一、CIMS环境下刀具状态监测研究回顾与展望（论文文献综述）
潘春龙[1]（2021）在《微铣削刀具磨损状态监测方法研究》文中指出近年来,精密零件被广泛应用于各行各业,这一要求带动了精密加工和微铣削加工的发展。微铣削加工是指铣削刀具直径在一毫米以下且被加工工件的特征尺寸在一微米到一毫米之间的铣削加工方式。由于加工精度高、加工材料的多样性以及能加工复杂的三维曲面等优点,微铣削已经在各行各业得到了广泛应用。但是,随着刀具和工件的尺寸急剧减小,相对于传统铣削,微铣刀更易磨损,对加工工件的精度影响更为明显。因此微铣削加工技术的发展受微铣刀磨损的制约,只有准确监测微铣刀的磨损状态,才能及时更换刀具,加工出高精度的零件。因此对刀具的监测十分重要。本文以微铣削加工过程中刀具磨损状态的识别为研究对象,搭建了以刀具振动信号为监测信号的微铣削刀具磨损状态监测平台。基于这个平台,本文将微铣削刀具磨损状态和被监测的特征建立起一个相互对应的关系。这个对应关系是基于振动信号的。全文主要研究如下:（1）以切削深度、主轴转速和进给速率这三个切削参数进行微铣刀磨损状态实验,这个实验的首要任务是要采集与磨损状态息息相关的信号。本文采用的信号是微铣刀振动信号,而且是在不同加工条件和微铣刀的不同磨损状态下采集的。选择合适的信号分析处理方法,将微铣削刀具在切削工件过程中采集到的振动信号进行一系列的处理。比如时域分析法、频域分析法,并分别提取了时域特征、频域特征。（2）针对输入样本维数较高的问题,通过主成分分析（PCA）、线性判别分析（LDA）、监督局部保持投影（SLPP）这3种降维约简方法进行特征参量的提取,并比较得出基于PCA提取的低维特征参量对后续微铣刀磨损状态的识别更好。最终采用PCA提取的最优特征向量组作为后续识别模型的输入。（3）采用动态惯性权重的标准粒子群优化算法（PSO）与BP神经网络相结合的方法进行微铣刀磨损状态的识别。将测试样本输入到训练后的动态惯性权重的标准PSO-BP神经网络中,并通过分类器的输出确定微铣刀磨损状态。同时,与传统的BP神经网络分类模型以及其他分类模型进行对比,证明了动态惯性权重的标准PSO-BP神经网络分类模型具有更高的分类精度。实验研究表明,本文的基于PCA与动态惯性权重的标准PSO-BP神经网络方法。对于微铣削刀具磨损状态的识别,不仅在识别速度上有了显着提升,更重要的是,大大提高了识别的准确率。这对微铣削加工的实际生产过程中微铣刀的磨损状态监测具有非常重要的实际意义。
王军[2]（2021）在《基于数字孪生的刀具磨损监测和预测方法研究》文中进行了进一步梳理刀具作为机床的“牙齿”,其切削状态对于整个加工过程的稳定进行、加工效率和质量的提升具有重要的影响。因此,对刀具状态进行及时、准确和可靠的评估成为重要的研究课题。目前,针对刀具磨损状态监测的研究方法主要分为基于有限元模型、基于传感数据以及基于模型和数据融合的刀具磨损状态监测技术。但基于有限元模型刀具磨损监测使用的磨损机理模型适应性差、难以真实、准确反映刀具的全部磨损机理;而基于传感数据刀具磨损监测方法由于未考虑物理特性,其结果过度依赖数据特征提取质量和样本数量,从而影响刀具磨损监测结果的准确性。在基于模型和数据融合的方法中,数字孪生技术由于具有信息物理高度融合、虚实同步的特点,为复杂多变的加工环境下基于模型和数据融合的刀具磨损状态监测和评估提供了有效的手段。本文基于数字孪生的理念,建立了刀具的数字孪生模型,并对刀具磨损状态监测和预测进行了研究。具体研究内容如下:⑴基于数字孪生的理念,构建了刀具的数字孪生模型。构建的刀具数字孪生模型由孪生机理模型、孪生数据模型以及可加工性融合评价模型三部分组成。基于面向对象的原则,从几何、物理、规则和行为四个维度出发,建立了孪生机理模型。利用卷积神经网络建立了孪生数据模型。通过确定卷积神经网络中的卷积层数量、池化层数量以及选取合适的卷积核尺寸、激活函数、dropout等模型参数,提高了孪生数据模型的精度。⑵基于数字孪生的模型和数据融理念,利用粒子滤波算法构建了可加工性融合评价模型,根据孪生数据模型监测的刀具磨损结果对孪生机理模型进行更新修正,实现了孪生数据模型与孪生机理模型的融合。利用可加工性融合评价模型,研究了刀具磨损监测和预测方案。通过将磨损监测和预测的融合结果与试验结果进行对比分析,表明了可加工性融合评价模型的有效性和准确性。⑶搭建了车削加工时的刀具磨损试验平台,选用45钢和40Cr Ni Mo A合金钢两种不同的工件材料分别进行了切削试验。利用孪生数据模型对采集到的传感器信号进行挖掘和分析,并基于可加工性融合评价算法,利用数据分析的结果来驱动孪生机理模型的更新和修正,获得基于数字孪生的刀具磨损状态监测和预测结果。分别将基于数字孪生的刀具磨损监测结果和预测结果与刀具磨损试验值进行对比分析,验证了本文提出的基于数字孪生的刀具磨损监测和预测方案的准确性。
李恒帅[3]（2021）在《基于数字孪生技术的刀具磨损图像检测》文中指出金属切削加工的过程中,刀具会不断的产生磨损,零件的加工精度和加工表面质量因此会受到很大程度的影响,所以针对刀具磨损状态检测的问题是非常重要的话题。数字孪生技术作为落实工业互联网、智能制造等诸多先进理念的方法和方式,在智能化工厂中应用越来越多。本文针对球头铣刀刀具刃线复杂、磨损图像采集困难的问题,以Unity3D虚拟现实引擎为开发工具,检测刀具磨损特征值为目标,搭建了刀具磨损检测孪生系统,主要研究内容如下:首先,进行了刀具磨损检测孪生系统总体方案及功能设计。利用Pro/E、3Ds Max为几何建模工具,结合UR10人机协同机械臂参数,建立了三维模型;利用Unity3D虚拟现实引擎对模型进行了搭建,设计一套刀具磨损检测虚拟平台,对机械臂位姿控制、轨迹规划、数据通讯、在线控制以及视角监控等功能进行设计与开发。其次,对刀具磨损图像采集方案进行研究。基于D-H参数法对UR10人机协同机械臂进行运动学建模,以UR10人机协同机械臂为研究对象进行了运动学正解和反解的推导,并利用MATLAB Robotic工具箱进行验证。并以此为基础,结合球头铣刀侧刃与底刃刃线方程,对机械臂末端进行轨迹规划,搭建了虚拟控制系统。再次,对采集到的刀具磨损图像进行处理,得到了刀具后刀面磨损值。针对刀具初始角度不确定的问题,采用识别底刃刃线特征的方法,确定了刀具初始偏转角。利用最大类间方差法实现了自动阈值分割,结合Hough变换,实现了刀具后刀面磨损区域分割,提取了刀具磨损区域特征值。最后,对刀具磨损检测孪生系统进行了测试。基于TCP/IP协议实现了虚拟场景与物理场景的信息交互。根据系统要求,分别对离线和在线系统进行了测试,验证了虚实交互控制系统方案的可行性以及刀具磨损检测孪生系统的可行性。
