEW 2018a软件搭建的数据采集系统对车削试验中产生的振动和声发射信号进行采集。对采集到的信号分别在时域、频域和时频域进行信号分析,得出与刀具磨损状态相关性较强的特征向量作为原始特征。然后采用Relief-F算法对原始特征进行二次特征筛选,得到振动信号和声发射信号中与刀具磨损状态最相关的最终特征参量。然后,又采用PCA（Principal Component Analysis）方法对原始特征进行降维,得到了与用Relief-F算法筛选后相同维数的主元数据特征,从而得出两种情况下分别对应的特征向量作为各自的最终特征样本。最后,将用Relief-F与PCA算法所得的最终特征样本的2/3作为训练集分别输入建立的GA-BP神经网络模型、ELM模型、SVM模型进行训练,并分别输入最终特征样本的1/3作为测试集分别测试上述三个子模型。前者三个子模型的正确识别率分别为88.889%、92.592%、96.256%,后者三个子模型的正确识别率分别为81.48%、77.7778%、77.7778%。之后又采用多数投票法分别对Relief-F与PCA算法情况下的三个子模型的输出结果进行整合,结果显示,所建立的基于多特征融合和多数投票法下的车削刀具磨损状态识别模型在Relief-F和PCA情况下的正确识别率分别为96.296%和85.185%。这表明,经多特征融合后所得模型的性能均优于单个子模型,而且,采用基于Relief-F算法所建立的多特征融合和多数投票法的刀具磨损状态识别模型也明显优于用PCA算法降维后所建立的模型。因此,基于Relief-F算法所建立的多特征融合和多数投票法的识别模型对刀具磨损状态具有很好的识别与监测效果。
陈则铭[2]（2020）在《基于机器视觉的木工铣刀磨损检测研究》文中进行了进一步梳理木工刀具磨损是影响家具零件加工精度和表面质量的重要因素。目前,家具生产设备更换刀具的依据是技术人员观察刀具磨损做出的定性判断,受视力、经验等主观因素的影响,人对刀具磨损程度判断标准具有不一致性,因此,本研究以建立一种标准统一的刀具磨损检测技术为目标,应用机器视觉的识别和测量技术,设计了木工铣刀磨损检测系统,主要内容有以下四方面:第一,根据刀具切削原理与铣刀磨损的表现形式,结合机器视觉技术的检测能力,确定了识别前刀面崩刃和测量后刀面磨损剩余量的检测指标。按照David Marr提出的机器视觉理论,确定了检测系统运行机制、功能模块和技术路线。第二,按照实际需要的检测精度,研究确定了检测系统的相机、镜头和光源的配置方案,推导了基于木工刀具尺寸的相机、镜头选型公式,并对成像系统进行了标定,矫正了铣刀图像的畸变。为确保木工铣刀回转后,测量平面准确定位于拍摄平面,研究了激光定位控制刀具位姿的方法。第三,为消除噪声和铣刀表面粘附木粉、颗粒等对磨损检测的干扰,研究了图像增强和平滑的算法。应用Blob分析方法和形状模板匹配方法,为机器视觉赋予识别铣刀种类的能力,实现了自动定位并提取刀具前刀面、后刀面。第四,基于前刀面崩刃的灰度特征和尺寸特征,在前刀面上识别并定位崩刃,输出检出崩刃数量;应用边缘检测算法提取拟合后刀面刃口边缘和测量基准,建立测量基准的垂线,获得垂线与刃口边缘的交点,求解交点与垂足间的距离,得到后刀面磨损剩余量;使用测量磨损剩余量的算法,测量游标卡尺刻度以验证检测系统精度,测量未加工过家具零件的木工铣刀后刀面宽度以验证磨损检测算法精度。
黄鹤翔[3]（2020）在《基于深度学习的刀具磨损检测系统的设计与实现》文中研究指明随着机械加工变得更加智能化、自动化、高效化、机械的故障检测就成为了不可或缺的一部分,而其中刀具是机械加工中最重要的一部分,但是在高速铣削过程中,很难检测到刀具的磨损状态,而刀具磨损严重时将影响加工精度和生产成本,同时会间接地影响到加工效率和产品质量。如何更高效、更准确、更稳定地实现刀具磨损在线的检测,让诸多学者都跃跃欲试,因此有关刀具磨损状态检测技术的研究具有非常高的应用价值。本文以刀具磨损在线检测为研究对象,通过采集数据并对数据进行分析学习,从而提出了一种基于3-KMMBS的刀具磨损检测方法,并搭建了基于深度学习的刀具磨损检测系统。论文主要的研究内容如下:1.首先,采集高速刀具铣削时在不同轴向的振动和声发射信号,利用小波分析等对其进行数据预处理,其中包括对振动信号进行小波包变换,利用提取到的近似系数与细节系数确定其是否具有奇异性;对原始信号进行倒频谱分析,确定刀具不同的磨损程度具有不同的AE值,并采用改进的3-K-Means聚类算法聚类出刀具的三种磨损状态区间。2.其次,根据有标签样本和无标签样本,建立多选择多隐层神经网络结构对其进行特征学习,再使用Softmax分类器进行分类;其中多选择多隐层神经网络包含了多种隐层结构的神经网络,从而提供了对不同数据源的支持和学习,而Softmax分类器用于对神经网络的输出进行分类,得到刀具磨损的标签值;利用样本中的标签值对比多选择多隐层神经网络中的各个分支准确率,选择出准确率最高的深层网络。3.然后,根据现有的部分有标签样本,采用随机梯度下降对所选择的深层网络进行参数微调,建立刀具磨损检测模型;4.最后,将模型融入到系统中,建立基于3-KMMBS的刀具磨损检测系统。最终的实验结果表明,本文所提出的方法不仅比传统的浅层模型学习能力更强,人为干预更少,而且具有更高、更稳定的检测准确率。同时该系统设计符合系统设计原则,相比较于其他刀具磨损检测系统更人性、更智能、更高效。
