一、切削力监测刀具磨损的一种方法（论文文献综述）
沈明瑞[1]（2021）在《基于深度学习的零件加工过程在线监测技术研究》文中研究指明机械加工过程中,表面粗糙度是衡量加工质量的重要指标,刀具状态是影响加工效率的关键因素,在线监测技术可以实现加工过程的实时监测,而无需停机或在加工间隔进行检测。因此,开展表面粗糙度与刀具状态等加工过程在线监测技术研究对于保证零件的高质高效加工具有重要意义。为此,本文结合深度学习方法分别开展了表面粗糙度预测与刀具状态监测技术研究,采用三向加速度传感器采集加工过程中的动态信号,利用深度学习方法自动提取数据的深层次特征,建立数据-机理混合驱动的表面粗糙度预测模型,建立多层极限学习机刀具状态监测模型以及不同加工条件下的深度迁移学习框架,从而实现加工过程的准确高效监测。本文的具体工作如下:首先,介绍了表面粗糙度与刀具磨损的形成机理及常用监测方法。对零件表面粗糙度的评定标准与相关影响因素进行简要介绍,论述了刀具的磨损形式及常用磨钝标准,分析了刀具磨损的原因并介绍了常用的加工过程监测方法。其次,建立了数据-机理混合驱动的表面粗糙度预测模型。采用堆叠去噪自编码器作为数据驱动预测方法,利用无监督的逐层贪婪训练算法对采集的动态信号进行自动特征提取。采用粗糙度理论模型作为机理驱动预测方法,将理论计算值与信号特征合并为新向量后对表面质量进行预测,并将模型实际输出对理论模型计算值的导数作为约束项添加至网络损失函数中。在此基础上,同时完成表面粗糙度分类和回归任务来挖掘任务间的相似信息,进而实现高精度、强泛化的粗糙度混合驱动预测。然后,建立了多层极限学习机刀具状态监测模型以及深度迁移学习框架。利用多层极限学习机网络提取数据的深层次特征,提高模型的计算速度,避免迭代过程陷入局部极小点。采用Coral损失衡量源域与目标域间的数据分布差异并将其添加至模型损失函数中,利用带标签的源域数据与无标签的目标域数据,通过同时最小化域间的分布差异与源域的分类误差,获得可靠的目标域刀具状态监测模型,进而实现端到端的知识迁移。最后,设计了基于振动信号的加工过程在线监测方案,搭建并开发了数据采集软硬件系统,并分别对所提出的深度学习方法进行试验验证。试验结果表明,本文所提出的表面粗糙度预测方法可以有效提高模型的收敛速度和泛化能力,降低模型的预测误差;建立的多层极限学习机刀具状态监测模型可以在保证准确监测的基础上大幅缩短模型的训练时间,深度迁移学习后目标域监测准确度整体提升,可以有效实现不同加工条件下刀具状态监测知识的迁移,提升加工过程监测的可靠性与智能化程度。
李涛,黄新宇,罗明[2]（2020）在《基于小波包分解的刀具磨损特征分析》文中研究说明为了高效准确地在线监测加工高温合金过程中的刀具磨损,有效地提取刀具磨损相关特征显得尤为重要。文章提出了基于小波包分解的刀具磨损特征提取方法,将刀具切削过程中的切削力信号在时频域下分解重构,分析了各频段重构信号能量值与刀具磨损的相关性,提取了信号分解重构后小波包系数能量值中与刀具磨损相关的两个频段信号作为刀具磨损监测的特征参数,最后通过试验结果表明,采用小波包分解方法在切削力信号中提取的切削力特征和切削振动特征可作为刀具磨损特征,从而为后续研究刀具磨损在线监测提供有效输入。
李悦[3]（2020）在《多传感器信息融合在刀具磨损在线监测中的应用研究》文中研究表明机械自动化发展水平体现了一个国家的经济水平和科学技术实力,机械加工水平受刀具磨损程度的影响较大。由于刀具在加工过程中出现的磨损无可避免,且单一传感器监测存在不足,因此多传感器实时在线监测刀具磨损状态成为解决这一问题的关键。多传感器信息融合过程需要对传感器技术、信息采集技术、信息融合技术进行研究,通过信号采集、特征选择、特征提取等环节,实现多传感器信息的有效互补,完成刀具磨损程度的在线监测。本文的主要研究内容如下:1、本文首先基于刀具磨损相关理论,综合考虑传感器类型、信号特征和刀具型号,选择试验设备,搭建了振动信号和切削力信号的信号采集系统平台;其次,在初期磨损到严重磨损的整个过程中,采集每次走刀的振动信号和切削力信号与每次走刀后的刀具磨损量VB值;最后,分析了影响刀具耐用度的因素,利用正交试验法对振动信号和切削力信号分别进行了“因子对数据的影响试验”,并分析了磨损程度、主轴转速、进给速度和切削深度对两种信号的影响程度。2、采用时域、频域、时频域分析法对采集的信号进行了特征分析和特征提取。首先,采用时域、频域分析法分别对两种信号进行分析;再在分析得到的特征频段范围中,利用小波包分析法分解信号频段并计算信号不同频带的能量值;最后,采用正交试验法分析振动信号和切削力信号中能量值变化明显的频段,提取最优频段作为融合特征值。3、采用BP神经网络-优化贝叶斯算法建立了基于特征层和决策层相结合的信息融合智能识别系统。选择利用变学习率的BP神经网络进行特征层融合,再利用加入卡尔曼滤波的优化后的贝叶斯融合算法进行决策层融合,最终得到融合后的刀具磨损预测值。通过一系列试验进行刀具磨损状态监测,证实了BP神经网络和优化贝叶斯融合算法相结合的刀具磨损状态监测的可靠性和可行性,为刀具磨损监测方向的发展开拓了新思路。
