一、声发射模糊神经网络（论文文献综述）
顾颉颖[1]（2021）在《基于多源异构信息与深度学习的截齿磨损状态识别》文中认为随着采掘机械向自动化、智能化的持续深入,机械故障智能化诊断技术至关重要。截齿是采掘过程中最重要的零件之一,截齿的严重磨损直接影响截割效率,增加生产成本,如何进行截齿磨损状态的有效识别是目前研究的热点问题,因此本文以截齿磨损状态为研究对象,引入深度学习网络为识别工具,在信号去噪、特征挖掘、跨维度多源异构信号融合、算法改进的识别模型等方面开展深入研究。截齿截割过程中蕴含着声发射信息的变化,构建了截齿截割实验台控制系统、SAEU3S声发射信号采集与分析系统,对煤岩试件进行一定比例的浇筑,同时根据截齿合金头的质量和尺寸差值定义截齿的磨损状态,分为四种不同磨损程度,分别为:新齿、轻微磨损、严重磨损、失效。构建基于SAEU3S声发射系统的信号采集、信号傅里叶变换及BP神经网络识别模型,为多源异构信号融合和深度学习识别模型提供大量声发射信号样本及对比数据。为了对声发射信号进行更好的滤波去噪,采用Daubechies 12对声发射信号进行小波包变换,利用三层小波包分解,得到分辨率高的重组信号,构建声发射信号特征数据库。构建基于自组织映射（SOM）神经网络的截齿磨损状态识别模型,经测试样本验证,识别准确率约为91%,为深度学习识别模型提供数据支持及识别效果对比数据。为了更好的挖掘图像有效信息,构建了FPV图传套装一体图像采集系统,并用Keyence VHX-5000超景深三维显微镜20倍镜头观察不同磨损程度截齿的表面形貌。利用3种小波去噪方法对图像进行处理,分别为:模极大值去噪法、小波系数相关去噪法、阈值去噪法,通过对比峰值信噪比（PSNR）、均方根误差（MSE）、归一化相关性（NC）,得到不同去噪方法的优劣势。建立基于Mallat算法的小波包分解方法,对截齿图像进行单层及二层分解重构,通过对比原始图像和重构图像的灰度直方图和BP神经网络识别率,验证了经过二层分解重构后的图像效果增强,信噪比增加,识别率提高。针对光线不足或者目标物体与背景相差较小的问题,采用指数高通滤波和密度分割技术相结合的图像增强方法,消除照明不够引发的图像降质问题,较好的保护细节,同时提高了图像特征的对比度,通过Hough变换对截齿的边缘轮廓进行合理的提取,并进行适当的平滑处理,为图像识别提供一种合理的边缘提取方法。建立截齿图像运动模糊退化模型,建立基于Lucy-Richardson算法图像复原模型,利用信噪比（SNR）、PSNR、信噪比改善因子（ISNR）来评价退化图像滤波后的效果,证明了15次迭代的复原效果最佳,为多源信号融合和截齿状态识别提供特征明显的图像信息。针对声发射信号的时序性特征,建立基于长短期记忆网络（LSTM）的截齿磨损状态识别模型,经过收敛效果分析,设定LSTM识别模型的超参数,得出模型的识别率为93%,较小波包处理前信号识别率提高11.9%,证明小波包信号处理的合理性,同时证明了深度学习识别模型准确率更高,收敛速度更快。建立了基于卷积神经网络（CNN）的多源异构信号深度融合模型,对一维声发射信号和二维图像分别进行1D CNN和2D CNN两层卷积层和池化层操作,进行多源异构信息融合,建立基于Adam算法优化的LSTM深度识别模型,通过Adam学习率自适应算法最小化LSTM的目标函数误差,得出基于CNN-Adam-LSTM识别模型的平均识别率为97.5%,识别用时为2.3秒,大大加快了训练速度,减少识别用时,同时具有很高的泛化能力。通过对比分析得出,多源信号较单一信号的识别率平均提高3.85%,深层神经网络（LSTM）较浅层神经网络（BP、SOM）的识别率平均提高8%,验证了本文建立的截齿磨损识别模型的合理性。该论文有图105幅,表18个,参考文献159篇。
令狐克进[2]（2021）在《多特征融合的车削刀具磨损状态监测技术研究》文中研究说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。
刘辉[3]（2020）在《基于机器学习的煤矿冲击危险性综合预测方法研究》文中研究表明由于冲击地压的发生受矿井地质条件、开采方法等多种因素的耦合控制,使得冲击地压发生的机理变得复杂,造成难以监测和预测分析,目前还缺乏能够统筹考虑多种因素、推广能力强的冲击危险性综合预测方法。本文采用基于煤矿多源大数据的机器学习方法,利用山东某煤矿开采工作面的地质资料、监测数据、煤层开采数据和高能量矿震记录,对冲击地压发生的影响因素和特征规律进行总结分析,开展基于机器学习的冲击危险性综合预测方法研究,通过建立矿震强度、冲击危险性等级、冲击地压类型等相关预测问题的分析模型,为煤矿开采过程中冲击地压的科学监测、预测与防治提供新的方法和途径。论文的主要研究成果如下:1.