姚俊[4]（2020）在《基于声发射技术的齿轮断齿检测研究》文中进行了进一步梳理在机械运行过程中,传动的核心部件齿轮长时间处在高温,重载荷,周期运转的环境中,工作时间累计一定程度以后齿轮运行可靠性差。停机检查影响工作效率,增加不必要的工作,必须针对齿轮研究可以在线检测故障的方法。针对齿轮故障检测中故障特征难以提取的问题,以齿轮声发射信号为研究对象。首先确定了小波分解层数选择了合适的小波基,然后对声发射信号做小波变换。根据断齿前后信号能量谱系数的变化情况来重构信号。最后对断齿的重构信号做频谱分析。结果显示断齿故障特征突出,表明该方法能够有效诊断故障。具体内容安排如下:（1）研究齿轮几种常见的损伤类型,并分析故障原因。分析了多种故障检测方法,将声发射方法作为研究本文信号收集的方法。然后分析了声发射法的检测原理及应用,分析多种信号检测系统并选择最佳一种用于采集本文实验信号,分析了信号的多种处理方法等。（2）构造齿轮的模拟信号,以模拟信号为对象分析信号处理方法,分析了小波变换的缺点与优势。确定小波分解层数,选择适合分析齿轮运转信号的小波基。分析了正常信号的能量谱以便后文与断齿信号做对比。（3）搭建了齿轮声发射信号的收集平台,分别收集齿轮在正常与断齿状态下电机转速为1400r/min、900r/min、600r/min时的声发射信号。首先对其去噪分析,再计算断齿状态下每层信号的能量谱并与正常状态下情况做对比,根据断齿前后能量谱变化来重构信号。最后对断齿的重构信号做频谱分析,可以清楚地显示出故障特征。
刘红岩[5]（2020）在《多传感器融合振动钻削磨损状态监测研究》文中指出CFRP/铝合金材料具有高比强度、耐摩擦、耐疲劳等优异性能,被广泛应用于航空航天、汽车行业以及轮船等领域。但是由于两种材料的硬度、强度不同,采用传统钻削加工方式对其进行制孔加工时,容易产生毛刺、撕裂、分层等缺陷,难以满足航空航天等特殊领域的高精度要求。轴向振动钻削是一种新型的脉冲式特种加工方法,具有改善切削性能,降低切削力,提高加工孔表面质量等优点。在制孔过程中,刀具的磨损状态直接影响生产效率、加工成本以及铰接孔的质量。钻削加工是在半封闭状态下进行的,制孔过程中无法直接观察和监测刀具的磨损状态,主要通过操作工人经验判断刀具磨损程度,制定换刀方案,但这种方法可靠性差且难以应用于自动化设备中。因此,研究刀具磨损状态监测技术有利于推动机床自动化和智能化的发展。本文以轴向振动钻削装置为试验平台,首先,搭建了多传感器融合的钻头磨损状态监测系统,以钻削力信号、声发射信号和振动信号作为监测信号,通过硬质合金刀具进行了CFRP/铝合金工件制孔过程的刀具磨损试验。其次,运用小波阈值法对钻削力、声发射以及振动信号进行了去噪处理,降低噪声的影响。然后,对去噪后的信号进行特征分析,基于时域分析法,计算出信号的均值、方差和均方根值;基于频域分析法,得到信号的频谱结构及功率随频率的分布情况;在时频域内,基于小波分解法对信号进行分析处理,提取了各频段的能量比系数。对比分析钻头在不同磨损状态下的特征值,选取与钻头磨损状态相关性强的特征值作为特征向量。最后,对比分析了BP神经网络与支持向量机在振动钻削钻头磨损状态监测中的应用效果。结果表明,两种方法均能有效识别钻头磨损状态,但支持向量机收敛速度快,识别精度高,更适合应用于振动钻削钻头磨损状态监测。本文通过多传感器融合技术构建的振动钻削钻头磨损状态监测系统对延长钻头使用寿命,提高加工孔表面质量具有重要意义。
王琛淇[6]（2019）在《基于灰色-马尔科夫的截齿磨损状态识别和预测》文中研究指明截齿作为采掘机械的关键部件,它会最直接的对工作效率产生直接影响。由于现场环境恶劣,噪音嘈杂,对于如何提取特征信号是如今需要解决的问题。进行截齿磨损状态识别和预测研究是增强采掘机械工作效率、保障开采安全和推进智能化开采的重要基础。论文主要是利用在截齿截割过程中截齿磨损产生并提取的特征信号和选取的特征参数,对截齿磨损状态识别和预测的影响规律的研究。为此进行了下述工作:本论文提取分析截齿截割时产生的振动和声发射信号,针对提取到的特征信号进行分析。分别针对其进行时域、频域和小波包分析;取振动加速度时域信号均方根值;振动频域信号均方根值;振动信号小波分析的能量和值;声发射信号频域信号均方根值;声发射信号小波分析的能量和值来构建信号的特征样本库。本文分别基于BP神经网络和PNN神经网络建立截齿磨损状态识别模型,经过BP神经网络识别模型和PNN神经网络识别模型的对比分析,得到BP神经网络识别模型最高整体识别准确率为99%与PNN神经网络识别模型的最高识别准确率为100%。本文将灰色GM（1,1）模型和灰色-马尔科夫模型应用到截齿磨损状态预测当中。利用灰色GM（1,1）模型和灰色-马尔科夫模型对截齿磨损状态进行预测。研究结果得到,应用于灰色GM（1,1）预测模型得到的平均相对误差为2.3%,应用于灰色-马尔科夫模型预测得到的平均相对误差为1.06%,通过对比发现,使用灰色-马尔科夫模型更能够贴合实际值曲线,精度提高了54%。为此本文将不同特征参数应用于灰色-马尔科夫模型进行了误差对比。结果表明,振动加速度信号能量和值应用于灰色-马尔科夫预测的效果最好、平均相对误差最小,平均相对误差为1.45%。最后本文将不同信号应用于灰色-马尔科夫模型进行了误差对比。结果表明:相对于两种信号来说,声发射信号更适合应用于灰色-马尔科夫预测模型,相对误差为1.1%。这为实现综采工作面截齿磨损状态的精准预测提供了一种新方法做为参考。该论文有图幅33个,表23个,参考文献152篇。