牟澳磊[4]（2020）在《淬硬钢模具铣削过程监测及数据分析》文中指出经淬火处理后的淬硬钢材料具有马氏体组织,硬度、强度高且热导率较低,导致切削温度高以及在刀具与切屑、刀具与工件表面的附着力增强,刀具磨损速度快,因此加工过程中增加刀具状态监控系统,可防止由于刀具更换不及时而导致机床停机并减少零件报废。为此本文针对Cr12Mo V铣削过程中刀具的磨损状态,使用多种传感器和数据采集方法设计并实现了一种低成本的刀具状态监测系统,进行以下研究:信号采集方面,通过理论分析确定往复走刀的铣削路径,选择了切削力信号、振动信号和能耗信号搭建的试验平台,设定适合本试验条件的试验参数和磨钝标准。为了减少试验次数,基于三种切削参数设计了正交试验,通过对试验结果进行极差分析选定了最优的参数组合进行介绍,获得了刀具磨损状态相应的传感器信号,为后续的处理和分析提供数据支持。信号预处理方面,通过零点漂移处理、截取法和五点三次平滑滤波处理提取有效的信号数据,减少了原始信号中存在的大量噪声和冗余数据;对磨损基本特性进行分析,获得不同传感器信号与磨损之间的关联。信号分析方面,对刀具磨损的三种监测特征进行了分析,从时域、频域和时频域方面提取与刀具磨损量相关的感知特征,并提出一种Pearson相关系数分析和核主成分分析（KPCA）结合的特征降维方法,最终确定了可以有效地反映刀具磨损信息的特征组合,提高后续网络模型识别的性能。状态监测方面,通过建立BP神经网络和Levy-GA-BP神经网络模型完成对刀具磨损状态的识别,分析了不同模型的识别,结果表明基于Levy-GA-BP神经网络预测的效果更好。监测系统建立方面,利用MATLAB软件开发了铣刀磨损监测系统并完善切削数据库平台,通过输入相应的参数,达到预期的监测效果,并结合数据库平台实现切削数据的存储和管理,该监测系统可以为切削加工工艺参数优化、刀具设计提供基础数据。
郭艳德[5]（2020）在《基于图像技术的刀具磨损在机检测系统研究》文中研究指明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。
李广[6]（2020）在《结合迁移学习的机床刀具磨损预测研究》文中指出在实际生产中,由于数控机床内环境十分复杂,物理反应活跃,导致数据机床在生产活动中对刀具的损耗极大,而传统的刀具状态监测无法有效地利用刀具真实寿命,从而造成一定程度上刀具成本的浪费。本文提出了利用数控机床主轴电流信号数据,并借助深度学习和迁移学习的方法建立了对刀具磨损监控的预测模型,期望改善对刀具寿命的利用率,从而为实际生产中带来经济效益。（1）数控机床主轴电流信号的采集与特征提取。鉴于电流信号采集方法的低成本和高实时性,本文选用电流信号作为刀具磨损预测的参量,通过使用开环式的霍尔传感器可以方便地采集机床主轴电流信号。同时,针对受噪声影响的高维度电流信号,本文采用了时域、频域、小波包的方法对电流信号进行特征提取与信号切分,最终,通过各特征量与刀具磨损状态的关联性,选用时域特征均值、方差、峰度、偏度作为刀具磨损预测模型的输入特征。（2）刀具崩刃预测方法的研究。针对实际加工场景中经常出现的刀具崩刃状态,本文使用了深度学习的算法,将刀具崩刃预测划分为一个二分类问题,通过对刀具加工状态下的电流信号建模,实现电流信号与刀具正常状态、刀具崩刃状态两种类别之间的关系映射,实现了97.36%的预测准确率。同时,针对其中出现的数据样本少、数据类别不平衡问题,提出了使用异常检测方法的刀具崩刃预测模型,从而提升了对刀具崩刃状态的识别准确率。（3）基于迁移学习的刀具磨损预测方法研究。在实际场景中,数据采集成本高,因此少样本学习和建模是一种更符合实际应用的方法,在本文中,基于迁移学习的方法,将与目标域数据集不同场景下的机床加工数据应用于对目标刀具磨损预测的建模中,从而实现了对刀具磨损预测的少样本建模和预测,最终基于迁移学习的刀具磨损预测模型实现了74.26%的预测准确率,相较于未使用迁移学习的预测模型提高了13%。基于深度学习和迁移学习刀具磨损预测方法能够实时、有效地实现对数控机床中刀具磨损状态的监测,通过将崩刃监测和刀具磨损预测结合使用,更符合实际机床加工建模场景,有利于提高对数控机床中刀具的寿命利用率和数控机床自动化程度,降低制造生产活动中的生产成本,为工业制造带来经济效益。