针对冲击地压的突发性以及前兆信息监测分析困难等问题,利用微震监测、地音监测、煤粉监测、巷道应力监测、工作面支架阻力监测等数据,分析影响煤矿冲击地压发生的主要因素,并将这些因素划分为地质因素和生产因素,从开采地质条件和监测数据两个方面分析了与冲击地压的关系,确定预测判别的指标因子,并根据预测方法所依据指标因子的数据类型为离散或时间连续,将预测方法分为静态预测和动态预测。2.根据工作面的开采地质因素,建立了基于贝叶斯决策理论的冲击危险性等级预测模型。分别采用贝叶斯判别分析和贝叶斯网络推理两种算法对冲击危险性等级进行预测划分,实现静态预测,探讨不同影响因素的权重,为冲击地压预测研究提供新的量化方法和分析途径。3.实现对冲击地压发生时矿震强度的准确预测。将工作面煤粉监测、巷道应力监测、工作面支架阻力监测等与冲击地压相关的监测数据,作为预测的判别因子,矿震监测的震级作为实际结果,建立矿震震级预测模型。考虑影响因素和适用条件的不同,分别采用径向基神经网络和多层感知器神经网络对矿震震级进行预测划分,取得了较为准确的结果。4.利用微震监测信号时频分布特征,提出了门限单元循环神经网络深度学习模型（GRU-RNN）。该模型的输入为时间连续的多通道微震监测信号,在机制上可隐式提取微震信号的形态分布、幅值及频谱特征,实现对冲击诱因的判别分析。针对冲击危险性等级动态预测问题,建立了基于连续多通道微震监测信号和地音监测信号的深度受限玻尔兹曼机过程神经网络模型（DRBM-PNN）。两种深度学习模型可改善现有方法对不同类别信号综合特征的区分度,在机制上对动态预测问题具有良好的适用性。5.针对矿井地质、开采生产和安全监测中多源时序数据相融合的冲击危险性动态预测问题,建立了一种动态模糊推理神经网络。该模型将模糊逻辑推理和神经网络对信号特征的学习机制相结合,基于模糊集和隶属度函数表示领域知识,自适应建立基于多源过程信号样本集的推理逻辑和模糊判别规则,可有效融合多源过程信息及先验知识,并适用小样本集情况下的建模预测分析。在上述研究的基础上,在山东某煤矿1412开采工作面进行冲击危险性综合预测的实际应用,取得了较为准确的预测结果。
许慎超[4]（2020）在《基于EEMD多信息熵与DBN的车轴疲劳裂纹声发射信号研究》文中研究说明改革开放以来,在国家政策引导下各个领域取得突飞猛进的效果,轨道交通建设无论是在速度、覆盖范围等方面都取得了巨大进步,与此同时高速运行安全问题也随着轨道交通的发展而更加引起注意;作为走行部中重要部件的车轴,承担着车辆平稳运行的重要职责。故监测列车车轴的状态,及时发现故障对于保障列车的高速运行安全、乘客的人身及国家的财产安全都具有重大意义。针对上文所提出的问题现状和研究意义。本文提出了EEMD与多种信息熵结合DBN的车轴疲劳裂纹分类识别的方法以及基于EEMD与多种信息熵结合DBN-NN的车轴寿命预测的方法。在状态监测和故障诊断中声发射技术表现的要比其他传统方法要好的多。故本文通过利用声发射检测技术对车轴疲劳裂纹、噪声和敲击三种类型声发射信号进行实验采集。在特征提取的工作中:首先通过对采集的三类数据信号进行分组处理并对其进行EEMD分解,并利用峭度准则对分解分量进行优选。然后对优选分量进行多信息熵值的获取,并将其作为特征数据输入网络从而减少数据的输入。在模型的建立中:在分类识别网络中,通过对DBN结构模型的构建以及对结构层数、节点数、激活函数、学习率、迭代次数、批量大小（Batch-Size）以及测试集和训练集的分布比例等参数的选取从而得到优化训练的分类识别网络模型。在寿命预测过程中:预测使用DBN-NN结构模型,首先是利用DBN训练模型对数据进行无监督训练,然后通过转入NN结构最终确定寿命预测模型的建立和网络调参。通过根据以上工作内容及所提出的分类识别以及寿命预测方法进行相关方案的对比分析以及通过更换实验数据对所提出方法进行验证。
王玉洁[5]（2020）在《基于磁声融合的再制造构件剩余寿命预测》文中研究指明随着社会经济的飞速发展,全世界每年有大量废旧产品被淘汰,这在导致资源浪费的同时也造成了环境污染,因此如何充分利用其剩余价值就显得十分重要。再制造工程就是一种通过修复或改造报废产品而延长其剩余使用寿命的新兴产业,而无损检测和寿命预测技术对再制造毛坯的可再制造性评价以及再制造产品是否符合生产使用标准起到了关键性作用。本文的目的就是基于无损检测和数据融合技术对再制造构件的剩余寿命进行评估,进而确定毛坯的可再制造性。基于拉-拉疲劳试验,利用金属磁记忆和声发射监测系统对试件在疲劳循环过程中的关键部位进行了同步在线监测。试验结果表明,每个监测点处的磁记忆和声发射信号变化趋势均表现为明显的三个阶段,与疲劳损伤演变过程中的裂纹萌生、裂纹稳态扩展和裂纹失稳扩展阶段相对应。通过分析疲劳循环过程中的磁记忆信号变化规律,提取了合成磁信号、法向幅值差和法向偏差等3个特征参数。