郭艳德[4]（2020）在《基于图像技术的刀具磨损在机检测系统研究》文中认为刀具在金属切削加工过程中不断产生磨损,刀具的磨损会直接影响到加工精度和加工质量,因此开展在机监测刀具磨损情况保证零件的加工质量的研究具有较高的实用性和社会经济价值。本文以铣削过程中刀具磨损状态为研究对象,对刀具磨损在机检测的技术进行研究,主要完成以下内容:首先,通过分析刀具磨损在机检测系统的需求,制定刀具磨损图像在机采集系统的硬件设计方案,根据采集系统的设计方案对各硬件进行选型和集成,包括机器人和机床空间坐标系对准、底刃图像的采集、侧刃图像的采集和工业相机的位置姿态确定等。其次,提出未磨损铣刀图像的后刀面轮廓提取方法。先对在机采集到的图像进行合适的预处理。为了实现对未磨损刀具图像中的后刀面定位,在传统Niblack算法的基础上,结合图像全局灰度变化的估计信息与局部区域信息之间的关联性,提出了一种自适应修正系数选取的Niblack阈值分割算法,实现了后刀面区域分割。并使用Sobel算法实现后刀面轮廓的提取。再次,为了实现磨损前后切削刃边界线对比与磨损量计算,以未磨损刀具后刀面轮廓线创建形状匹配算法的模板,使用形状匹配算法对磨损的刀具图像进行形状匹配实现后刀面区域定位。在后刀面区域内使用改进的Niblack算法实现磨损区域的定位。提出了一种基于梯度方向与Sigmoid函数拟合的亚像素边缘检测算法,在磨损区域内使用改进亚像素边缘检测算法实现精度在0.1个像素以内的磨损边界亚像素检测,最终计算出后刀面的磨损和破损量的大小。最后,使用VS2012开发平台,结合HALCON图像处理函数库,开发刀具磨损在机检测软件,该软件能够实现刀具图像采集、刀具图像检测和刀具磨损信息数据库存储的一体化集成;进行立铣刀在机检测磨损量实验,磨损量检测结果与超景深显微镜测量结果进行对比,验证系统的可靠性,分析出系统的误差来源和提高系统精度的方法。
秦泽政[5]（2019）在《数控机床刀具状态智能监测》文中研究表明刀具状态监测是当代数控机床急需的重要部分,随着加工技术的进步,刀具状态监测在数控加工过程中占有越来越重要的地位。及时发现处于过度磨损阶段的刀具进而停机换刀,对提高工业现场生产效率和保障加工过程安全具有至关重要的作用。本文以玻璃磨边机为实验平台,根据当前数控机床被大量应用于单一工件的重复加工这一行业大背景,针对以往传统刀具状态智能监测出现误判的情况,研究了基于主轴振动和主轴变频器电流信号的刀具状态监测,提出一种判断精度更高的刀具状态监测系统。由于每种传感器信号在实际监测过程中都有一定的优点和劣势,因此为避免单一传感器监测而造成判断不准的问题,本课题将采集机床加工过程中的主轴振动信号和电流信号进行综合判断。主要工作如下。对刀具磨损机理进行了介绍,并把刀具磨损过程分为三个阶段,方便接下来对刀具磨损状态的决策。基于硬件实验设备搭建实验平台以及数据采集系统,完成切削实验的设计,选择适当的位置安装振动加速度计和霍尔电流传感器,以达到最好的数据采集效果。针对传感器采集到的原始信号内包含许多与刀具状态无关的特征信息,需要进行去噪处理来提高信噪比,接下来便可以利用数学分析方法对去噪后的信号求取与刀具状态相关的特征值。本文最终采用BP神经网络和SVM多分类对刀具各个状态的特征值进行学习,使决策算法具备对刀具状态的判断能力,最终通过对比两种算法的分类精度,选择最合适的分类算法。
蒋启平[6]（2017）在《汽车发动机面铣刀具破损在线监测研究及其应用》文中提出在汽车发动机生产中,刀具破损在多刀齿面铣刀铣削加工过程中较为常见。针对汽车发动机生产中多刀齿面铣刀加工特点,当单个刀齿出现破损时对整个加工过程不会产生影响;但是当多个刀齿出现严重破损时,刀具整体切削性能会发生改变,对机床以及工件质量等都会造成影响。根据汽车发动机面铣削加工过程中刀具破损情况研究面铣刀具破损监测方法,实现汽车发动机生产中的面铣刀具破损程度在线监测。其主要研究内容如下:首先,对汽车发动机面铣削过程中不同切削位置刀齿切削量变化等加工工艺特点进行分析,同时根据加工过程刀具破损特点分析基于主轴电机电流信号的刀具破损监测方法。建立刀具破损监测系统,对采集信号进行滑动平均法预处理,根据汽车发动机面铣削过程的刀齿切削量发生变化等特点研究基于动态阈值法的刀具破损监测方法通过对动态阈值法中的相关参数进行标定,包括对动态阈值系数的学习、动态阈值基准值的计算等,实现汽车发动机生产中刀具破损在线监测。在刀具破损监测的基础上,进一步对刀具破损程度进行分析,实现对多刀齿面铣刀整体破损程度进行监测。通过将齿差-方差法应用于实际破损监测信号中,分析实际破损程度与信号特征值之间的关系,验证刀具整体破损程度监测方法。最后,将刀具破损监测方法应用于发动机曲轴生产过程中,在发动机曲轴面铣加工过程中,能够准确监测出刀具破损情况,提高曲轴生产线加工效率,进一步证实刀具破损监测方法的可靠性。
彭超[7]（2016）在《BTA深孔钻削过程中钻头磨损状态无传感器监测技术研究》文中指出随着先进制造技术的应用,加工过程将会只有少数人或无人参加,更多的制造任务会由自动化设备来完成。而刀具是整个自动化制造系统中最薄弱的环节,因此,要使自动化的加工过程高效稳定地进行,研究和开发加工过程中刀具状态监测技术就显得尤为重要。本文以切削区域处于封闭空间、切削条件极为恶劣的BTA深孔钻削过程为研究对象,针对目前研究中依赖传感器获取数据同时需要外置决策模块的问题,提出了借助数控系统自身丰富的工况信息,从数控系统中提取加工过程中主轴电机的电流信号,基于电流信号特征参数与钻头磨损之间的内在关系,自动识别钻头磨损状态的无传感器监测方案。并对其中的特征参数的提取技术以及基于特征参数的智能识别技术进行了研究。、为了便于信号的离线研究,建立了基于机床数控系统通讯模块的主轴电机电流信号采集系统,通过钻削实验获取了主轴电机电流信号以及钻头的磨损规律信息。分别在时域和频域对主轴电机电流信号进行了处理和分析,研究了电流信号在钻削过程中的变化规律,提取了信号的特征参数并讨论了各特征参数与BTA钻头磨损之间的关系。结果表明,、时域的均值、均方根、峭度、偏度等特征参数与钻头磨损的变化规律表现出了一定的相关性,其中峭度、偏度作为无量纲参数,能够更好地反映信号的本质特征。在频域内,主轴电机电流的功率谱密度的变化也与钻头的磨损规律呈现出相关性。从功率谱中提取的频带能量及频率重心等特征参数也能一定程度地表征钻头的磨损规律。针对主轴电流信号成分较为复杂,且局部与整体之间具有一定相似性的特点,采用小波分形方法,研究了信号中不同频率分量的分形特征。