李奕巡[7]（2020）在《硬脆石材加工状态智能识别方法的研究》文中研究指明一个国家的综合国力及其在国际上的竞争力的强弱常以制造业为标志来衡量,而传统的制造业机械加工方式始终根据设定好的切削参数来进行加工,无法根据加工状态来进行实时的调控,这种方式大大降低了加工效率与加工质量。因此制造系统需要具备能够根据实时制造过程信息实现对生产系统的主动感知和动态调整的功能。加工状态监测的效果好坏与监测信号的各个操作环节有直接关系,主要是受到信号采集、滤波、特征提取与优化等步骤的影响。国内外学者对加工状态的智能识别以及故障诊断也进行了很多的研究,本文课题来源为国家自然科学基金（51705341）,针对硬脆石材加工状态的智能识别问题,提出了以下研究内容:（1）分析了石材的去除机理,研究了石材的物理特性和化学特性对石材加工性能的影响,并通过切削力实验分析了切削力与切削参数的关系,实验结果表明切削力随着主轴转速的增加而减小,随着进给速度和切削深度的增加而增大,并且切削深度对切削力的影响最大以及石材的不均质性会导致切削力出现波动,为切削力信息能够作为切削参数动态调整的依据提供理论支持。（2）分析了铣削力的传递和机电转换过程,分析结果显示将铣削力通过进给伺服电机电流来间接测量这一方法是可取的,接下来对采集到的电流信号和切削力信号进行分析,发现其频带对应,为实现基于切削力信号和电流信号的切削状态的智能识别提供了理论依据。（3）针对切削过程中的切削状态识别,提出了一种基于密度聚类算法的切削载荷及电流信号智能识别算法;该方法通过对切削力载荷以及电流信号特性的识别、判断,使用密度聚类算法建立簇分类算法,以距离度量作为簇分类判据,以簇的核心点作为切削载荷以及电流信号学习对象,通过切削载荷以及电流信号理想值做出判断,实现对切削状态的智能识别。论文应用该算法,结合Agent技术,对石材高速铣削条件下的切削力载荷及伺服电机电流状况进行了智能识别和可视化表述。本文以石材加工过程为研究对象,研究表明,该算法能够实现对切削加工状态的智能识别与判断,提高了加工效率与加工质量,为切削加工参数的智能优化奠定了理论基础,为智能制造未来的发展提供了全新的视角。
谢大进[8]（2018）在《精密砂型数控铣削刀具切削力及磨损行为研究》文中认为本文主要开展精密砂型数控铣削刀具磨损研究,精密砂型数控铣削技术是将铸造技术与数控铣削技术有机结合、响应快速变化的市场需求而发展起来的绿色快速铸型制造技术。本文采用高速钢刀具和整体硬质合金刀具分别铣削覆膜砂砂坯、磷酸盐砂坯,研究铣削工艺参数、铣削方式、铣削环境变化对切削力的变化规律,分析铣削过程中刀具磨损量、磨损形貌、砂型表面形貌、砂屑微观形貌的变化,进一步研究了砂型切削机理和刀具磨损机理。主要结论如下:高速钢刀具铣削覆膜砂铸型单因素试验结果表明:随着进给速度、铣削宽度、铣削深度增大,切削力增大;而主轴转速不是越大越好,本试验条件下覆膜砂型铣削主轴最佳转速为3000r/min。正交试验结果表明:铣削参数对于切削力的影响程度为:铣削深度>铣削宽度>进给速度>主轴转速。利用线性回归分析方法,拟合了高速钢刀具铣削覆膜砂铸型的切削力经验公式。通过研究切削力变化,得出如下结论:排砂方式对铣削力有一定影响,不及时清除砂屑时的切削力>及时清除砂屑时的切削力,表明排砂有利于减少刀具磨损,延长刀具寿命;铣削方式对切削力的影响较大,逆铣切削力>交替铣切削力>顺铣切削力。高速钢刀具铣削磷酸盐砂坯试验结果表明,0120s铣削过程刀具磨损量与时间的关系曲线符合刀具典型磨损曲线,刀具磨损分初期磨损、正常磨损、急剧磨损阶段三个阶段,015s刀具处于初期磨损阶段。刀具磨钝标准与常规刀具磨钝标准有差别。切削后砂型表面的SEM分析表明,砂粒本身完全没有被破坏,刀具每个切削刃不断碰撞型砂,产生粘结膜破坏和粘结膜与砂粒表面脱开破坏（内聚破坏和附着破坏）,通过切削刃高速旋转碰触型砂,使砂粒拥有足够动能脱离粘结剂的粘结而从砂型分离出去,成为砂屑。通过超景深三维显微镜、SEM+EDS观察刀具表面、砂型表面及砂屑微观形貌,认为。刀具磨损机理主要为磨粒磨损,是砂型材料中宝珠砂粒等硬质点不断对刀具摩擦产生刻划作用,在刀具表面留下沟痕,砂粒将刀具接触区的金属材料挤至刀具两侧,形成犁沟。犁沟容积就是刀具剥落物的体积总和,即为磨损体积。砂粒仅仅对刀具产生微磨削作用刻划出沟痕,基本没有切削热产生,切削区温度变化不大。
林旭[9]（2018）在《基于广义回归神经网络的金刚石刀具磨损预测研究》文中认为手机壳倒角高光面的加工过程中,由于刀具的磨损,使得高光倒角会出现拉丝、崩膜和发雾等现象。近几年来,对于刀具磨损预测的研究有很多,但面向于高光倒角面的刀具磨损少之又少,现有的刀具磨损预测方法只能解决切削深度较大的刀具磨损问题,而对于手机壳倒角高光面的加工,其背吃刀量只有0.02mm,对表面光洁度的要求极高,8um的磨损可能就会严重影响工件表面质量,因此本文提出了一种基于振动信号的刀具磨损预测方法,主要研究内容有以下几点:分析手机壳高光倒角面生产加工过程中出现的质量缺陷与刀具磨损之间的关系,根据其加工特点设计传感器的选型试验,初步确定采用电流信号和振动信号监测法。根据实际生产加工过程的标准拟定试验方案,搭建电流与振动信号数据采集平台并完成试验。采用语音识别中的所用到的短时能量法来对信号进行截取,并利用小波分析法对信号进行降噪处理。提取了时域、频域以及小波包分解后的特征,通过归一化处理来缩小特征之间的数量级差异,并通过相关性分析获得与刀具磨损相关的特征向量。建立BPNN网络模型以及GRNN网络模型,对比分析发现GRNN在训练时间和泛化性能力上要明显由于BPNN。同时也对比分析了电流信号与振动信号的优劣,分析得出振动信号的预测准确度要优于电流信号。建立振动信号与刀具磨损量之间的关系模型,通过设定阈值来识别各个磨损阶段所对应的产品缺陷以及换刀时间点,最终通过刀具磨损预测模型实现对刀具半径的实时补偿。