宗姝[7]（2019）在《振动钻削钻头状态监测技术研究》文中研究表明在加工过程中,刀具的状态直接影响着工件的加工质量,因此建立实时性强、可靠性高的钻头状态监测系统,对延长钻头的使用寿命,提高生产效率具有重要意义。本文首先建立了振动钻削钻头状态监测试验系统,利用声发射传感器和压电式力传感器对振动钻削过程中钻头不同磨损状态下的声发射信号和钻削力信号进行同步采集。受加工条件的影响,在实际的振动钻削加工过程中,传感器采集的信号中往往会夹杂着大量噪声,因此采用小波阈值去噪法对声发射信号和钻削力信号进行了去噪预处理,提高了信号的信噪比。接着对去噪后的声发射信号和钻削力信号进行分析处理,分别在时域内对信号进行了均值、方差和均方值的计算,在频域内对信号进行了功率谱分析,在时频域内对信号进行了小波分解,并提取了各频段的小波能量系数。根据钻头不同磨损状态下监测信号特征值的分析结果,选择声发射信号的均方根值、D1、D2、D3频段的小波能量系数,钻削力信号的均值、方差、D4、A5频段的小波能量系数共8个与钻头磨损状态相关度较高的特征值组成向量,作为BP神经网络的输入。最后建立了基于BP神经网络的振动钻削钻头状态识别模型,通过样本数据对模型的训练,建立了监测信号特征值与钻头磨损状态之间的对应关系,经样本测试结果表明,该模型对振动钻削钻头状态具有较好的识别效果。本文建立的振动钻削钻头状态监测系统对延长钻头的使用寿命和提高生产效率都具有实际意义。
王辉[8]（2017）在《数控车削中的音频信号与刀具磨损的研究》文中进行了进一步梳理随着科技的不断发展为汽车行业与机械制造行业的突飞发展提供了契机,由于该产业的飞速发展,对各种产品的生产质量、生产效率、结构的复杂程度和性能都提出了更高的要求。数控车削中刀具磨损状态监测技术是智能制造技术的核心部分之一,通过研究分析在实际的车削过程中产生的声音信号来判断刀具的具体磨损情况,该方法可以实现实时且不用停机来测量刀具和工件表面的实际磨损情况下进行在线监测,对提高机械产品的加工质量和生产效率有决定性作用。智能制造技术是通过以下三方面来实现:一是通过通信和传感器设备进行机床加工的远程控制与检测数控加工的不同状态;二是通过监测刀具的磨损情况来进行加工参数与刀补的调节和刀具的换刀,从而保证产品加工质量和加工效率;三是通过自主采集刀具在不同磨损状态下的特征信号,并且将这些信号通过神经网络和多传感器技术进行融合处理,最终实现刀具磨损和破损情况的监测。本文的具体研究工作如下:（1）建立机床典型空载状态数据库。首先对空载状态下的速度信号进行分段,然后对速度信号进行分析,最后建立空载情况下的数据库系统。（2）建立音频信号和切削力信号的监测系统。首先分析不同监测方法的优缺点,且该种方法的适用情况,并分析国内与国外是如何通过这些方法进行刀具磨损的研究,根据各自的研究方法的分析与研究最终提出分析刀具在不同磨损阶段的声音信号来实现刀具磨损的状态监测。（3）设计刀具监测系统硬件和软件的总体方案。首先进行整体方案的设计,然后进行硬件的选型与安装,包括加工机床、刀具、加工材料、传感装置和数据采集卡的选型与安装,接着利用LABVIEW进行软件的设计,包括声音采集模块和分析模块的设计。（4）分析刀具磨损状态与切削音频信号和力信号的相关性。对于采集的实际切削加工的声音信号需要将其中存在的环境噪音剔除,这样可以保证分析的准确与实用性,将处理后的声音信号再进行时域和频域的分析,且对采集到的切削力进行X与Y方向上的均力分析,最终得出切削音频信号与切削力信号和刀具磨损的相关性。（5）提取与刀具磨损状态相关的特征向量。首先对处理后的音频信号进行小波变换分解处理,提取出音频信号的特征向量,然后将测力仪采集到的X与Y方向上的切削均力作为特征向量,最终实现音频信号和切削力信号特征向量的提取。（6）建立刀具磨损状态、音频信号和切削力信号综合情况下的数学模型。本文利用BP神经网络对提取到的特征向量进行融合处理,建立综合情况的数学模型,实现对刀具磨损状态的监测判别。
朱国奎[9]（2016）在《基于铣削声音信号分析的刀具状态监测研究》文中研究指明刀具磨损状态的实时监测作为自动化、智能化加工的关键技术,一直以来都是国内外研究的热点。在切削加工过程中,刀具的磨损状态直接影响着工件的精度和表面质量。因此,实现刀具磨损状态的实时监测对于提高产品质量、生产效率以及自动化水平意义重大。本文以铣削加工为研究对象,开展了以下研究工作:首先,本文介绍了铣削加工的特点,综述了刀具状态监测的国内外研究现状,分析了各种监测方法的优缺点。提出以铣削声音信号为主、力信号为辅的方案对铣刀的磨损状态进行实时监测,基于LabVIEW平台设计了铣削声音信号采集分析软件系统,搭建了刀具磨损状态监测系统,并进行铣削实验,完成刀具在不同磨损状态下的信号采集;其次,将机床空转噪声与正常加工时的铣削噪声进行时、频域对比,最终通过高通滤波的方式处理机床环境噪声的干扰。对滤波后的声音信号和力信号进行时、频域分析,得出信号特征与刀具磨损状态的相关性,并通过单因素实验,讨论铣削参数对声音和力信号的影响;然后,利用小波分析理论将信号分为八个频率段,研究刀具不同磨损状态下各频率段能量的变化情况,得到与刀具磨损状态最为相关的频率区间段,并提取不同频率段能量占总能量的百分比和铣削力信号X、Y方向的均值作为识别刀具磨损状态的特征值;最后,研究了模式识别及其常用方法,选择三层BP神经网络作为刀具磨损状态的识别分类器,对所有特征值进行归一化处理后,作为神经网络的输入向量,刀具的磨损状态作为输出向量。利用训练样本对神经网络进行训练,通过分析对比确立了最优的BP神经网络结构（8-9-3型）,利用测试样本对训练好的BP神经网络进行测试,并对神经网络的实际输出进行标准化处理,结果表明该BP神经网络可以准确识别刀具的磨损状态。本文通过理论分析和实验研究,成功建立了刀具磨损状态和铣削声音信号以及力信号之间的联系,实现了刀具磨损状态的非接触式测量,并对刀具的磨损状态进行准确地识别,为实际加工现场刀具磨损状态的监测提供了新的思路和方法。