通过对声发射监测数据进行小波包能量谱分析,得到不同寿命阶段的声发射信号高频能量占比;通过对监测信号进行小波分解与重构,然后对重构的信号进行信息熵提取,得到声发射信号的小波熵值;最终确定了声发射幅值、能量、高频占比和小波熵等4个特征参数。利用BP神经网络对磁记忆和声发射的特征参数进行数据层融合,根据正态分布函数对试件寿命的概率分配进行模糊指派,分别预测试件在磁记忆和声发射单一无损检测方法下寿命所在各区间的概率。在此基础上,基于Bayes理论对磁记忆和声发射两种方法的基本概率分配进行指标层融合,得到融合后各寿命区间的概率分配结果,该结果的预测精度比单一方法更高。基于D-S证据理论对磁记忆监测和声发射监测结果进行融合,得到了比Bayes方法更加准确的预测结果;提出基于加权融合算法的D-S证据优化方法,通过引入权重系数,将D-S证据理论的基本概率分配值进行修正,然后对修正后的基本概率分配值重新进行数据融合,进一步提高了预测精度,结果表明比原始的模糊概率分配精度提高了近10%。
郭维诚[6]（2020）在《影响表面质量的磨削特征辨识、工艺优化与监控方法研究》文中指出航空航天高端装备的快速发展,对高性能零件的要求越来越高。磨削作为一种重要的精密和超精密加工方法,在零件制造中发挥着关键作用,其加工质量及稳定性决定着零件的服役性能与产品的可靠性。磨削加工是一个复杂动态和多变量耦合的过程,加工时会受磨削参数、砂轮特性、工件材料和工艺系统动态稳定性等多种因素影响,导致加工质量出现较大的不确定性。如何准确有效地实现磨削加工过程监控及其工艺参数优化一直是改善磨削质量和效率的重要问题。本课题以高性能惯性导航关键件-整体式双平衡环挠性接头（恒弹性合金钢3J33）的磨削加工过程质量监控及工艺优化为对象,开展了磨削监控基础理论、信号特征提取与辨识、多目标工艺优化、加工过程与表面质量监控等方面研究,主要工作及创新成果如下:（1）构建了基于信息物理系统及加工状态数据驱动（CPS-SDD）的磨削加工过程监控实验平台。根据磨削表面质量目标确定了评价指标与测试方法,掌握了磨削过程中力、温度、振动和声发射等物理信号产生机制,研究了适合磨削表面质量监控的机器学习方法,建立了磨削工艺信息—过程状态—加工质量的映射关系。（2）提出了基于磨削过程中物理信号与表面质量高关联度的磨削特征辨识方法（PSRSQ-FI）。采用小波包分解和集合经验模态分解方法对原始信号进行预处理,提取不同频带中的均值、标准差和峭度,以及基于功率谱密度估计的有效值、偏度和波峰因数等信号特征;根据不同磨削表面质量评价指标,确定时频特征与表面质量指标之间的关联性,将关联度高的特征作为磨削质量的表征。（3）揭示了磨削加工工艺参数和力热载荷对于磨削表面质量的影响规律。以表面粗糙度、表面残余应力和材料去除率为目标,以砂轮速度、工件速度和磨削深度等工艺参数为决策变量,基于非支配排序多目标遗传算法获得了磨削加工的优化工艺参数组合,在确保表面质量前提下,提高加工效率。为表面质量优化提供了新方法,同时奠定了智能化磨削监控的工艺基础。（4）提出了基于高关联度磨削特征融合的表面质量监控方法（HRFF-MSQ）。基于砂轮磨损、表面粗糙度、残余应力和磨削烧伤等监控目标,实现了质量监测的高关联度磨削特征融合,给出了对应的监测方法和控制决策;在CPS-SDD磨削加工过程监控平台支持下,实现高性能整体式双平衡环挠性接头加工的表面质量控制。以上研究成果已在整体式双平衡环挠性接头制造中得到实际应用,为完成国家重大科技工程、提高我国航空航天高端装备的国际竞争力发挥了重要作用。
杨刚[7]（2020）在《典型缺陷局部放电超声信号的特征与模式识别方法研究》文中研究说明电气设备是电力系统中重要的一环,无论是承载输变电任务的变压器和电力电缆等,还是作为高速列车能源传输纽带的车载高压电缆,由于其在生产、运行过程中无法完全避免绝缘缺陷,导致带电运行时发生局部放电现象。局部放电作为设备绝缘故障的重要起因和早期表现形式,常用于反映设备内绝缘状态。局部放电检测方式多种多样,相比于脉冲电流法、超高频检测法等传统的局放检测法,超声波检测法具有不影响设备运行方式、抗电磁干扰能力强等优点。虽然局部放电超声波信号的衰减特性使信号幅值与放电量对应存在困难,但其具有丰富的放电类型特征信息,可应用于局部放电类型识别。因此,本文开展了典型缺陷模型局部放电超声波信号特征的分析,以及特征量提取和模式识别方法的研究。本文对局部放电超声波信号的产生机理、介质中衰减方式进行了分析。总结电气设备在运行过程中出现的典型缺陷,如电极结构的毛刺、绝缘介质分层、绝缘层含气隙或划伤、绝缘表面附着导电微粒等,可将上述四种典型缺陷等效为尖端放电、沿面放电、气隙放电和悬浮放电。在实验室条件下设计并制作了四种典型局部放电模型,搭建了无电晕试验平台和超声波信号采集系统。