为了描述在不同尺度下各分量内部及各分量之间的自相似性,分别提取了小波分形盒维数和小波分维数来进行表征,并研究了其与钻头磨损之间的相关关系。结果表明,主轴电机电流信号的小波分形盒维数从低频带到高频带逐渐增大,说明信号在不同频带具有不同的成分信息。且第一层细节部分的盒维数与钻头磨损呈现出一定的相关性。而主轴电机电流信号的小波分维数特征的变化规律与钻头磨损之间呈现除了很好的反相关关系。其拟合曲线上可以很好地表征信号的三个磨损阶段。针对特生下参数样本数较小的特点,采用相关向量机（RVM）分类模型对钻头磨损状态进行识别,研究了核函数以及核参数对于RVM分类模型识别率的影响。在合适的核函数及核参数下,选择信号的峭度、偏度及小波分维数组成特征向量作为训练样本,对相关向量机（RVM）的分类模型进行训练,进而对各磨损状态下的测试样本进行了识别测试。结果表明,RVM分类模型对于深孔加工过程中钻头的磨损状态识别准确率高,且具有很好的泛化能力,能够满足钻削过程中实时高效识别的工作需求。本文的研究工作为BTA深孔钻头的无传感器监测系统的实现奠定了基础,同时也为刀具识别监测技术的研究提供了新的思路。
陈洪涛[8]（2013）在《基于多参量信息融合的刀具磨损状态识别及预测技术研究》文中进行了进一步梳理本文来源于国家重点基础研究发展计划分课题“大型动力装备制造基础研究”（2007CB707703-4）。在深入分析当前刀具状态监测技术研究成果和现状的基础上,针对存在的问题开展了一系列的研究。首先,科学地设计了试验方案,对不同切削条件下数控车削加工中切削力、振动、声发射、切削温度信号进行了刀具全寿命周期的实时采集,采用近似联合对角化下的总体经验模态分解（J-EEMD）算法对观测信号进行刀具磨损状态的特征提取,并在用神经网络进行模式识别的基础上,应用基于支持向量机的刀具磨损融合技术实现了对刀具磨损状态的二次决策识别,实验结果证明,该方法具有良好的识别率和鲁棒性。本文还应用灰色-隐马尔可夫模型对刀具磨损状态进行了科学的预测。本文开展了以下研究工作：（1）为了对基于多参量信息融合的切削刀具磨损状态规律进行研究,选用测力仪、陶瓷加速度计、红外热像仪、声发射传感器及数字采集系统等搭建了试验平台,建立了能够适时及监测数控车削加工过程中切削力、振动、切削热和声发射信号的刀具磨损状态监测系统。对加工过程中刀具全生命周期切削状态进行实时监控,为信号特征的提取、模式识别和刀具状态预测提供了科学依据。（2）采用近似联合对角化下的总体经验模态分解（J-EEMD）方法对观测信号进行处理,该方法基于信号本身特征,自适应地将原振动信号和声发射分解为多个内蕴模式函数（IMF）,然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明,在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。并通过对BP网络和Elman网络的训练实现了对其磨损状态特征的模式识别。（3）针对常用的贝叶斯算法和D-S证据论的局限性提出了基于支持向量机的决策融合方法,接着利用所测数据,在BP和Elman神经网络识别结果的基础上,利用该方法实现了决策融合。实验结果证明,基于支持向量机的决策融合方法具有良好的识别率和鲁棒性,且比单用某一种网络节省时间。（4）建立了反映数控车削加工刀具磨损状态的灰色-隐马尔可夫模型。以反映刀具磨损状态的特征值为输入数据,计算出刀具磨损状态的总体变化趋势的特征值,进而以此为依据利用所建立模型对刀具下一时刻所处的状态进行预测。实验结果表明,本方法有效可行,能对刀具下一时刻的状态做出准确地判定。以此模型建立实时监测预测系统,可以减少停机时间,实现最大经济效益。
陈群涛[9]（2013）在《基于声振信号EMD和ICA的铣刀状态监测技术研究》文中进行了进一步梳理金属切削过程监控是机械制造自动化的关键技术和重要课题，随着FMS、CIMS等自动化技术的发展，迫切需要新型、实用、可靠的刀具状态监控系统。然而，实际加工中传感器检测到的声振信号，包含大量的切削过程及非切削过程信息，如何解决切削过程监控中多目标状态源存在同频干扰的问题成为了切削过程监控亟待解决的关键问题。本文研究了基于铣削过程中声振信号的多传感器信号融合方法，对铣削声振信号中存在的切削过程相关信息进行分离，有效提取出了与刀具破损相关的特征信息。研究工作对于切削过程监控中的信息提取技术具有理论和应用价值。本文基于经验模态分解和独立分量分析提出了一种多通道信号盲源分离算法，以声音传感器及振动传感器为信号检测元件，利用多传感器信息融合技术对铣削加工过程中刀具破损监测相关技术问题进行了详细分析。首先，运用图形化软件集成开发环境LabVIEW开发系统数据采集平台，按照试验方案采集不同刀具状态下铣削过程中的声音和振动信号。其次，运用LabVIEW对所采集的多传感器信号进行分析处理，通过对比不同刀具状态下的信号，提取出与刀具状态相关的特征频率。论文最后探索了一组混叠严重的铣削声振信号的分离问题，利用本文提出的盲源分离算法可以提取出切削声振信号中有关刀具状态的相关信息。通过试验，证实了基于独立分量分析和经验模态分解理论相结合的方法可以有效对铣削过程中刀具破损信息进行提取和分离，丰富和发展了刀具状态监测技术。本文研究表明，EMD-ICA技术可以从混叠的声音信号和振动信号中并行分离出对应于不同刀具状态信息的源信号，而且不会引起信号丢失。在为切削过程监测带来了新的解决方案的同时拓宽了经验模态分解和盲源分离技术的应用领域。
陈侃[10]（2012）在《基于多模型决策融合的刀具磨损状态监测系统关键技术研究》文中研究说明刀具状态监测技术是先进制造技术的重要组成部分,是在现代传感器技术、计算机技术、信号处理技术和人工智能技术基础上发展起来的新兴技术。迄今为止,多个国家的研究单位已对刀具状态监测技术开展了深入的研究并取得了大量的研究成果,但是仍然存在很多亟需解决的问题。本文针对这些问题进行了一系列研究。首先,本文针对刀具监测信号中的噪声污染问题,提出了基于单参数对数基小波包阈值滤波算法的信号降噪方法。其次,研究了刀具状态监测的特征提取与特征融合技术,并提出了基于分步主元量分析（PPCA）的特征融和方法。最后,针对刀具多磨损量识别问题,本文采用了支持向量机（SVM）和三级集成人工神经网络识别模型,并在此基础上采用改进型D-S证据论进行决策级融合,进一步提高了刀具状态监测系统的性能。主要研究内容摘要如下：（1）总结并研究了实际加工生产中常见的刀具磨损现象,在对比多种刀具磨损状态的监测方法之后,采用了通过监测刀具背刀面磨损量来衡量刀具磨损状态的监测方法。