马雪亭[10]（2016）在《基于分形理论的金刚石木工圆锯片磨损状态研究》文中提出金刚石木工刀具在木制品加工中应用广泛,并随着木制品加工设备精度和自动化程度的不断提高呈现上升趋势,金刚石木工刀具在使用过程中磨损状态的检测和评价,在很大程度上影响了木制品加工的质量、效率和生产成本,其研究也成为行业关注的热点之一。本文以使用较为普遍的金刚石木工圆锯片为研究对象,利用分形理论对刀具磨损形貌和模态变化进行分析,利用分形维数表征刀具磨损状的程度,探讨二者之间的内在联系,为刀具磨损程度的评价提供新的参考依据。刀具磨损过程十分复杂,其评价可以从多角度进行。在分析国内外关于刀具磨损和刀具磨损监测方法的基础上,到使用金刚石木工圆锯片生产强化地板的生产厂家跟踪刀具的实际磨损情况,进行金刚石木工圆锯片磨损方式的统计分析,结果表明,金刚石木工圆锯片以后刀面磨损和锯齿破损情况为主要磨损形态,也是影响产品生产质量的主要因素,为利用分形理论研究刀具磨损程度的表征提供分析基础；刀具磨损状态的评价与分析方法主要有直接测量法和间接测量法,论文分别利用分形理论与上述两种方法相结合,利用图像处理技术和有限元法对其磨损形貌和自然振动特性进行分析和探讨。采集金刚石木工圆锯片锯齿磨损的图像信息,对获取的锯齿后刀面的磨损形貌进行图像预处理和分割,主要包括灰度处理,缩小处理,直方图均衡化以及阈值分割等,图像处理结果表明,阈值在100至110之间时图像分割的特征最理想,可以提取出用于分形维数计算的有效特征,利用分形理论中的盒维数算法,对刀齿后刀面的分形特征进行分析,计算出其盒维数,并研究刀具磨损规律与盒维数之间的关系,结果显示,刀具磨损将引起后刀面分形维数的变化,且磨损程度越大,磨损状态越复杂,其分形维数具有增加的趋势。建立刀具锯齿的有限元分析模型,通过数值模态分析得到的节点位移变化曲线提取特征量作为特征信号,研究磨损前后该特征信号的变化特点,并基于分形理论,对节点位移变化曲线进行盒维数分析计算,建立其与刀具磨损状态之间的标定关系,根据特征量的变化情况来反映刀具的磨损情况,研究结果表明,刀具磨损后节点位移变化曲线分形维数增大。
二、浅谈声发射的小波分析与木工刀具磨损检测（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、浅谈声发射的小波分析与木工刀具磨损检测（论文提纲范文）
（1）多特征融合的车削刀具磨损状态监测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 刀具磨损状态监测的关键技术及国内外研究现状 |
| 1.2.1 刀具磨损状态监测方法 |
| 1.2.2 刀具磨损状态监测信号 |
| 1.2.3 信号处理与特征提取 |
| 1.2.4 模式识别技术 |
| 1.3 刀具磨损状态监测技术存在的问题 |
| 1.4 本课题主要研究内容 |
| 第二章 车削试验 |
| 2.1 监测指标及监测信号的选取 |
| 2.1.1 刀具磨损过程及监测指标的确定 |
| 2.1.2 监测信号的确定 |
| 2.2 试验设计及车削试验 |
| 2.3 本章小结 |
| 第三章 信号分析与特征参量提取 |
| 3.1 时域分析 |
| 3.2 频域分析 |
| 3.3 时频分析 |
| 3.4 振动信号分析 |
| 3.4.1 振动信号的时域分析 |
| 3.4.2 振动信号的频域分析 |
| 3.4.3 振动信号的时频分析 |
| 3.5 声发射信号分析 |
| 3.5.1 声发射信号的时域分析 |
| 3.5.2 声发射信号的频域分析 |
| 3.5.3 声发射信号的时频分析 |
| 3.6 特征选择及降维 |
| 3.6.1 基于Relief-F算法的特征降维 |
| 3.6.2 基于主成分分析的特征降维 |
| 3.7 本章小结 |
| 第四章 基于多特征融合的刀具磨损状态识别 |
| 4.1 刀具磨损状态识别模式概述 |
| 4.2 基于GA-BP神经网络的刀具磨损状态识别 |
| 4.2.1 遗传算法 |
| 4.2.2 BP神经网络算法 |
| 4.2.3 基于GA-BP神经网络的刀具磨损状态识别模型的建立 |
| 4.2.4 基于GA-BP神经网络的刀具磨损状态识别模型的训练仿真及结果分析 |
| 4.3 基于ELM的刀具磨损状态识别 |
| 4.3.1 ELM算法 |
| 4.3.2 基于ELM的刀具磨损状态识别模型的建立 |
| 4.3.3 基于ELM的刀具磨损状态识别模型的训练仿真及结果分析 |
| 4.4 基于SVM的刀具磨损状态识别 |
| 4.4.1 SVM算法 |
| 4.4.2 基于SVM的刀具磨损状态识别模型的建立及相关参数选取 |
| 4.4.3 基于SVM的刀具磨损状态识别模型的训练仿真及结果分析 |
| 4.5 基于多特征融合的刀具磨损状态识别 |
| 4.5.1 结果整合方法介绍 |
| 4.5.2 基于多特征融合和多数投票法的刀具磨损状态识别 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 本文创新点 |
| 5.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 硕士期间所获科研成果 |
（2）基于机器视觉的木工铣刀磨损检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的意义 |
| 1.2 国内家具企业的木工刀具管理情况 |
| 1.3 刀具磨损检测技术的研究现状 |
| 1.4 课题研究内容 |
| 2 检测系统的开发方案 |
| 2.1 木工铣刀磨损的表现形式 |
| 2.2 磨损检测的指标 |
| 2.3 试验材料的制备 |
| 2.4 检测系统的功能 |
| 2.5 本章小结 |
| 3 检测系统的硬件配置 |
| 3.1 检测系统的硬件配置 |
| 3.1.1 成像系统模型 |
| 3.1.2 相机、镜头的选择 |
| 3.1.3 光源的设置 |
| 3.2 成像系统的标定 |
| 3.3 刀具位姿的控制 |
| 3.4 本章小结 |
| 4 检测算法的选择 |
| 4.1 图像的预处理 |
| 4.1.1 图像增强 |