利用小波阈值去噪法对采集到的超声波信号进行去噪处理,并探究了小波变换中母小波函数、分解层数选择,以及阈值参数中阈值选取规则、阈值重调方式、阈值函数对去噪效果的影响,将最优小波阈值参数应用于局部放电超声波信号去噪处理,能较好去除信号中的噪声。对不同类型局部放电超声波信号进行时频域分析,结果表明:四种类型局部放电超声波信号时域波形形状存在较大差异,不同类型局部放电超声波信号能量分布在不同频段。利用声发射特征的上升时间、持续时间、能量以及振幅等构成2/3D关联图谱,不同类型局部放电超声波信号在特征关联图谱中以不同簇的形式分布。基于不同类型局部放电超声波信号时域波形差异,提取了上升时间、持续时间、事件峰值因数、事件波形因数等18个初选波形特征参量,利用主成分分析法对初选特征参量进行去冗余处理,最终得到互相独立的4个新主成分指标。对同一超声波信号样本还提取了多尺度（10个尺度）模糊熵参量。将波形特征参量主成分指标和10个尺度下的模糊熵值分别作为分类识别输入特征向量。设计并优化了适用于少样本训练的支持向量机（SVM）算法,分别利用两种输入特征向量进行了分类识别训练和测试,训练和测试分别为100个样本,结果表明采用多尺度模糊熵特征向量识别率略高,达到92%。综上所述,通过提取典型缺陷局部放电超声波信号的波形特征参量和多尺度模糊熵参量,结合优化的支持向量机分类算法,可以有效地识别局部放电类型。
张爱鑫[8]（2020）在《基于M-SDSAE网络的铣刀磨损状态监测技术研究》文中研究表明伴随着机械加工技术的不断发展,在航空航天、汽车、精密仪器等高科技领域对零件的加工精度提出了更高的要求。在机械加工过程中刀具磨损是影响零件加工精度的主要影响因素之一,因此对刀具磨损状态监测的研究具有较高的实用性和社会经济价值。通过分析刀具的磨损形式、磨损过程以及刀具磨损对多种信号的影响,确定了刀具磨钝标准和传感器的选型。针对搭建刀具磨损监测系统的需求,对硬件进行了选择并合理的规划了软件功能和软件结构,并且对软件的数据采集模块、信号处理模块、刀具磨损监测模块进行了设计与实现。针对加工过程中传感器原始数据无法直接反映刀具磨损状态变化的问题,采用统计学理论和信号处理技术,对加工过程中的信号进行了预处理和特征提取。搭建试验平台,获取了加工过程中真实有效的多传感器信号,通过对信号的时域、频域和时频域进行分析,提取了能够反映刀具磨损状态变化的信号特征。针对传统的刀具磨损状态监测模型的缺陷,将深度学习知识应用于刀具磨损监测领域,通过堆叠稀疏降噪自编码网络（Stacked Denosing Sparse Auto Encoder,SDSAE）结合多种信号对铣刀磨损状态进行监测,并与BP神经网络刀具磨损状态监测模型进行对比,验证了SDSAE网络在刀具磨损状态监测上的优越性。本文采用机器学习中的信息融合方法,提出基于多模态堆叠降噪自编码网络（Multiple-input Stacked Denosing Sparse Auto Encoder,M-SDSAE）的刀具磨损状态监测方法,在特征层对多传感器信息进行融合。结合前文算法,在MATLAB2018a、VC++6.0开发环境中,对刀具磨损状态监测系统的各个模块进行了开发和有效集成。
付正午[9]（2019）在《声发射技术在橡胶集料混凝土中的应用研究》文中提出声发射技术是一种常用的实时监测技术。在世界上已被广泛应用于石油化工工业,航空航天工业,科研和材料测试行业等多个领域。在土木领域的研究多用于混凝土和岩石材料。因为声发射技术在混凝土材料的研究中具有独特的优势,同时橡胶集料混凝土材料在未来又有很大的发展前景,所以利用声发射技术对橡胶集料混凝土材料的损伤破坏过程和损伤模式等进行研究对将来此种新型混凝土材料在实际工程中的应用和监测具有重要意义。鉴于此,本文利用声发射技术对橡胶集料混凝土进行研究,主要研究内容包括:从声发射技术能够进行实时监测的功能出发,通过对采集到的橡胶集料混凝土梁四点弯曲实验声发射数据进行累计撞击数的特征参数分析,对其进行微裂纹监测,将橡胶集料混凝土破坏过程划分为三个阶段。同时利用Ib值方法与声发射信号强度分析方法对其损伤破坏过程进行定量分析,用具体的数值实时表征其损伤破坏过程的严重程度。通过k均值聚类分析以及RA-AF值分析方法对橡胶集料混凝土的裂纹破坏模式进行表征和分析,将受拉破坏裂纹和受剪破坏裂纹区分开来。从声发射技术能够进行损伤模式识别的功能出发,应用并改进一种新的聚类方法--密度峰值聚类方法,通过将此方法和传统的四种聚类方法（模糊c均值聚类方法,GMM聚类方法,SOM聚类方法和分层模型聚类方法）的聚类结果进行对比分析,确定出此方法为适合于橡胶集料混凝土损伤模式识别的最佳聚类方法。结合聚类分析结果通过快速傅里叶变换,峰值频率分析以及平均频率分析的方法对橡胶集料混凝土进行损伤模式识别,将其不同的损伤破坏模式（混凝土基质的破坏和橡胶断裂的破坏）区分出来。从声发射技术能够进行裂纹扩展预测的功能出发,基于声发射参数利用人工神经网络对橡胶集料混凝土梁四点弯曲状态下的破坏极限荷载进行预测,提出一种声发射多参数人工神经网络预测模型,此模型的最大预测误差仅为0.89%。