监测系统硬件平台搭建中传感器的选型,采用了三维力传感器和三维振动加速度传感器相结合的方案。实验结果表明这种多传感器数据级融合的监测方案提高刀具磨损状态识别系统的精确度。（2）在信号预处理过程中,进行了趋势项消除、零均值化与小波降噪处理。为了克服小波滤波算法中的经典阈值滤波算法所存在的缺点,增加阈值函数的非线性性,本文在构造阈值函数过程中引入非线性分量,提出基于单参数对数基小波包阈值滤波的滤波算法。通过仿真实验和刀具监测信号滤波实验都证明了改进的小波阈值滤波算法的有效性和可靠性。（3）在特征提取环节,本文采用了时域、频域、时频域、分形几何等多种方法进行信号特征提取。信号分形盒维数是建立在分形几何学上的算法,目前在刀具磨损状态监测技术中应用得较少,本文对该方法作了深入研究,得到刀具磨损信号的分形盒维数特征,并验证了其有效性。本文还对小波包分析方法在刀具磨损状态监测系统中的应用进行了深入研究,提出了基于统计学理论的小波子带能量特征,并通过实验证明了该类特征在刀具磨损状态监测中的有效性。最后提取的特征值有：绝对值总和、最大值、极值距离、标准差、绝对平均值、方差、平方根均值、峭度、歪度、自乘均值、频率幅值和、频率最大值、信号分形盒维数、小波子带能量、子带能量比、子带能量比率差。（4）针对刀具磨损状态特征空间高维数引起的计算开销过大的问题,本文对主元量分析（PCA）算法进行了改进,提出了分部主元量分析（PPCA）算法,成功地实现了特征优化。实验结果表明,分部主元量分析算法有效地避免目标模式识别特征之间的干扰,使得重构特征空间更有利于神经网络的快速收敛,提高了系统识别精度。（5）本文针对高维输入输出映射求解难的问题,提出了三级集成人工神经网络与支持向量机相融合的识别模型。由于传统神经网络在对大模式空间进行识别时网络训练无法正确收敛,本文提出了三级神经网络模型,并在刀具状态识别中成功应用。本文还建立了基于支持向量机的识别模型,并将这两类具有不同数学特性的智能监测模型进行决策融合,实现对刀具磨损状态的精确识别。本文第六章、第七章详细地讨论单模型识别的效果和综合两者之后的效果。在多模型决策级融合过程中,针对如何评判SVM的识别精度问题,通常的做法是将样本与目标空间循环划分,进行交叉检验（Cross Validation）,但该方法对于本文所涉及的实验方案却不适用,这是因为交叉检验在多模式输出少样本数据的情况下意义不大,因此本文提出了计算预测分类与目标分类标签距离均值的方法,有效的解决了该问题。在决策级融合过程中采用改进的D-S证据论。以两种具有不同数学特性的智能识别模型ANN和SVM,分别对刀具磨损状态进行识别,并将识别结果进行融合得出最终决策。在融合过程中涉及到的如何获得模型的信度值这一关键问题,本文采用的方法是将智能识别模型对重复实验数据的输出误差均方值作为信度函数值。根据D-S证据理论对证据的要求,对ANN和SVM信度空间进行归一化处理。实验结果表明基于ANN和SVM的改进D-S证据论融合模型成功地解决了刀具全寿命周期内磨损状态的精确识别问题。
二、CIMS环境下刀具状态监测研究回顾与展望（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、CIMS环境下刀具状态监测研究回顾与展望（论文提纲范文）
（1）微铣削刀具磨损状态监测方法研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 微铣削刀具磨损 |
| 1.2.1 刀具磨损形式 |
| 1.2.2 微铣刀磨钝标准 |
| 1.2.3 微铣刀磨损规律 |
| 1.3 刀具磨损监测研究现状 |
| 1.3.1 间接法常用到的切削信号 |
| 1.3.2 常用的信号分析处理方法 |
| 1.3.3 有效特征的选择方法 |
| 1.3.4 刀具磨损状态识别方法 |
| 1.4 论文结构布局和研究内容 |
| 1.5 本章小结 |
| 2 微铣削刀具磨损状态监测实验平台的搭建 |
| 2.1 微铣削刀具磨损状态监测系统总体构成 |
| 2.2 实验方法 |
| 2.3 监测对象及加工参数的确定 |
| 2.4 系统硬件组成 |
| 2.4.1 实验数控机床 |
| 2.4.2 实验所需传感器的选择及其安装位置 |
| 2.4.3 数据采集系统的选择 |
| 2.5 本实验软件平台 |
| 2.6 本章小结 |
| 3 信号分析与特征参数提取 |
| 3.1 时域分析法及特征提取 |
| 3.2 频域分析法及特征提取 |
| 3.3 振动信号分析 |
| 3.3.1 时域特征 |
| 3.3.2 频域特征 |
| 3.4 特征值归一化 |
| 3.5 本章小结 |
| 4 特征参数降维约简分析 |
| 4.1 主成分分析(PCA) |
| 4.2 线性判别分析(LDA) |
| 4.3 监督局部保持投影(SLPP) |
| 4.4 微铣刀磨损状态的低维特征提取 |
| 4.4.1 三种特征降维处理方法比较 |
| 4.4.2 特征参数降维具体描述 |
| 4.5 本章小结 |
| 5 基于PSO-BP神经网络的微铣削刀具磨损状态识别 |
| 5.1 人工神经网络 |
| 5.1.1 ANN模型 |
| 5.1.2 BP神经网络 |
| 5.2 粒子群优化算法 |
| 5.2.1 算法的流程 |
| 5.2.2 PSO的发展及其改进 |
| 5.3 BP神经网络的优化 |
| 5.4 微铣削刀具磨损状态识别 |
| 5.4.1 BP神经网络的建立 |
| 5.4.2 标准粒子群优化BP神经网络的参数选择 |
| 5.4.3 微铣刀磨损状态识别结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间研究成果 |
| 致谢 |
（2）基于数字孪生的刀具磨损监测和预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 本课题研究背景 |
| 1.2 刀具磨损监测状态研究现状 |
| 1.2.1 基于有限元模型的刀具磨损状态监测技术 |
| 1.2.2 基于传感数据的刀具磨损状态监测技术 |
| 1.2.3 基于模型和数据融合的刀具磨损状态监测技术 |
| 1.3 数字孪生技术的研究现状 |
| 1.3.1 数字孪生的概念 |
| 1.3.2 数字孪生技术的研究现状 |
| 1.4 课题的主要研究内容 |
| 第2章 刀具数字孪生模型的构建方法研究 |
| 2.1 刀具数字孪生模型框架 |
| 2.2 孪生机理模型的构建方法研究 |
| 2.2.1 几何模型 |