吴昊[10]（2017）在《基于声发射的刀具磨损状态识别与预测》文中进行了进一步梳理如今,从国际角度来看,制造业地位日益凸显,以智能制造为代表的科技变革,正在将全球制造业推倒重建,形成新的“工业互联网”世界,并成为国际竞争战略高地。在制造业都在向智能制造方向发展的同时,数控加工技术的智能化水平也得到迅速提高。在机械加工中,大部分的零件都是由切削加工生产得到的,刀具的使用是最直接最频繁的。实时准确获知刀具的磨损状态对提高加工产品精度和表面质量、实现个性化制造,提高机床智能化水平、提高系统误差补偿技术具有实际意义。本文的工作内容如下:1、研究了声发射信号的特点,确定了以声发射信号为监测信号的在线监测方案。搭建了刀具磨损试验系统,通过试验研究了切削过程中刀具磨损形式,确定了刀具磨损的磨钝标准,将刀具磨损划分为前期、中期、后期磨损三个阶段。基于正交试验研究了声发射信号随刀具磨损、主轴转速、进给量和背吃刀量四个因素的变化规律。2、用不同的信号处理方法提取刀具磨损的特征值。基于时域分析方法,提取了均值、均方根、方差和方根幅值;基于小波包变换的分析方法,提取频段的能量比作为刀具磨损的特征值;基于经验模态分析方法,提取特征模态函数的均方根作为刀具磨损的特征值。对提取的时域特征值和时频特征值进行选择和优化。3、将优化后的特征值输入到LS-SVM算法中进行学习,建立刀具磨损状态识别模型。LS-SVM算法中的惩罚因子c和核参数g对识别的准确率有很大的影响,将粒子群算法应用到LS-SVM算法中,在全局化与收敛速度方面具有较大优势,能够实现参数c和g的快速寻优。建立基于PSO-LS-SVM的刀具磨损状态识别模型和磨损量预测模型,建立未优化的LS-SVM和BP神经网络刀具磨损模型,用测试样本检测三个模型的预测效果,结果表明PSO-LS-SVM的准确率最高。最后,离线检测刀具磨损对已加工表面的残余应力和粗糙度,将离线检测的结果用于间接评估刀具磨损,同时验证了刀具磨损的预测结果。
二、切削力监测刀具磨损的一种方法（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、切削力监测刀具磨损的一种方法（论文提纲范文）
（1）基于深度学习的零件加工过程在线监测技术研究（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 表面粗糙度预测技术研究现状 |
| 1.2.2 刀具状态监测技术研究现状 |
| 1.2.3 深度学习研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 本章小结 |
| 2 粗糙度与刀具磨损的形成机理及监测方法 |
| 2.1 表面粗糙度的评定标准及影响因素 |
| 2.1.1 表面粗糙度的评定标准 |
| 2.1.2 表面粗糙度的影响因素 |
| 2.2 刀具磨损形式及原因 |
| 2.2.1 刀具磨损形式及评定标准 |
| 2.2.2 刀具磨损原因 |
| 2.3 加工过程间接监测方法 |
| 2.4 本章小结 |
| 3 数据-机理混合驱动的表面粗糙度预测方法 |
| 3.1 数据-机理的混合驱动方法 |
| 3.2 表面粗糙度的混合驱动预测方法 |
| 3.2.1 数据驱动的表面粗糙度预测方法 |
| 3.2.2 机理驱动的表面粗糙度预测方法 |
| 3.2.3 混合驱动的表面粗糙度预测方法 |
| 3.3 本章小结 |
| 4 基于多层极限学习机的刀具状态监测及深度迁移学习方法 |
| 4.1 基于多层极限学习机的刀具状态监测方法 |
| 4.1.1 极限学习机网络 |
| 4.1.2 多层极限学习机刀具状态监测模型 |
| 4.2 基于Coral损失的刀具状态深度迁移学习方法 |
| 4.2.1 Coral距离 |
| 4.2.2 刀具状态深度迁移学习方法 |
| 4.3 本章小结 |
| 5 数据采集系统的开发与试验验证 |
| 5.1 数据采集系统开发 |
| 5.1.1 数据采集系统设计 |
| 5.1.2 基于Labview的数据采集软件开发 |
| 5.2 表面粗糙度预测方法试验验证 |
| 5.2.1 试验设置与数据采集 |
| 5.2.2 数据预处理与参数选择 |
| 5.2.3 数据-机理混合驱动模型验证 |
| 5.3 刀具状态监测方法试验验证 |
| 5.3.1 试验设置与数据采集 |