| 4.1.2 图像平滑 |
| 4.2 木工铣刀的种类识别 |
| 4.2.1 铣刀轮廓模板的创建 |
| 4.2.2 模板的匹配与识别 |
| 4.3 前、后刀面的提取 |
| 4.3.1 图像分割 |
| 4.3.2 前刀面的提取 |
| 4.3.3 后刀面的提取 |
| 4.4 前刀面崩刃的识别 |
| 4.4.1 崩刃的特征分析 |
| 4.4.2 崩刃检测矩形的创建 |
| 4.4.3 崩刃的定位与输出 |
| 4.5 后刀面刃口磨损剩余量的测量 |
| 4.5.1 边缘检测矩形的创建 |
| 4.5.2 刃口与测量基准的边缘检测 |
| 4.5.3 刃口磨损剩余量的输出 |
| 4.6 检测结果的精度分析 |
| 4.6.1 磨损检测精度的要求 |
| 4.6.2 检测系统精度的分析 |
| 4.6.3 磨损检测精度的分析 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（3）基于深度学习的刀具磨损检测系统的设计与实现（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 刀具磨损状态检测技术概述 |
| 1.2.1 国内外研究现状 |
| 1.2.2 刀具磨损检测过程 |
| 1.3 课题提出 |
| 1.4 本文研究内容 |
| 第2章 刀具磨损检测系统需求分析 |
| 2.1 可行性需求分析 |
| 2.2 功能性与非功能性需求分析 |
| 2.3 开发技术与开发工具 |
| 2.4 本章小结 |
| 第3章 刀具磨损检测系统总体设计 |
| 3.1 系统总体设计目标 |
| 3.2 系统整体架构 |
| 3.3 本章小结 |
| 第4章 刀具磨损检测系统详细设计 |
| 4.1 刀具磨损检测机器学习理论研究 |
| 4.1.1 机器学习概念简介 |
| 4.1.2 机器学习基本模型简介 |
| 4.2 3 -K-Means多选择多隐层BP神经网络(3-KMMBS)模型 |
| 4.2.1 3 -K-Means聚类算法 |
| 4.2.2 多选择多隐层神经网络 |
| 4.2.3 Softmax分类器 |
| 4.2.4 随机梯度下降微调网络参数 |
| 4.2.5 刀具磨损检测模型 |
| 4.3 刀具磨损信号分析处理与特征提取 |
| 4.3.1 时域分析 |
| 4.3.2 频域分析 |
| 4.3.3 小波分析 |
| 4.4 基于3-KMMBS的刀具磨损检测实验 |
| 4.4.1 刀具磨损类型 |
| 4.4.2 刀具磨损判别 |
| 4.4.3 数据预处理 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第5章 刀具磨损检测系统搭建与测试 |
| 5.1 系统设计基本原则 |
| 5.2 刀具磨损检测系统开发 |
| 5.3 刀具磨损检测系统测试 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于声发射技术的齿轮断齿检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 齿轮故障诊断研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 基于声发射技术的齿轮故障诊断研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文的主要研究内容 |
| 2 齿轮故障形成机理与检测方法 |
| 2.1 齿轮故障类型与成因 |
| 2.2 齿轮故障检测的常用方法 |
| 2.3 齿轮故障的声发射检测应用 |
| 2.4 本章小结 |
| 3 声发射检测技术 |
| 3.1 声发射技术检测原理 |
| 3.2 声发射信号检测系统 |
| 3.3 声发射信号分析方法 |
| 3.3.1 声发射信号参数分析 |
| 3.3.2 声发射信号波形分析 |
| 3.3.3 频谱分析方法 |
| 3.3.4 小波分析方法 |
| 3.4 本章小结 |
| 4 基于小波分析的齿轮信号研究 |
| 4.1 断齿信号的模拟 |
| 4.2 小波分解层数的确定 |
| 4.3 信号处理中的小波基选择 |
| 4.4 齿轮信号的小波分解 |
| 4.5 本章小结 |
| 5 齿轮断齿声发射检测实验研究 |
| 5.1 齿轮断齿实验方案设计 |
| 5.1.1 实验目的 |
| 5.1.2 实验方案设计 |
| 5.2 断齿信号采集实验 |
| 5.2.1 实验平台与器材 |
| 5.2.2 齿轮断齿信号采集实验 |
| 5.3 齿轮断齿信号的分析 |
| 5.3.1 齿轮断齿声发射信号去噪 |
| 5.3.2 断齿信号的小波分析 |
| 5.3.3 齿轮断齿声发射信号频谱分析 |
| 5.4 本章小结 |
| 结论 |
| 总结 |
| 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）多传感器融合振动钻削磨损状态监测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 刀具状态监测技术概述 |
| 1.2.1 刀具状态监测技术的分类 |
| 1.2.2 刀具状态监测系统的组成 |
| 1.3 刀具状态监测技术的国内外研究现状 |
| 1.3.1 监测信号的选取 |
| 1.3.2 信号的特征分析 |
| 1.3.3 模式识别技术 |
| 1.4 主要研究内容 |
| 第2章 轴向振动钻削机理及试验设计 |
| 2.1 轴向振动钻削机理 |
| 2.2 钻头磨损概述 |
| 2.2.1 钻头磨损形式 |
| 2.2.2 钻头磨损过程及划分基准 |