王琛淇[10]（2019）在《基于灰色-马尔科夫的截齿磨损状态识别和预测》文中研究表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。
二、声发射模糊神经网络（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、声发射模糊神经网络（论文提纲范文）
（1）基于多源异构信息与深度学习的截齿磨损状态识别（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 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 技术路线 |
| 1.5 本章小结 |
| 2 基于SAEU3S声发射信号系统的截齿磨损状态识别 |
| 2.1 截齿截割实验台与数据采集分析系统 |
| 2.2 煤岩试件制备及截齿磨损状态标定 |
| 2.3 基于SAEU3S系统的声发射信号分析及识别 |
| 2.4 本章小结 |
| 3 基于小波包变换与SOM神经网络的状态识别 |
| 3.1 声发射信号去噪方法分析 |
| 3.2 声发射信号三层小波包分解与重构 |
| 3.3 基于SOM神经网络的截齿磨损状态识别 |
| 3.4 本章小结 |
| 4 基于图像处理与BP神经网络的截齿磨损状态研究 |
| 4.1 图像去噪机理及去噪方法分析 |
| 4.2 不同磨损程度截齿的图像采集 |
| 4.3 不同去噪方法对图像的处理效果分析 |
| 4.4 基于图像处理与BP神经网络的磨损状态识别 |
| 4.5 截齿图像增强和边缘检测 |
| 4.6 基于运行模糊处理的图像还原 |
| 4.7 本章小结 |
| 5 基于小波包变换与长短期记忆网络的截齿磨损状态识别 |
| 5.1 循环神经网络深度学习模型 |
| 5.2 长短期记忆网络模型建立 |
| 5.3 基于长短期记忆网络的截齿磨损状态识别 |
| 5.4 本章小结 |
| 6 基于多源信息融合与Adam算法优化的深度学习识别模型 |
| 6.1 多源异构信息融合理论 |
| 6.2 基于卷积神经网络的截齿多源异构信息融合 |
| 6.3 基于Adam算法优化的CNN-LSTM截齿磨损状态识别 |
| 6.4 识别结果对比分析 |
| 6.5 本章小结 |
| 7 结论、创新点及展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 查新结论 |
| 附录 1 |
| 作者简历 |
| 学位论文数据集 |
（2）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 |
（3）基于机器学习的煤矿冲击危险性综合预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 论文主要内容和研究方法 |
| 2 基于人工神经网络的矿震监测与矿震强度预测方法研究 |
| 2.1 深井矿震分类和影响因素分析 |
| 2.2 “区域-局部”式矿震监测 |
| 2.3 矿震强度神经网络预测方法及算法 |
| 2.4 样本矿井概况 |
| 2.5 实际资料处理与分析 |
| 2.6 本章小结 |
| 3 基于贝叶斯网络推理的冲击危险性等级分析 |
| 3.1 冲击地压影响因素分析 |
| 3.2 冲击地压危险等级分类研究 |
| 3.3 基于贝叶斯网络的冲击危险性等级预测方法 |
| 3.4 实际资料处理与分析 |
| 3.5 本章小结 |
| 4 基于深度神经网络的冲击类型和冲击危险性等级判别 |
| 4.1 微震信号特征分析 |
| 4.2 深度循环神经网络预测模型 |
| 4.3 基于深度循环神经网络的冲击地压诱因分析 |
| 4.4 基于深度受限玻尔兹曼机过程神经网络的冲击等级预测分析 |
| 4.5 实际资料处理与分析 |
| 4.6 本章小结 |
| 5 基于动态模糊推理网络的冲击危险性预测 |
| 5.1 冲击地压煤矿开采地质影响因素综合分析 |
| 5.2 模糊信息处理与模糊神经网络 |
| 5.3 动态模糊推理神经网络预测模型 |
| 5.4 实际资料验证 |
| 5.5 本章小结 |
| 6 工作面冲击地压综合预测应用 |
| 6.1 1412工作面概况 |
| 6.2 冲击地压监测情况 |
| 6.3 1412工作面冲击危险性综合预测分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