| 5.3.2 多层极限学习机监测模型试验验证 |
| 5.3.3 刀具状态监测的深度迁移学习方法试验验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A 表面粗糙度正交试验参数 |
| 附录 B 表面粗糙度试验测量数据 |
| 攻读硕士学位期间发表学术论文情况 |
| 攻读硕士学位期间申请发明专利情况 |
| 致谢 |
（2）基于小波包分解的刀具磨损特征分析（论文提纲范文）
| 0 引言 |
| 1 小波包分析的定义 |
| 2 基于小波包的特征提取过程分析 |
| 3 试验验证 |
| 3.1 试验步骤设计 |
| (1)试件装夹 |
| (2)试件铣削过程 |
| (3)测量刀具后刀面磨损量 |
| 3.2 刀具磨损特征提取 |
| 4 试验结果分析 |
| 5 结论 |
（3）多传感器信息融合在刀具磨损在线监测中的应用研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 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 |
| 1.2.2 刀具磨损特征分析及提取方法 |
| 1.2.3 信息融合 |
| 1.2.4 智能识别 |
| 1.3 论文的研究内容和结构 |
| 第二章 刀具磨损状态监测试验方法研究 |
| 2.1 刀具磨损相关理论的研究及监测指标确定 |
| 2.1.1 刀具磨损原因 |
| 2.1.2 刀具磨损形态 |
| 2.1.3 刀具磨损过程 |
| 2.1.4 刀具磨钝标准及磨损量区间的设定 |
| 2.2 试验系统设计 |
| 2.2.1 监测信号的选择 |
| 2.2.2 信号采集试验平台搭建 |
| 2.3 试验方法研究 |
| 2.3.1 影响刀具耐用度的因素 |
| 2.3.2 正交试验设计 |
| 2.3.3 试验数据采集方法 |
| 2.4 因子的影响程度分析 |
| 2.5 本章小结 |
| 第三章 传感器信号分析与特征提取 |
| 3.1 信号的时域特征分析 |
| 3.1.1 振动信号时域分析 |
| 3.1.2 切削力信号时域分析 |
| 3.2 信号的频域特征分析 |
| 3.2.1 振动信号频域分析 |
| 3.2.2 切削力信号频域分析 |
| 3.3 信号的时频域分析 |
| 3.3.1 小波变换 |
| 3.3.2 小波基选择 |
| 3.3.3 振动信号特征提取 |
| 3.3.4 切削力信号特征提取 |
| 3.4 本章小结 |
| 第四章 刀具磨损状态监测智能识别 |
| 4.1 信息融合的系统结构 |
| 4.2 BP神经网络 |
| 4.2.1 BP网络结构 |
| 4.2.2 BP网络学习算法 |
| 4.2.3 学习率可变的BP训练算法 |
| 4.3 一种优化的贝叶斯算法 |
| 4.3.1 改进的贝叶斯算法 |
| 4.3.2 加入卡尔曼滤波器的优化融合算法 |
| 4.4 BP神经网络和优化贝叶斯算法相结合的刀具磨损状态监测 |
| 4.4.1 BP神经网络设计 |
| 4.4.2 基于BP神经网络的特征层融合 |
| 4.4.3 基于优化的贝叶斯算法的决策层融合 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（4）淬硬钢模具铣削过程监测及数据分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 课题来源 |
| 1.3 刀具磨损状态监测技术研究现状 |
| 1.3.1 直接检测 |
| 1.3.2 间接检测 |
| 1.3.3 多源信息监测技术 |
| 1.4 研究内容 |
| 第2章 铣削过程多信息监测设计 |
| 2.1 试验准备 |
| 2.2 走刀方式的选取 |
| 2.3 监测信号的选取 |
| 2.3.1 切削力信号 |
| 2.3.2 振动信号 |
| 2.3.3 能耗信号 |
| 2.3.4 磨损图像 |
| 2.4 总体方案设计 |
| 2.4.1 试验目的 |
| 2.4.2 具体试验过程 |
| 2.5 信号预处理 |
| 2.6 本章小结 |
| 第3章 铣削过程加工信号的分析与处理 |
| 3.1 单信号分析 |
| 3.1.1 刀具磨损分析 |
| 3.1.2 铣削力分析 |
| 3.1.3 振动分析 |
| 3.1.4 主轴电流分析 |
| 3.2 刀具磨损特征提取 |
| 3.2.1 基于时域分析的特征提取 |
| 3.2.2 基于频域分析的特征提取 |
| 3.2.3 基于时频域分析的特征提取 |
| 3.2.4 特征提取在刀具磨损监测中的应用 |
| 3.3 刀具磨损特征降维 |
| 3.3.1 特征选择 |
| 3.3.2 特征提取 |
| 3.3.3 特征降维在刀具磨损监测中的应用 |