| 2.3 监测信号的确定 |
| 2.3.1 钻削力信号 |
| 2.3.2 声发射信号 |
| 2.3.3 振动信号 |
| 2.4 钻头磨损状态监测系统方案设计 |
| 2.4.1 监测系统的搭建 |
| 2.4.2 钻削试验设备 |
| 2.4.3 信号采集设备的选择 |
| 2.4.4 测量装置 |
| 2.5 监测试验方案设计 |
| 2.6 本章小结 |
| 第3章 监测信号的去噪处理 |
| 3.1 小波变换分析方法 |
| 3.1.1 连续小波变换 |
| 3.1.2 离散小波变换 |
| 3.1.3 多分辨率小波变换 |
| 3.2 小波阈值去噪法 |
| 3.2.1 小波阈值去噪的原理 |
| 3.2.2 小波阈值去噪效果的评价指标 |
| 3.3 监测信号的小波阈值去噪 |
| 3.3.1 钻削力信号小波阈值去噪 |
| 3.3.2 声发射信号小波阈值去噪 |
| 3.3.3 振动信号小波阈值去噪 |
| 3.4 本章小结 |
| 第4章 监测信号的特征分析 |
| 4.1 监测信号的时域特征分析 |
| 4.1.1 时域特征分析方法 |
| 4.1.2 钻削力信号的时域特征分析 |
| 4.1.3 声发射信号的时域特征分析 |
| 4.1.4 振动信号的时域特征分析 |
| 4.2 监测信号的频域特征分析 |
| 4.2.1 频域特征分析方法 |
| 4.2.2 钻削力信号的频域特征分析 |
| 4.2.3 声发射信号的频域特征分析 |
| 4.2.4 振动信号的频域特征分析 |
| 4.3 监测信号的时频域特征分析 |
| 4.3.1 小波能量系数分析方法 |
| 4.3.2 钻削力信号的小波分析 |
| 4.3.3 声发射信号的小波分析 |
| 4.3.4 振动信号的小波分析 |
| 4.4 本章小结 |
| 第5章 多传感器信号融合振动钻削钻头磨损状态识别 |
| 5.1 基于BP神经网络的钻头磨损状态识别 |
| 5.1.1 BP神经网络概述 |
| 5.1.2 结构参数设计 |
| 5.1.3 BP神经网络训练 |
| 5.1.4 识别结果 |
| 5.2 基于支持向量机的钻头磨损状态识别 |
| 5.2.1 支持向量机概述 |
| 5.2.2 结构参数设计 |
| 5.2.3 数据规划及处理 |
| 5.2.4 识别结果 |
| 5.3 BP神经网络与支持向量机的识别效果对比分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论及创新点 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（6）基于灰色-马尔科夫的截齿磨损状态识别和预测（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文技术路线 |
| 2 截齿磨损特征信号在线监测系统 |
| 2.1 监测信号的选择 |
| 2.2 截齿磨损多特征信号在线监测系统组成 |
| 2.3 信号分析理论 |
| 2.4 监测信号的提取 |
| 2.5 人工神经网络 |
| 2.6 本章小结 |
| 3 基于BP和 PNN神经网络的截齿状态识别研究 |
| 3.1 振动信号分析与特征提取 |
| 3.2 声发射信号分析与特征提取 |
| 3.3 基于BP神经网络的截齿磨损识别 |
| 3.4 基于PNN神经网络的截齿磨损识别 |
| 3.5 本章小节 |
| 4 截齿磨损振动与声发射信号预测模型构建 |
| 4.1 灰色预测模型建立 |
| 4.2 马尔科夫模型 |
| 4.3 灰色-马尔科夫预测模型理论 |
| 4.4 本章小结 |
| 5 基于灰色-马尔科夫理论模型的截齿磨损状态预测 |
| 5.1 基于振动信号预测模型 |
| 5.2 基于声发射信号预测模型 |
| 5.3 基于不同特征参数灰色-马尔科夫模型误差分析 |
| 5.4 基于不同信号灰色马尔科夫模型误差分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）振动钻削钻头状态监测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 刀具监测技术概述 |
| 1.2.1 刀具状态监测技术的分类 |
| 1.2.2 刀具状态监测系统的组成 |
| 1.3 国内外刀具监测技术的研究现状 |
| 1.3.1 监测信号的选择 |
| 1.3.2 信号的特征提取 |
| 1.3.3 状态识别技术 |
| 1.4 主要研究内容 |
| 第2章 振动钻削钻头状态监测试验系统的建立 |
| 2.1 振动钻削原理 |
| 2.2 钻头磨损研究 |
| 2.2.1 钻头的磨损形式 |
| 2.2.2 钻头的磨损过程 |
| 2.3 监测信号的选择 |
| 2.3.1 声发射信号 |
| 2.3.2 钻削力信号 |
| 2.4 试验系统的建立 |
| 2.4.1 振动钻削装置 |
| 2.4.2 加工工件和刀具 |
| 2.4.3 信号采集系统 |
| 2.4.4 测量装置 |
| 2.5 试验方案设计 |
| 2.6 本章小结 |
| 第3章 监测信号的小波阈值去噪处理 |
| 3.1 小波变换的基本理论 |
| 3.1.1 从傅里叶变换到小波变换 |
| 3.1.2 连续小波变换 |
| 3.1.3 离散小波变换 |
| 3.1.4 多分辨率分析 |
| 3.2 小波阈值去噪法 |
| 3.2.1 小波阈值去噪的原理 |
| 3.2.2 小波阈值去噪的参数选择 |
| 3.2.3 去噪效果的评价指标 |
| 3.3 监测信号的去噪 |
| 3.3.1 声发射信号的去噪 |
| 3.3.2 钻削力信号的去噪 |
| 3.4 本章小结 |