| 学位论文数据集 |
（4）基于EEMD多信息熵与DBN的车轴疲劳裂纹声发射信号研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 课题研究的背景和意义 |
| 1.3 课题研究的国内外现状 |
| 1.3.1 声发射检测技术的研究与应用现状 |
| 1.3.2 EEMD的研究与应用现状 |
| 1.3.3 信息熵的研究与应用现状 |
| 1.3.4 DBN和NN的研究与应用现状 |
| 1.4 课题来源及本文主要研究内容 |
| 1.4.1 本文主要研究内容 |
| 第二章 理论基础 |
| 2.1 有关EEMD的相关理论 |
| 2.2 信息熵 |
| 2.2.1 近似熵 |
| 2.2.2 样本熵 |
| 2.2.3 模糊熵 |
| 2.3 有关神经网络的理论基础 |
| 2.4 有关深度置信网络的理论基础 |
| 第三章 基于EEMD多信息熵的车轴声发射信号的特征提取 |
| 3.1 引言 |
| 3.2 实验配置及数据来源 |
| 3.3 数据的预处理 |
| 3.3.1 数据的分组处理 |
| 3.3.2 集合经验模态分解(EEMD) |
| 3.3.3 分量的优选 |
| 3.3.4 多种信息熵的求取 |
| 本章小结 |
| 第四章 分类识别与寿命预测的网络建立和调参 |
| 4.1 引言 |
| 4.2 深度置信网络的参数选取 |
| 4.2.1 DBN的初始化参数 |
| 4.2.2 DBN结构参数的选取 |
| 4.2.3 DBN批次大小(Batch-Size)的选取 |
| 4.2.4 DBN迭代次数的选取 |
| 4.2.5 DBN训练集与测试集比例的选取 |
| 4.2.6 DBN学习率的选取 |
| 4.3 神经网络(NN)参数的选取 |
| 本章小结 |
| 第五章 基于EEMD多信息熵与DBN的车轴分类识别和寿命预测及验证分析 |
| 5.1 引言 |
| 5.2 分类识别的对比试验 |
| 5.2.1 基于原数据与DBN的车轴疲劳裂纹的分类识别 |
| 5.2.2 基于EEMD近似熵与DBN的车轴疲劳裂纹分类识别 |
| 5.2.3 基于EEMD样本熵与DBN的车轴疲劳裂纹分类识别 |
| 5.2.4 基于EEMD模糊熵与DBN的车轴疲劳裂纹分类识别 |
| 5.2.5 基于EEMD多信息熵与DBN的车轴疲劳裂纹分类识别 |
| 5.3 剩余使用寿命预测的对比试验 |
| 5.3.1 基于原数据与DBN-NN车轴剩余使用寿命预测 |
| 5.3.2 基于EEMD多信息熵与DBN-NN车轴剩余使用寿命预测 |
| 5.4 验证分析 |
| 5.4.1 验证试验数据及预处理 |
| 5.4.2 分类识别验证试验分析 |
| 5.4.3 寿命预测验证试验分析 |
| 本章小结 |
| 结论与展望 |
| 结论总结 |
| 工作展望 |
| 参考文献 |
| 致谢 |
（5）基于磁声融合的再制造构件剩余寿命预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 课题来源及研究的目的和意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 再制造无损检测技术研究现状 |
| 1.2.1 金属磁记忆再制造检测研究现状 |
| 1.2.2 声发射再制造检测研究现状 |
| 1.3 信息融合研究现状 |
| 1.4 论文的主要研究内容 |
| 第二章 再制造构件疲劳监测试验 |
| 2.1 疲劳试验 |
| 2.1.1 试验材料及试件设计 |
| 2.1.2 试验设备 |
| 2.1.3 试验方法 |
| 2.2 疲劳试验机频率变化 |
| 2.3 磁记忆监测试验结果分析 |
| 2.4 声发射监测试验结果分析 |
| 2.5 本章小结 |
| 第三章 基于MMM和AE的疲劳损伤特征参数提取 |
| 3.1 基于磁记忆信号的疲劳损伤特征参数 |
| 3.1.1 合成磁信号 |
| 3.1.2 法向偏差 |
| 3.1.3 法向幅值差 |
| 3.1.4 磁记忆信号特征分析与讨论 |
| 3.2 基于声发射信号的疲劳损伤特征提取 |
| 3.2.1 小波包能量谱分析 |
| 3.2.2 小波熵特征提取 |
| 3.2.3 声发射特征分析与讨论 |
| 3.3 基于磁声融合的特征参数提取 |
| 3.4 本章小结 |
| 第四章 基于Bayes理论的再制造构件寿命预测 |
| 4.1 BP神经网络 |
| 4.2 Bayes理论 |
| 4.3 基于Bayes理论的再制造构件寿命预测 |
| 4.3.1 数据层融合 |
| 4.3.2 指标层融合 |
| 4.4 本章小结 |