| 3.4 本章小结 |
| 第4章 刀具磨损状态监测研究 |
| 4.1 基于BP神经网络的刀具磨损状态识别 |
| 4.1.1 BP神经网络 |
| 4.1.2 BP神经网络的结构设计 |
| 4.1.3 BP神经网络的实现 |
| 4.2 基于改进遗传算法优化BP神经网络的刀具磨损状态识别 |
| 4.2.1 遗传算法改进 |
| 4.2.2 Levy-GA优化BP神经网络结构设计 |
| 4.2.3 Levy-GA优化BP神经网络的实现 |
| 4.3 两种网络训练结果对比 |
| 4.4 本章小结 |
| 第5章 监测系统和数据管理平台的建立 |
| 5.1 铣削过程监测系统 |
| 5.1.1 监测系统开发软件 |
| 5.1.2 监测系统结构 |
| 5.1.3 监测系统模块 |
| 5.2 汽车覆盖件淬硬钢模具数据管理平台 |
| 5.2.1 监测系统和数据库平台的集成 |
| 5.2.2 数据库平台总体构架 |
| 5.2.3 平台功能展示 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）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 |
（6）结合迁移学习的机床刀具磨损预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 智能制造现状与刀具寿命研究意义 |
| 1.2 数控机床刀具监控技术方法的发展与研究现状 |
| 1.2.1 刀具监控方法的发展过程 |
| 1.2.2 刀具监测技术与研究现状 |
| 1.2.2.1 传感器技术 |
| 1.2.2.2 研究现状 |
| 1.3 主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 刀具磨损原理与关键技术理论 |
| 2.1 刀具磨损原理 |
| 2.1.1 刀具磨损分类 |
| 2.1.1.1 粘结磨损 |
| 2.1.1.2 氧化磨损 |
| 2.1.1.3 扩散磨损 |
| 2.1.1.4 硬质点磨损 |
| 2.1.2 刀具磨损形式 |
| 2.1.2.1 前刀面磨损 |
| 2.1.2.2 后刀面磨损 |
| 2.1.2.3 剥落和裂纹 |
| 2.1.2.4 微崩刃 |
| 2.1.2.5 刀具破损 |
| 2.1.3 刀具磨损过程 |
| 2.2 卷积神经网络原理简介 |
| 2.2.1 卷积层 |
| 2.2.1.1 卷积层功能 |
| 2.2.1.2 卷积层参数 |
| 2.2.2 池化层 |
| 2.2.3 激活层 |
| 2.2.4 全连接层 |
| 2.3 迁移学习算法简介 |
| 2.3.1 迁移学习中的概念与定义 |
| 2.3.2 GFK迁移算法 |
| 2.3.3 TCA迁移算法 |
| 2.3.4 JDA迁移算法 |
| 2.3.4.1 边缘分布适配 |
| 2.3.4.2 条件分布适配 |
| 2.4 本章总结 |
| 第三章 刀具监测系统与数据预处理 |
| 3.1 刀具监测系统 |
| 3.1.1 传感器检测 |
| 3.1.2 信号处理 |
| 3.1.3 特征选择 |
| 3.1.4 状态判定 |
| 3.2 机床工艺及电流信号采集 |
| 3.2.1 刀具加工工艺 |
| 3.2.2 电流信号采集 |
| 3.2.3 数据获取情况 |
| 3.3 电流信号可行性及优势 |
| 3.4 电流信号切分 |
| 3.4.1 工序电流信号切分 |
| 3.4.2 进出刀信号切分 |
| 3.5 刀具监测信号的处理 |
| 3.5.1 时域特征分析 |
| 3.5.1.1 时域特征分析方法 |
| 3.5.1.2 时域特征分析结果 |
| 3.5.2 频域特征分析 |
| 3.5.2.1 频域特征分析方法 |
| 3.5.2.2 频域特征分析结果 |
| 3.5.3 小波包变换分析 |
| 3.5.3.1 小波包变换分析方法 |
| 3.5.3.2 小波包变换分析结果 |
| 3.6 本章总结 |
| 第四章 基于深度学习和异常检测的刀具崩刃监测 |
| 4.1 数据集分析 |
| 4.1.1 数据环境分析 |
| 4.1.2 数据集构成 |
| 4.1.3 数据不平衡处理方法 |
| 4.2 刀具崩刃模型评价指标 |
| 4.3 基于卷积神经网络的刀具崩刃模型 |
| 4.3.1 卷积神经网络模型结构 |
| 4.3.2 算法可行分析 |
| 4.3.3 实验分析 |
| 4.4 基于异常检测的刀具崩刃模型 |
| 4.4.1 异常检测模型 |
| 4.4.2 实验分析 |
| 4.5 本章小结 |
| 第五章 基于迁移学习的刀具磨损预测 |
| 5.1 迁移数据集构建 |
| 5.1.1 目标数据集 |
| 5.1.2 源域数据集 |
| 5.1.2.1 同机床,不同加工参数的电流信号数据集 |