| 第4章 监测信号的特征提取 |
| 4.1 监测信号的采集试验 |
| 4.2 信号的时域分析 |
| 4.2.1 时域分析方法 |
| 4.2.2 声发射信号的时域分析 |
| 4.2.3 钻削力信号的时域分析 |
| 4.3 信号的频域分析 |
| 4.3.1 频域分析方法 |
| 4.3.2 声发射信号的频域分析 |
| 4.3.3 钻削力信号的频域分析 |
| 4.4 信号的时频域分析 |
| 4.4.1 小波能量系数分析法 |
| 4.4.2 声发射信号的小波分析 |
| 4.4.3 钻削力信号的小波分析 |
| 4.5 本章小结 |
| 第5章 基于人工神经网络的钻头磨损状态识别 |
| 5.1 人工神经网络的基本概述 |
| 5.1.1 人工神经元 |
| 5.1.2 人工神经网络的结构 |
| 5.2 BP神经网络 |
| 5.2.1 BP神经网络的结构 |
| 5.2.2 BP神经网络的学习算法 |
| 5.3 基于BP神经网络的钻头磨损状态识别 |
| 5.3.1 神经网络结构参数设计 |
| 5.3.2 神经网络的训练 |
| 5.3.3 网络识别结果测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A 攻读硕士学位期间取得的成果 |
| 致谢 |
（8）数控车削中的音频信号与刀具磨损的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景与意义 |
| 1.1.1 选题的背景 |
| 1.1.2 选题的意义 |
| 1.2 刀具状态监测技术的发展状况与监测方法 |
| 1.2.1 刀具状态监测技术的发展状况 |
| 1.2.2 刀具磨损状态监测方法概述 |
| 1.2.3 刀具磨损状态的监测技术研究现状 |
| 1.3 主要研究内容 |
| 1.4 本章小结 |
| 第二章 刀具磨损状态监测系统设计 |
| 2.1 刀具失效形式及磨钝标准 |
| 2.1.1 刀具磨损 |
| 2.1.2 刀具破损 |
| 2.1.3 刀具磨钝标准 |
| 2.2 刀具磨损监测系统总体方案设计 |
| 2.3 实验系统 |
| 2.3.1 硬件系统 |
| 2.3.2 软件系统 |
| 2.4 影响音频信号的因素 |
| 2.5 实验步骤 |
| 2.5.1 影响信号特征的实验 |
| 2.5.2 刀具磨损实验 |
| 2.6 本章小结 |
| 第三章 刀具磨损与切削音频信号及力信号相关性研究 |
| 3.1 切削实验 |
| 3.1.1 实验方法 |
| 3.1.2 切削音频信号采集参数设置 |
| 3.1.3 切削力信号采集参数设置 |
| 3.2 基于切削中采集的音频信号磨损情况建立数据库 |
| 3.3 原始信号的降噪与分析处理 |
| 3.3.1 环境噪声的去除 |
| 3.3.2 时域分析方法 |
| 3.3.3 频域分析方法 |
| 3.4 刀具磨损与切削音频信号的相关分析 |
| 3.4.1 刀具磨损对切削音频信号的影响 |
| 3.4.2 切削参数对切削音频信号的影响 |
| 3.5 刀具磨损与切削力信号的相关分析 |
| 3.5.1 刀具磨损对切削力信号的影响 |
| 3.5.2 切削参数对切削力信号的影响 |
| 3.6 车削过程中的爬行现象的相关性分析 |
| 3.7 本章小结 |
| 第四章 基于小波分析刀具磨损特征信号研究 |
| 4.1 常见时频分析方法 |
| 4.1.1 短时傅里叶变换 |
| 4.1.2 Wigner-Ville分布变换 |
| 4.2 小波变换的基本原理 |
| 4.2.1 小波变换 |
| 4.2.2 连续小波变换 |
| 4.2.3 离散小波变换 |
| 4.2.4 二进小波变换 |
| 4.2.5 多分辨率分析 |
| 4.2.6 小波包分解 |
| 4.3 基于小波分解的车削声音信号特征提取 |
| 4.4 本章小结 |
| 第五章 基于神经网络的刀具磨损状态识别 |
| 5.1 模式识别及其常用方法 |
| 5.2 人工神经网络概述 |
| 5.2.1 神经元模型 |
| 5.2.2 BP神经网络结构和算法 |
| 5.3 BP神经网络结构参数设计 |
| 5.3.1 网络参数的确定 |
| 5.3.2 输入层和输出层节点数设计 |
| 5.3.3 隐含层神经元数的确定 |
| 5.3.4 激活函数的确定 |
| 5.3.5 权值的初始设置 |
| 5.4 刀具磨损状态识别 |
| 5.4.1 构造神经网络训练样本 |
| 5.4.2 刀具磨损状态识别神经网络的训练仿真 |
| 5.4.3 网络训练 |
| 5.5 刀具磨损状态验证分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（9）基于铣削声音信号分析的刀具状态监测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 刀具状态监测技术研究现状 |
| 1.2.1 刀具状态监测方法概述 |
| 1.2.2 常用监测技术国内外研究现状 |
| 1.2.3 基于声音信号的刀具监测技术研究现状 |
| 1.3 刀具失效形式和磨钝标准 |
| 1.3.1 刀具磨损 |
| 1.3.2 刀具破损 |
| 1.3.3 刀具磨钝标准 |
| 1.4 主要研究内容 |
| 1.5 本章小结 |
| 第二章 刀具磨损状态监测系统设计 |
| 2.1 监测系统总体方案设计 |
| 2.2 实验设备 |
| 2.2.1 机床 |
| 2.2.2 工件 |
| 2.2.3 刀具 |
| 2.2.4 显微镜 |
| 2.3 刀具磨损状态监测系统硬件设计 |
| 2.3.1 传感器选型 |
| 2.3.2 传感器、工件的安装 |