| 第五章 基于D-S证据的再制造构件寿命预测 |
| 5.1 D-S证据理论 |
| 5.2 基于D-S证据理论的寿命预测 |
| 5.3 基于加权融合算法优化的D-S证据融合 |
| 5.3.1 确定证据的一致程度 |
| 5.3.2 确定权重系数 |
| 5.3.3 修正基本概率分配值 |
| 5.3.4 基于加权融合算法的寿命预测 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（6）影响表面质量的磨削特征辨识、工艺优化与监控方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外相关研究综述 |
| 1.2.1 磨削表面质量相关研究现状 |
| 1.2.2 磨削工艺优化方法研究及其发展现状 |
| 1.2.3 表面质量监控方法研究及其发展现状 |
| 1.2.4 机器学习理论及其应用研究现状 |
| 1.2.5 相关研究存在的问题及分析 |
| 1.3 课题研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文的主要章节安排 |
| 1.5 本章小结 |
| 第二章 磨削质量监控基础理论与CPS-SDD实验平台构建 |
| 2.1 磨削质量的评价指标与测试方法 |
| 2.1.1 实验试件材料性能与砂轮参数 |
| 2.1.2 表面质量的评价指标与测试方法 |
| 2.1.3 砂轮磨损的评价指标与测试方法 |
| 2.2 磨削信号的产生机制与测量方法 |
| 2.2.1 磨削力信号 |
| 2.2.2 磨削温度信号 |
| 2.2.3 磨削振动信号 |
| 2.2.4 声发射信号 |
| 2.3 机器学习基础理论研究 |
| 2.3.1 长短期记忆网络(LSTM) |
| 2.3.2 基于改进粒子群优化的支持向量回归(IPSO-SVR) |
| 2.3.3 堆栈稀疏自编码器(SSAE) |
| 2.4 基于CPS-SDD的磨削加工过程监控实验平台构建 |
| 2.4.1 CPS-SDD在磨削加工中的应用 |
| 2.4.2 磨削加工过程监控实验平台构建 |
| 2.5 本章小结 |
| 第三章 磨削信号特征提取与辨识方法研究 |
| 3.1 磨削信号处理技术 |
| 3.1.1 磨削信号的预处理降噪 |
| 3.1.2 基于小波包分解的磨削信号处理方法 |
| 3.1.3 基于集合经验模态分解的磨削信号处理方法 |
| 3.2 基于时频域分析的磨削信号特征提取方法研究 |
| 3.2.1 信号时域分析及其特征参数的表征 |
| 3.2.2 信号频域分析及其特征参数的表征 |
| 3.2.3 磨削时域与频域信号的特征提取 |
| 3.3 基于物理信号与表面质量高关联度的磨削特征辨识方法研究 |
| 3.3.1 mRMR特征选择方法 |
| 3.3.2 ReliefF特征选择方法 |
| 3.3.3 磨削信号特征辨识结果案例分析 |
| 3.4 本章小结 |
| 第四章 多目标磨削表面质量工艺优化方法研究 |
| 4.1 磨削过程力学行为特性研究 |
| 4.1.1 基于成屑厚度的磨削运动学分析 |
| 4.1.2 考虑磨削三阶段的磨削力解析模型构建 |
| 4.1.3 磨削力随工艺参数的变化规律研究 |
| 4.2 磨削工艺参数与力热载荷对表面质量的影响规律分析 |
| 4.2.1 工艺参数与力载荷对表面粗糙度的影响 |
| 4.2.2 工艺参数与力热载荷对残余应力的影响 |
| 4.2.3 工艺参数与力热载荷对磨削烧伤的影响 |
| 4.3 基于NSGA-II的磨削表面质量优化方法研究 |
| 4.3.1 面向多质量目标的磨削工艺优化方法研究 |
| 4.3.2 基于NSGA-II的磨削工艺参数优化模型构建 |
| 4.3.3 磨削表面质量优化结果与分析 |
| 4.4 本章小结 |
| 第五章 砂轮磨损与磨削表面质量监控方法研究 |
| 5.1 基于LSTM的砂轮磨损监控方法研究 |
| 5.1.1 砂轮磨损时表面形貌的演变过程 |
| 5.1.2 砂轮磨损的高关联度特征辨识结果分析 |
| 5.1.3 砂轮磨损预测结果与控制决策分析 |
| 5.2 基于LSTM的表面粗糙度监控方法研究 |
| 5.2.1 磨削过程中工件表面粗糙度的变化过程 |
| 5.2.2 表面粗糙度的高关联度特征辨识结果分析 |
| 5.2.3 表面粗糙度预测结果与控制决策分析 |
| 5.3 基于IPSO-SVR的残余应力监控方法研究 |
| 5.3.1 残余应力随工艺参数的变化规律 |
| 5.3.2 残余应力的高关联度特征辨识结果分析 |
| 5.3.3 残余应力预测结果与控制决策分析 |
| 5.4 基于SSAE的磨削烧伤监控方法研究 |