| 2.2.2 物理模型 |
| 2.2.3 行为模型 |
| 2.2.4 规则模型 |
| 2.3 孪生数据模型的构建方法研究 |
| 2.3.1 卷积神经网络 |
| 2.3.2 一维卷积神经网络介绍 |
| 2.3.3 一维卷积神经网络搭建 |
| 2.3.4 1D CNN超参数选择 |
| 2.4 本章小结 |
| 第3章 可加工性融合评价模型的构建方法研究 |
| 3.1 基于粒子滤波算法的可加工性融合评价模型构建方案 |
| 3.2 基于粒子滤波算法的刀具磨损状态监测研究 |
| 3.2.1 粒子滤波算法介绍 |
| 3.2.2 基于粒子滤波算法的融合原理 |
| 3.2.3 基于粒子滤波算法的刀具磨损监测流程 |
| 3.3 基于粒子滤波算法的刀具磨损状态预测研究 |
| 3.4 本章小结 |
| 第4章 基于数字孪生的刀具磨损状态监测和预测方案试验验证 |
| 4.1 切削试验设计 |
| 4.1.1 刀具和工件材料选择 |
| 4.1.2 监测信号的选择及信号采集系统硬件组成 |
| 4.1.3 信号数据采集 |
| 4.2 孪生机理模型试验验证 |
| 4.2.1 孪生机理模型参数设置 |
| 4.2.2 孪生机理模型结果与试验结果对比分析 |
| 4.3 孪生数据模型试验验证 |
| 4.3.1 1D CNN模型训练过程 |
| 4.3.2 孪生数据模型结果与试验结果对比分析 |
| 4.4 可加工性融合评价模型试验验证 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 本文的主要结论 |
| 5.2 本文主要创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其它学术成果 |
（3）基于数字孪生技术的刀具磨损图像检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 刀具磨损检测研究现状 |
| 1.2.2 基于图像技术的刀具磨损检测研究现状 |
| 1.2.3 机械臂仿真系统研究现状 |
| 1.2.4 数字孪生研究现状 |
| 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 刀具磨损检测虚拟系统搭建 |
| 2.1 刀具磨损图像分析 |
| 2.2 孪生系统的总体方案架构 |
| 2.2.1 系统构成 |
| 2.2.2 系统功能 |
| 2.3 虚拟现实引擎建模 |
| 2.3.1 场景构成及设计思想 |
| 2.3.2 UR10 机械臂建模 |
| 2.3.3 UI界面开发 |
| 2.4 本章小结 |
| 第3章 面向图像采集的机械臂运动学分析 |
| 3.1 UR10 机械臂运动学分析 |
| 3.1.1 机械臂的齐次坐标变换 |
| 3.1.2 UR10 人机协同机械臂运动学建模 |
| 3.1.3 UR10 机械臂正运动学分析 |
| 3.1.4 UR10 机械臂逆运动学分析 |
| 3.2 UR10 机械臂与刀具定位研究 |
| 3.3 UR10 机械臂的轨迹规划及磨损图像采集 |
| 3.3.1 球头铣刀侧刃图像采集 |
| 3.3.2 球头铣刀底刃图像采集 |
| 3.4 本章小结 |
| 第4章 刀具磨损图像检测 |
| 4.1 刀具磨损图像前处理算法研究 |
| 4.1.1 图像采集偏转角研究 |
| 4.1.2 磨损图像预处理 |
| 4.2 刀具磨损图像的分割 |
| 4.2.1 最大类间方差法研究 |
| 4.2.2 磨损图像分割 |
| 4.3 刀具磨损特征值识别 |
| 4.4 本章小结 |
| 第5章 刀具磨损检测数字孪生系统开发及测试 |
| 5.1 数字孪生系统与UR10 机械臂的通信开发 |
| 5.1.1 服务器的建立 |
| 5.1.2 客户端的建立 |
| 5.1.3 数据传输及处理 |
| 5.2 数字孪生系统离线测试 |
| 5.3 数字孪生系统在线测试 |
| 5.3.1 数字孪生系统硬件平台选择及搭建 |
| 5.3.2 机械臂在线控制测试 |
| 5.3.3 刀具磨损识别测试 |
| 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及其他成果 |
| 致谢 |
（4）基于图像技术的刀具磨损在机检测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 相关领域的国内外研究现状 |
| 1.2.1 刀具磨损检测技术的研究现状 |
| 1.2.2 基于图像技术的刀具磨损检测研究现状 |
| 1.2.3 模板匹配算法的研究现状 |
| 1.3 课题来源及主要研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 本文研究的主要内容 |
| 第2章 刀具图像在机采集系统实现 |
| 2.1 刀具图像采集系统硬件方案的设计 |
| 2.1.1 刀具图像采集系统设计要求 |
| 2.1.2 刀具图像采集系统总体方案 |
| 2.2 系统的硬件选型 |
| 2.2.1 工业相机和镜头的选型 |
| 2.2.2 光源的选型 |
| 2.2.3 机械模块的选型 |
| 2.3 立铣刀具图像的在机采集 |
| 2.3.1 底刃图像的采集 |
| 2.3.2 侧刃图像的采集 |
| 2.4 本章小结 |
| 第3章 未磨损立铣刀后刀面轮廓提取 |
| 3.1 刀具图像预处理算法研究 |
| 3.1.1 刀具图像的灰度化 |
| 3.1.2 刀具图像滤波方法 |
| 3.1.3 刀具图像增强 |
| 3.2 自适应修正系数的Niblack阈值分割算法 |
| 3.2.1 传统Niblack算法 |
| 3.2.2 自适应修正系数选取的Niblack算法 |
| 3.3 未磨损底刃图像的旋转变化和后刀面轮廓线提取 |
| 3.3.1 基于Harris角点检测算法的底刃圆心和转角计算 |
| 3.3.2 基于Sobel算法的后刀面轮廓提取 |
| 3.4 未磨损侧刃图像的后刀面轮廓提取 |
| 3.4.1 霍夫变换直线检测算法 |
| 3.4.2 基于Hough变换的侧刃后刀面宽度计算和轮廓提取 |
| 3.5 本章小结 |
| 第4章 基于形状匹配算法的磨损量、破损量计算 |
| 4.1 基于形状匹配算法的立铣刀磨损、破损识别 |
| 4.1.1 形状匹配算法的基本原理 |
| 4.1.2 基于形状匹配的图像金字塔分层匹配原理 |