| 2.3.3 数据采集卡选型 |
| 2.3.4 计算机选型 |
| 2.4 刀具磨损状态监测系统软件设计 |
| 2.4.1 基于LabVIEW的数控铣削声音信号采集分析系统 |
| 2.4.2 切削力采集分析软件 |
| 2.5 本章小结 |
| 第三章 刀具磨损与铣削声音及力信号相关性研究 |
| 3.1 实验方案设计 |
| 3.1.1 实验方法设计 |
| 3.1.2 声音信号采集参数设置 |
| 3.1.3 力信号采集参数设置 |
| 3.1.4 实验步骤 |
| 3.2 刀具磨损与铣削声音相关性分析 |
| 3.2.1 时域分析方法 |
| 3.2.2 频域分析方法 |
| 3.2.3 铣削声音信号时域特征分析 |
| 3.2.4 铣削声音信号频域特征分析 |
| 3.2.5 铣削参数对声音信号的影响 |
| 3.3 刀具磨损与铣削力信号相关性分析 |
| 3.3.1 刀具磨损对铣削力信号的影响 |
| 3.3.2 铣削参数对铣削力信号的影响 |
| 3.4 本章小结 |
| 第四章 基于小波分析的刀具磨损特征信号研究 |
| 4.1 小波变换的基本原理 |
| 4.1.1 小波变换 |
| 4.1.2 连续小波变换 |
| 4.1.3 离散小波变换 |
| 4.1.4 二进小波变换 |
| 4.1.5 多分辨率分析 |
| 4.1.6 小波包分解 |
| 4.2 基于小波分解的铣削声音信号特征提取 |
| 4.3 本章小结 |
| 第五章 刀具磨损状态识别研究 |
| 5.1 模式识别及其常用方法 |
| 5.2 人工神经网络 |
| 5.2.1 神经元模型 |
| 5.2.2 BP神经网络 |
| 5.3 基于BP神经网络的刀具磨损状态识别 |
| 5.3.1 BP神经网络的结构设计 |
| 5.3.2 刀具磨损状态识别神经网络的训练仿真 |
| 5.3.3 刀具磨损状态识别神经网络的测试仿真 |
| 5.3.4 BP神经网络判定结果的标准化 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文成果总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（10）基于分形理论的金刚石木工圆锯片磨损状态研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 刀具磨损状态国内外研究现状与发展趋势 |
| 1.2.1 刀具磨损状态国内外研究现状 |
| 1.2.2 刀具磨损状态研究的发展趋势 |
| 1.3 分形理论在刀具磨损状态方面的应用 |
| 1.4 论文研究的主要内容 |
| 2 金刚石木工圆锯片磨损形貌研究 |
| 2.1 金刚石木工刀具磨损影响因素分析 |
| 2.2 金刚石木工圆锯片磨损机理 |
| 2.3 金刚石木工圆锯片的磨损形式研究 |
| 2.4 金刚石木工圆锯片磨损形貌特征提取 |
| 2.4.1 金刚石木工圆锯片锯齿磨损形貌的获取 |
| 2.4.2 金刚石木工圆锯片磨损形貌图像预处理 |
| 2.4.3 金刚石木工圆锯片磨损形貌的图像分割 |
| 2.5 本章小结 |
| 3 金刚石木工圆锯片磨损形貌的分形维数表征 |
| 3.1 金刚石木工圆锯片磨损形貌的表征 |
| 3.1.1 金刚石木工圆锯片磨损形貌的传统表征 |
| 3.1.2 金刚石木工圆锯片磨损形貌的分形特征描述 |
| 3.2 常用的分形维数算法 |
| 3.2.1 豪斯道夫维数 |
| 3.2.2 关联维数 |
| 3.2.3 盒维数 |
| 3.3 金刚石木工圆锯片后刀面磨损形貌的盒维数计算 |
| 3.4 本章小结 |
| 4 金刚石木工圆锯片的数值模态分析 |
| 4.1 概述 |
| 4.2 金刚石木工圆锯片数值模态分析意义 |
| 4.3 数值模态分析流程 |
| 4.4 金刚石木工圆锯片模态分析 |
| 4.5 本章小结 |
| 5 基于分形理论节点模态位移变化曲线的研究 |
| 5.1 分形理论在曲线图像方面的应用 |
| 5.2 金刚石木工圆锯片节点位移变化曲线的分形性探讨 |
| 5.3 磨损前后节点位移变化曲线分形维数计算 |
| 5.3.1 基于传统盒维数算法的节点位移变化曲线维数计算 |
| 5.3.2 基于序列曲线盒维数算法的分形维数计算 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、浅谈声发射的小波分析与木工刀具磨损检测（论文参考文献）
- [1]多特征融合的车削刀具磨损状态监测技术研究[D]. 令狐克进. 昆明理工大学, 2021(01)
- [2]基于机器视觉的木工铣刀磨损检测研究[D]. 陈则铭. 北京林业大学, 2020(02)
- [3]基于深度学习的刀具磨损检测系统的设计与实现[D]. 黄鹤翔. 中国科学院大学(中国科学院沈阳计算技术研究所), 2020(07)
- [4]基于声发射技术的齿轮断齿检测研究[D]. 姚俊. 西南科技大学, 2020(08)
- [5]多传感器融合振动钻削磨损状态监测研究[D]. 刘红岩. 长春理工大学, 2020(01)
- [6]基于灰色-马尔科夫的截齿磨损状态识别和预测[D]. 王琛淇. 辽宁工程技术大学, 2019(07)
- [7]振动钻削钻头状态监测技术研究[D]. 宗姝. 长春理工大学, 2019(01)
- [8]数控车削中的音频信号与刀具磨损的研究[D]. 王辉. 上海工程技术大学, 2017(03)
- [9]基于铣削声音信号分析的刀具状态监测研究[D]. 朱国奎. 上海工程技术大学, 2016(01)
- [10]基于分形理论的金刚石木工圆锯片磨损状态研究[D]. 马雪亭. 东北林业大学, 2016(02)