| 5.1.2.2 不同机床,不同加工参数的电流信号数据集 |
| 5.1.2.3 不同机床,不同加工参数的振动力信号数据集 |
| 5.2 基于迁移学习的刀具磨损预测模型结构 |
| 5.3 刀具磨损预测模型训练分析 |
| 5.4 实验分析 |
| 5.5 本章小结 |
| 第六章 总结与未来展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）硬脆石材加工状态智能识别方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 监测方法研究现状 |
| 1.2.2 特征提取方法研究现状 |
| 1.2.3 决策方法研究现状 |
| 1.3 研究方法及研究内容 |
| 1.3.1 研究方法 |
| 1.3.2 研究内容以及章节安排 |
| 第二章 石材去除机理及切削力分析实验 |
| 2.1 石材加工特点 |
| 2.2 石材可加工性和去除机理分析 |
| 2.3 切削理论分析 |
| 2.4 切削力实验 |
| 2.4.1 实验方案设计 |
| 2.4.2 试验结果分析 |
| 2.5 本章小结 |
| 第三章 伺服电机电流与铣削力之间的关系 |
| 3.1 铣削加工过程分析 |
| 3.2 机电转换过程分析 |
| 3.3 铣削过程的切削信号与电流信号的采集与分析 |
| 3.3.1 铣削过程切削力信号分析试验 |
| 3.3.2 伺服电机电流分析 |
| 3.4 本章小结 |
| 第四章 基于聚类算法的铣削力及伺服电机电流数据分析模型的建立与测试 |
| 4.1 聚类算法概述 |
| 4.2 聚类算法选择方案的研究 |
| 4.3 数据分析过程 |
| 4.3.1 数据预处理 |
| 4.3.2 算法程序设计 |
| 4.4 数据模型测试 |
| 4.5 本章小结 |
| 第五章 石材切削参数动态调整方法的分析与设计 |
| 5.1 石材实际加工过程参数分析 |
| 5.2 动态调整AGENT方案设计 |
| 5.3 实验验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简介 |
| 作者在攻读硕士学位期间获得的学术成果 |
| 致谢 |
（8）精密砂型数控铣削刀具切削力及磨损行为研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 砂型数控铣削技术的原理 |
| 1.3 砂型数控铣削技术的研究现状 |
| 1.4 砂型数控铣削刀具研究现状 |
| 1.4.1 刀具切削力研究现状 |
| 1.4.2 刀具磨损行为研究现状 |
| 1.4.3 现代切削刀具研究现状 |
| 第2章 研究内容及实验方案 |
| 2.1 主要工作和研究内容 |
| 2.2 实验方案 |
| 2.2.1 覆膜砂坯铣削刀具切削力研究 |
| 2.2.2 磷酸盐砂坯切削试验 |
| 2.2.3 铣削方式和铣削条件对刀具磨损的影响 |
| 2.2.4 刀具磨损机理和失效机理研究试验 |
| 2.2.5 刀具切削区温度测量 |
| 2.3 实验材料、测试仪器及实验设备 |
| 2.3.1 实验材料 |
| 2.3.2 实验条件及测试仪器 |
| 2.3.3 覆膜砂砂坯的制备及力学性能 |
| 2.3.4 磷酸盐砂坯的制备及力学性能 |
| 第3章 砂型数控铣削切削力研究 |
| 3.1 高速钢刀具铣削覆膜砂铸型切削力试验研究 |
| 3.1.1 高速钢刀具单因素试验 |
| 3.1.2 高速钢刀具铣削覆膜砂正交试验 |
| 3.1.3 建立铣削力经验公式 |
| 3.2 高速钢刀具铣削磷酸盐砂坯切削力试验研究 |
| 3.2.1 各个时段切削力监测数据分析 |
| 3.2.2 各个时间段内切削力最大值比较分析 |
| 3.3 铣削过程中切削力的变化 |
| 3.3.1 不同排砂方式铣削力比较 |
| 3.3.2 刀具磨损对铣削力的影响 |
| 3.3.3 铣削方式对切削力的影响 |
| 3.4 本章小结 |
| 第4章 刀具的磨损形态和磨损机理分析 |
| 4.1 砂型铣削基本特征 |
| 4.2 刀具损伤形态及磨损机理研究 |
| 4.2.1 刀具磨损判断依据 |
| 4.2.2 刀具各时间段形态及分析 |
| 4.3 刀具磨损曲线 |
| 4.4 刀具磨损机理和特点分析 |
| 4.5 控制刀具磨损措施 |
| 4.5.1 砂坯铣削刀具使用存在的主要问题 |
| 4.5.2 控制刀具磨损的措施 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表论文和参与科研项目 |
| 致谢 |
（9）基于广义回归神经网络的金刚石刀具磨损预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 课题概述 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 研究内容 |