| 4.1.3 基于形状匹配算法的后刀面定位 |
| 4.2 改进亚像素边缘检测算法的边界线提取 |
| 4.2.1 亚像素边缘检测概述 |
| 4.2.2 Sigmoid函数边缘模型 |
| 4.2.3 结合梯度方向与Sigmoid函数对亚像素边缘检测算法的拟合 |
| 4.2.4 磨损、破损边界线的提取 |
| 4.3 磨损量和破损量的计算 |
| 4.3.1 磨损量和破损量计算 |
| 4.3.2 径向磨损量计算 |
| 4.4 本章小结 |
| 第5章 刀具磨损在机检测软件开发与实验测试 |
| 5.1 软件系统整体构架及设计流程 |
| 5.1.1 软件系统整体构架 |
| 5.1.2 系统登录管理模块 |
| 5.1.3 刀具图像在机采集模块的实现 |
| 5.1.4 刀具磨损在识别模块的实现 |
| 5.2 刀具磨损识别实验 |
| 5.2.1 像素当量标定 |
| 5.2.2 实验分析 |
| 5.3 刀具磨损检测系统误差分析 |
| 5.3.1 系统误差分析 |
| 5.3.2 提高系统精度方法 |
| 5.4 本章小结 |
| 结论 |
| 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）数控机床刀具状态智能监测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外相关技术的发展现状 |
| 1.2.1 刀具状态监测技术发展的历史 |
| 1.2.2 刀具状态监测的方法 |
| 1.3 本文主要研究内容及组织结构 |
| 第2章 刀具磨损形态及机理 |
| 2.1 刀具磨损产生原因 |
| 2.2 刀具磨损阶段的划分 |
| 2.3 加工质量影响因素介绍 |
| 2.4 本章小结 |
| 第3章 实验设计及硬件平台 |
| 3.1 实验平台介绍 |
| 3.2 数据采集系统及实验设计 |
| 3.2.1 数据采集系统 |
| 3.2.2 采集实验设计 |
| 3.3 本章小结 |
| 第4章 基于传感器信号的数据分析 |
| 4.1 原始信号预处理 |
| 4.1.1 小波包分解寻找有用频率段 |
| 4.1.2 信号重构 |
| 4.2 数学分析得特征值 |
| 4.2.1 时域分析 |
| 4.2.2 频域分析 |
| 4.2.3 时频域分析 |
| 4.3 本章小结 |
| 第5章 刀具状态分类算法研究 |
| 5.1 数据标准化 |
| 5.2 数据主成分分析 |
| 5.3 刀具状态分类算法 |
| 5.3.1 BP神经网络 |
| 5.3.2 SVM多分类 |
| 5.4 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他成果 |
| 致谢 |
（6）汽车发动机面铣刀具破损在线监测研究及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 一、绪论 |
| 1.1 课题概述 |
| 1.2 国内外研究概况 |
| 1.3 本文主要研究内容 |
| 二、汽车发动机面铣刀齿破损分析 |
| 2.1 汽车发动机生产中加工工艺分析 |
| 2.2 面铣刀铣削加工中刀齿破损特点 |
| 2.3 刀齿破损对加工过程的影响 |
| 2.4 本章总结 |
| 三、基于动态阈值法的刀齿破损信号处理与特征提取 |
| 3.1 刀具破损监测系统 |
| 3.2 信号的预处理 |
| 3.3 动态阈值法以及参数标定 |
| 3.4 基于动态阈值法的刀齿破损判断 |
| 3.5 本章总结 |
| 四、基于齿差-方差法的刀具破损程度分析 |
| 4.1 主轴电机电流信号频谱分析 |
| 4.2 基于小波分析的信号提取 |
| 4.3 齿差-方差法分析 |
| 4.4 刀齿破损程度验证 |
| 4.5 本章小结 |
| 五、刀具破损监测在曲轴生产中的应用 |
| 5.1 曲轴生产中刀具破损监测 |
| 5.2 曲轴生产中的刀具崩刀 |
| 5.3 本章小结 |
| 六、总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（7）BTA深孔钻削过程中钻头磨损状态无传感器监测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及其意义 |
| 1.2 刀具监测技术的研究现状 |
| 1.2.1 刀具状态监测方法 |
| 1.2.2 监测信号特征提取技术 |
| 1.2.3 状态识别技术 |
| 1.2.4 国内外研究成果 |
| 1.3 本文主要研究内容 |
| 2 BTA深孔钻头磨损状态监测实验系统设计 |
| 2.1 BTA深孔钻系统简介 |
| 2.2 深孔钻削中主轴驱动系统原理 |
| 2.3 深孔钻削状态监测系统的实验设计 |
| 2.3.1 信号监测实验平台 |
| 2.3.2 试验方案 |
| 2.4 BTA深孔钻头磨损规律研究 |
| 2.4.1 BTA深孔钻常见磨损形式 |
| 2.4.2 钻头的磨损规律研究 |
| 2.5 本章小结 |
| 3 主轴电机电流信号的时域及频域特征提取 |
| 3.1 时域分析与特征提取方法 |
| 3.1.1 波形分析 |
| 3.1.2 统计特征分析 |
| 3.2 主轴电流信号时域分析 |
| 3.2.1 电流信号波形分析 |
| 3.2.2 主轴电流信号时域统计特征分析 |
| 3.3 频域分析与特征提取方法 |
| 3.3.1 信号的功率谱估计 |
| 3.3.2 频域特征参数 |
| 3.4 电流信号的频域分析 |
| 3.4.1 空载主轴电流信号频谱分析 |
| 3.4.2 钻削过程中主轴电流信号频谱分析 |
| 3.4.3 主轴电流信号的频域特征 |
| 3.5 本章小结 |
| 4 主轴电机电流信号的小波分形特征提取 |
| 4.1 小波分形方法的原理 |
| 4.1.1 小波变换及多分辨分析 |
| 4.1.2 分形与分形维数 |
| 4.1.3 小波分形原理 |
| 4.2 小波分形特征的具体表征 |
| 4.2.1 小波分形盒维数的定义及其算法 |
| 4.2.2 小波分维数的定义和算法实现 |
| 4.3 主轴电流信号小波分形特征提取 |
| 4.3.1 仿真信号的小波分析特征分析 |
| 4.3.2 主轴电机电流信号的小波分形盒维数 |
| 4.3.3 主轴电机电流信号的小波分维数 |
| 4.4 本章小结 |
| 5 基于RVM的深孔钻头磨损状态识别技术研究 |
| 5.1 相关向量机 |
| 5.1.1 相关向量机分类模型 |
| 5.1.2 RVM分类算法实现 |
| 5.2 核函数与核参数对RVM的影响 |
| 5.2.1 RVM中常用核函数 |
| 5.2.2 不同核函数下的RVM仿真识别结果 |
| 5.2.3 核参数对识别结果的影响 |
| 5.3 基于RVM的 BTA钻头磨损状态的识别 |
| 5.3.1 钻头磨损识别RVM模型的训练 |
| 5.3.2 钻头磨损状态的识别 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 发展与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表论文与参与项目 |
（8）基于多参量信息融合的刀具磨损状态识别及预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 刀具磨损状态监测技术发展历史及监测方法 |
| 1.2.1 具状态监测技术的发展历史 |
| 1.2.2 刀具状态监测方法 |
| 1.3 刀具磨损状态监测关键技术及研究现状 |
| 1.3.1 信号处理技术 |
| 1.3.2 特征提取与模式识别 |
| 1.3.3 信息融合技术研究现状 |
| 1.4 刀具状态监测的发展趋势 |
| 1.5 论文的结构和内容 |
| 1.6 本章小结 |
| 第2章 刀具磨损机理与刀具寿命 |
| 2.1 刀具损坏的形式 |
| 2.2 刀具磨损机理 |
| 2.2.1 磨料磨损 |
| 2.2.2 粘接磨损 |
| 2.2.3 扩散磨损 |
| 2.2.4 氧化磨损 |
| 2.3 刀具寿命 |
| 2.3.1 刀具磨损过程 |
| 2.3.2 刀具磨钝标准 |
| 2.3.3 刀具寿命模型 |
| 2.4 本章小结 |
| 第3章 刀具磨损状态监测的试验研究 |
| 3.1 监测信号的选择 |
| 3.1.1 切削力信号 |
| 3.1.2 振动信号 |
| 3.1.3 切削温度信号 |
| 3.1.4 声发射信号 |
| 3.2 试验台的搭建 |
| 3.2.1 切削力和振动信号采集系统 |
| 3.2.2 声发射信号监控系统 |
| 3.2.3 切削温度信号采集装置 |
| 3.3 试验方案设计 |
| 3.3.1 试验目的 |
| 3.3.2 影响信号的因素 |
| 3.3.3 试验设计方法 |
| 3.3.4 样本数据提取 |
| 3.4 试验步骤及分析 |
| 3.4.1 影响传感器信号的试验 |
| 3.4.2 工件材料对信号特征的影响 |
| 3.4.3 刀具磨损监测试验 |
| 3.5 结论 |
| 3.6 本章小结 |
| 第4章 刀具磨损状态的特征提取和模式识别 |
| 4.1 J-EEMD方法概述 |
| 4.1.1 EMD原理及仿真示例 |
| 4.1.2 EEMD原理 |
| 4.1.3 J-EEMD方法的提出及有效性检验 |
| 4.2 基于J-EEMD的数据特征提取 |
| 4.2.1 信号的J-EEMD分解 |
| 4.2.2 基于J-EEMD的数据特征提取 |
| 4.2.3 信号的数据特征分析 |
| 4.3 基于两种神经网络的模式识别 |
| 4.3.1 神经网络概述 |
| 4.3.2 基于BP和Elman网络的刀具磨损状态监测模式识别 |
| 4.4 本章小结 |
| 第5章 基于支持向量机的刀具磨损决策融合技术 |
| 5.1 信息融合基本概念 |
| 5.2 基于支持向量机的决策融合算法 |
| 5.2.1 SVM融合原理 |
| 5.2.2 支持向量机的分类问题 |
| 5.2.3 支持向量机的融合示意 |
| 5.3 刀具状态输出的决策融合 |
| 5.3.1 神经网络识别结果分析 |
| 5.3.2 基于支持向量机的决策方法研究 |
| 5.4 本章小结 |
| 第6章 灰色-隐马尔可夫模型刀具状态预测技术 |
| 6.1 刀具磨损状态预测方法的分类 |
| 6.2 隐马尔可夫模型 |
| 6.2.1 引言 |
| 6.2.2 马尔可夫链 |
| 6.2.3 隐马尔可夫链 |
| 6.3 灰色-隐马尔可夫模型 |
| 6.3.1 灰色理论概述 |
| 6.3.2 建立GM(1,1)灰色模型 |
| 6.4 刀具预测模型状态空间的划分及特征处理 |
| 6.4.1 状态空间的划分 |
| 6.4.2 特征处理 |
| 6.5 基于灰色-隐马尔可夫模型刀具磨损状态预测 |
| 6.5.1 建立力特征信号GM(1,1)模型 |
| 6.5.2 基于残差特征值预测 |
| 6.5.3 具磨损状态的预测 |
| 6.6 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表的学术论文及成果 |
（9）基于声振信号EMD和ICA的铣刀状态监测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.1.3 刀具状态监控的方法 |
| 1.2 刀具状态监控研究现状 |
| 1.2.1 基于声音信号的切削过程监测 |
| 1.2.2 基于振动信号的切削过程监测 |
| 1.2.3 信息融合监测技术的研究现状 |
| 1.3 盲源分离技术及其应用现状 |
| 1.4 经验模态分解及其应用现状 |
| 1.5 本文研究内容 |
| 第二章 声音信号和振动信号的融合方法 |
| 2.1 金属切削过程声音信号监测原理 |
| 2.1.1 切削声音信号的产生 |
| 2.1.2 切削声音信号与铣刀故障的关系 |
| 2.2 金属切削过程振动信号监测原理 |
| 2.2.1 切削振动信号的产生 |
| 2.2.2 切削振动信号与铣刀故障的关系 |
| 2.3 独立分量分析 |
| 2.3.1 盲源分离的数学模型 |
| 2.3.2 盲源分离的假设条件 |
| 2.3.3 典型的盲源分离算法 |
| 2.4 经验模态分解 |
| 2.4.1 瞬时频率和固有模式函数 |
| 2.4.2 EMD 方法的算法 |
| 2.4.3 EMD 算法流程设计 |
| 2.5 多传感器信息融合 |
| 2.5.1 多传感器信息融合概念 |
| 2.5.2 EMD-ICA 方法 |
| 2.5.3 基于 EMD-ICA 的多传感器信息融合方法 |
| 2.6 本章小结 |
| 第三章 多传感器信号监测系统 |
| 3.1 系统硬件平台 |
| 3.1.1 噪声传感器 |
| 3.1.2 振动加速度传感器 |
| 3.1.3 数据采集卡 |
| 3.2 系统软件平台 |