| 2.面向手机壳倒角高光面的金刚石刀具磨损状态监测方案 |
| 2.1 手机壳倒角高光面加工过程简介以及产品质量分析 |
| 2.2 传感器选型以及总体研究思路 |
| 2.3 刀具磨损数据采集平台的搭建 |
| 2.4 本章小结 |
| 3.信号预处理与特征提取分析 |
| 3.1 信号预处理 |
| 3.2 刀具磨损特征提取分析 |
| 3.3 特征归一化处理 |
| 3.4 特征相关性分析 |
| 3.5 本章小结 |
| 4.基于广义回归神经网络模型的刀具磨损预测研究 |
| 4.1 刀具磨损预测模型的建立 |
| 4.2 刀具磨损回归模型的对比分析 |
| 4.3 本章小结 |
| 5.刀具磨损预测模型的试验验证与应用 |
| 5.1 刀具磨损预测模型的验证实验 |
| 5.2 刀具磨损预测模型的验证 |
| 5.3 刀具磨损监测系统的应用 |
| 5.4 本章小结 |
| 6.全文总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
（10）基于声发射的刀具磨损状态识别与预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源及研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 刀具磨损监测信号的获取 |
| 1.2.2 信号特征的提取 |
| 1.2.3 模式识别技术 |
| 1.3 目前研究中存在的问题与不足 |
| 1.4 主要研究内容 |
| 第二章 铣刀磨损及声发射变化规律试验研究 |
| 2.1 刀具磨损过程中AE信号的特点研究 |
| 2.2 刀具磨损形式及磨钝标准 |
| 2.2.1 刀具磨损的形式 |
| 2.2.2 刀具磨损过程 |
| 2.2.3 磨钝标准 |
| 2.3 刀具磨损监测试验设计 |
| 2.3.1 试验系统 |
| 2.3.2 试验方法研究 |
| 2.4 信号随影响因素的变化规律 |
| 2.4.1 影响声发射信号的正交试验 |
| 2.4.2 刀具磨损监测试验 |
| 2.5 本章小结 |
| 第三章 刀具磨损信号分析 |
| 3.1 时域分析 |
| 3.2 时频分析 |
| 3.2.1 小波包分析 |
| 3.2.2 经验模态分析 |
| 3.3 刀具磨损特征值提取 |
| 3.3.1 时域特征值 |
| 3.3.2 小波包频带能量特征值提取 |
| 3.3.3 IMF分量的均方根特征值 |
| 3.4 本章小结 |
| 第四章 刀具磨损状态识别与磨损量预测 |
| 4.1 基于PSO-LS-SVM的刀具磨损状态识别 |
| 4.1.1 最小二乘支持向量机分类理论 |
| 4.1.2 粒子群优化算法基本原理 |
| 4.1.3 PSO优化LS-SVM分类算法 |
| 4.1.4 刀具磨损状态识别实例 |
| 4.2 基于PSO-LS-SVM的刀具磨损量预测 |
| 4.2.1 最小二乘支持向量机回归理论 |
| 4.2.2 PSO优化LS-SVM回归算法 |
| 4.2.3 刀具磨损量预测实例 |
| 4.3 刀具磨损对表面完整性的影响 |
| 4.3.1 刀具磨损对残余应力的影响 |
| 4.3.2 刀具磨损对表面粗糙度的影响 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 硕士期间参与的科研项目 |
四、切削力监测刀具磨损的一种方法（论文参考文献）
- [1]基于深度学习的零件加工过程在线监测技术研究[D]. 沈明瑞. 大连理工大学, 2021(01)
- [2]基于小波包分解的刀具磨损特征分析[J]. 李涛,黄新宇,罗明. 组合机床与自动化加工技术, 2020(07)
- [3]多传感器信息融合在刀具磨损在线监测中的应用研究[D]. 李悦. 太原科技大学, 2020(03)
- [4]淬硬钢模具铣削过程监测及数据分析[D]. 牟澳磊. 哈尔滨理工大学, 2020(02)
- [5]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)
- [6]结合迁移学习的机床刀具磨损预测研究[D]. 李广. 电子科技大学, 2020(01)
- [7]硬脆石材加工状态智能识别方法的研究[D]. 李奕巡. 沈阳建筑大学, 2020(04)
- [8]精密砂型数控铣削刀具切削力及磨损行为研究[D]. 谢大进. 南昌航空大学, 2018(03)
- [9]基于广义回归神经网络的金刚石刀具磨损预测研究[D]. 林旭. 华中科技大学, 2018(06)
- [10]基于声发射的刀具磨损状态识别与预测[D]. 吴昊. 电子科技大学, 2017(02)