| 3.2.1 信号采集/读取模块 |
| 3.2.2 信号谱分析模块 |
| 3.2.3 基于 EMD-ICA 的多传感器信号分析模块 |
| 3.3 本章小结 |
| 第四章 切削声振信号的目标状态源分离 |
| 4.1 铣削试验 |
| 4.1.1 试验设备 |
| 4.1.2 铣削试验设计 |
| 4.2 声音信号分析 |
| 4.2.1 声音信号频域特征 |
| 4.2.2 声音信号基于 EMD 和 ICA 的刀具破损识别 |
| 4.3 振动信号分析 |
| 4.3.1 振动信号频域特征 |
| 4.3.2 振动信号基于 EMD 和 ICA 的刀具破损识别 |
| 4.4 基于 EMD-ICA 的多目标状态源分离 |
| 4.4.1 独立分量分析算法选择 |
| 4.4.2 目标状态源的分离 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（10）基于多模型决策融合的刀具磨损状态监测系统关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 刀具磨损状态监测研究现状 |
| 1.2.1 概述 |
| 1.2.2 国外刀具磨损状态监测技术研究现状 |
| 1.2.3 国内刀具磨损状态监测研究现状 |
| 1.3 智能故障诊断技术研究现状 |
| 1.4 特征提取方法研究现状 |
| 1.4.1 时域特征提取方法概述 |
| 1.4.2 频域特征提取方法概述 |
| 1.4.3 时频域特征提取方法概述 |
| 1.4.4 分形维数特征提取方法概述 |
| 1.5 特征筛选研究概况 |
| 1.5.1 特征选择 |
| 1.5.2 特征提取 |
| 1.6 人工神经网络研究现状 |
| 1.7 支持向量机研究现状 |
| 1.8 信息融合技术研究现状 |
| 1.9 论文的结构和内容 |
| 1.10 本章小结 |
| 第2章 刀具磨损现象研究 |
| 2.1 切削过程中的磨损区域 |
| 2.2 刀具磨损和寿命 |
| 2.2.1 刀具磨损原因 |
| 2.2.2 刀具磨损方式 |
| 2.2.3 刀具磨损形式 |
| 2.2.4 刀具磨损过程与钝化标准 |
| 2.3 实验监测信号确立 |
| 2.4 刀具磨损状态监测实验系统 |
| 2.4.1 车削钛合金实验 |
| 2.4.2 铣削加工实验 |
| 2.5 本章小结 |
| 第3章 小波阈值及单参对数基阈值滤波预处理 |
| 3.1 小波包阀值滤波基本原理 |
| 3.1.1 小波包分解基本理论 |
| 3.1.2 小波包消噪滤波处理步骤 |
| 3.1.3 经典软阈值滤波算法 |
| 3.1.4 经典硬阈值滤波算法 |
| 3.2 单参数对数基小波包阈值函数 |
| 3.3 单参对数基小波包阈值滤波在刀具磨损状态监测中的应用 |
| 3.3.1 车削加工中的单参数对数基小波阈值滤波实验 |
| 3.3.2 铣加工中的单参数对数基小波阈值滤波实验 |
| 3.4 本章小结 |
| 第4章 刀具磨损状态监测的特征提取研究 |
| 4.1 概述 |
| 4.2 时域特征提取 |
| 4.3 频域特征提取 |
| 4.4 时频域特征抽取新方法——小波包子带能量变换特征 |
| 4.4.1 概述 |
| 4.4.2 小波包能量特征 |
| 4.4.3 小波包子带能量变换特征提取 |
| 4.4.4 小波包子带能量统计特征优劣性分析 |
| 4.5 分形维数特征提取 |
| 4.5.1 分形理论 |
| 4.5.2 分形测度及维数D |
| 4.5.3 分形盒维数及其定义 |
| 4.5.4 分形盒维数在刀具磨损状态监测信号特征提取中的应用 |
| 4.6 本章小结 |
| 第5章 特征空间降维 |
| 5.1 特征筛选研究历史及现状 |
| 5.2 PCA主元量分析 |
| 5.2.1 PCA主元量分析概念及特点 |
| 5.2.2 PPCA在刀具磨损状态特征筛选中的应用 |
| 5.2.3 PPCA应用于特征降维的一些结论 |
| 5.3 本章小结 |
| 第6章 刀具磨损故障诊断中的智能识别模型 |
| 6.1 人工神经网络 |
| 6.1.1 几种经典神经网络模型 |
| 6.1.2 人工神经网络在刀具磨损故障诊断中的应用 |
| 6.1.3 新型集成神经网络在刀具全寿命磨损状态识别中的应用 |
| 6.2 支撑向量机 |
| 6.2.1 支持向量机的基础——统计学习算法 |
| 6.2.2 支持向量机分类问题 |
| 6.2.3 支持向量机在刀具磨损故障识别中的应用 |
| 6.3 本章小结 |
| 第7章 多模型决策级融合技术 |
| 7.1 信息融合技术 |
| 7.2 新型多模型决策级融合算法 |
| 7.2.1 决策融合算法及改进的模型信度获取方法 |
| 7.2.2 权可修正多模型决策融合算法 |
| 7.3 多模型决策级融合刀具磨损状态识别实验 |
| 7.3.1 实验系统 |
| 7.3.2 实验结论 |
| 7.4 多模型决策级融合刀具全寿命周期磨损状态识别及预测 |
| 7.4.1 实验系统 |
| 7.4.2 实验结论 |
| 7.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
四、CIMS环境下刀具状态监测研究回顾与展望（论文参考文献）
- [1]微铣削刀具磨损状态监测方法研究[D]. 潘春龙. 常州大学, 2021(01)
- [2]基于数字孪生的刀具磨损监测和预测方法研究[D]. 王军. 齐鲁工业大学, 2021(10)
- [3]基于数字孪生技术的刀具磨损图像检测[D]. 李恒帅. 哈尔滨理工大学, 2021
- [4]基于图像技术的刀具磨损在机检测系统研究[D]. 郭艳德. 哈尔滨理工大学, 2020(02)
- [5]数控机床刀具状态智能监测[D]. 秦泽政. 哈尔滨工业大学, 2019(02)
- [6]汽车发动机面铣刀具破损在线监测研究及其应用[D]. 蒋启平. 华中科技大学, 2017(04)
- [7]BTA深孔钻削过程中钻头磨损状态无传感器监测技术研究[D]. 彭超. 西安理工大学, 2016(08)
- [8]基于多参量信息融合的刀具磨损状态识别及预测技术研究[D]. 陈洪涛. 西南交通大学, 2013(10)
- [9]基于声振信号EMD和ICA的铣刀状态监测技术研究[D]. 陈群涛. 上海交通大学, 2013(07)
- [10]基于多模型决策融合的刀具磨损状态监测系统关键技术研究[D]. 陈侃. 西南交通大学, 2012(03)