| 5.4.1 磨削烧伤的变化规律及其判别 |
| 5.4.2 磨削烧伤的高关联度特征辨识结果分析 |
| 5.4.3 磨削烧伤分类预测结果与控制决策分析 |
| 5.5 本章小结 |
| 第六章 挠性接头工程验证及其效果分析 |
| 6.1 挠性接头磨削工程验证方案设计 |
| 6.1.1 工程验证技术基础 |
| 6.1.2 挠性接头加工技术要求与难点 |
| 6.1.3 挠性接头磨削加工实验与监控方案 |
| 6.2 挠性接头磨削工程验证结果与分析 |
| 6.2.1 工艺参数对挠性接头表面残余应力的影响 |
| 6.2.2 挠性接头表面残余应力的高关联度特征辨识 |
| 6.2.3 表面残余应力的监控结果与分析 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文总结 |
| 7.2 研究创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 攻读博士期间参与的科研项目及发表的学术论文 |
| 致谢 |
（7）典型缺陷局部放电超声信号的特征与模式识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 局部放电检测研究现状 |
| 1.2.2 局部放电特征参量提取研究现状 |
| 1.2.3 局部放电模式识别研究现状 |
| 1.3 目前存在的问题 |
| 1.4 论文的主要研究内容 |
| 第2章 局部放电超声波信号产生机理及试验研究 |
| 2.1 局部放电超声波产生机理 |
| 2.2 局部放电超声波信号的衰减 |
| 2.3 局部放电试验系统 |
| 2.3.1 局部放电试验模型设计 |
| 2.3.2 试验平台搭建 |
| 2.3.3 超声波信号采集系统 |
| 2.4 试验方案 |
| 2.4.1 加压方式 |
| 2.4.2 试验流程 |
| 2.5 本章小结 |
| 第3章 局部放电超声波信号预处理及分析 |
| 3.1 超声波信号去噪处理 |
| 3.1.1 小波阈值去噪原理 |
| 3.1.2 母小波函数初选 |
| 3.1.3 探寻最佳母小波和分解层数 |
| 3.1.4 阈值处理参数寻优 |
| 3.1.5 局部放电超声信号去噪效果 |
| 3.2 局部放电超声波信号时频域分析 |
| 3.2.1 典型缺陷局部放电超声波信号时域波形差异 |
| 3.2.2 典型缺陷局部放电超声波信号能量的频域分布 |
| 3.3 声发射特征参数分析 |
| 3.3.1 声发射特征参数的定义 |
| 3.3.2 四种缺陷局部放电声发射特征参数关联图谱 |
| 3.4 本章小结 |
| 第4章 典型缺陷局部放电信号特征参量提取 |
| 4.1 波形特征参量提取 |
| 4.1.1 波形特征参量定义 |
| 4.1.2 波形特征参量提取步骤及结果 |
| 4.2 基于主成分分析的特征参量降维 |
| 4.2.1 主成分分析法简介 |
| 4.2.2 主成分提取结果分析 |
| 4.3 多尺度模糊熵特征参量提取 |
| 4.3.1 多尺度模糊熵基本原理 |
| 4.3.2 多尺度模糊熵计算参量的选取 |
| 4.3.3 多尺度模糊熵特征参量提取结果 |
| 4.4 本章小结 |
| 第5章 局部放电识别研究 |
| 5.1 支持向量机理论 |
| 5.1.1 SVM算法 |
| 5.1.2 核函数 |
| 5.1.3 SVM参数 |
| 5.2 支持向量机核参数优化 |
| 5.3 局部放电识别测试 |
| 5.4 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（8）基于M-SDSAE网络的铣刀磨损状态监测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 相关领域国内外研究现状 |
| 1.2.1 刀具磨损状态监测技术研究现状 |
| 1.2.2 信号处理技术国内外研究现状 |
| 1.2.3 神经网络研究现状 |
| 1.2.4 信息融合国内外研究现状 |
| 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 刀具磨损评价及监测系统设计 |
| 2.1 刀具磨损评价 |
| 2.1.1 刀具磨损的形式 |
| 2.1.2 铣削过程中刀具磨损的特点 |
| 2.1.3 刀具磨损的过程及磨钝标准 |
| 2.2 刀具磨损对传感器信号的影响 |
| 2.2.1 刀具磨损对切削力信号的影响 |
| 2.2.2 刀具磨损对振动信号的影响 |
| 2.2.3 刀具磨损对声发射信号的影响 |
| 2.2.4 刀具磨损对温度信号的影响 |
| 2.2.5 刀具磨损对功率信号的影响 |
| 2.3 刀具磨损状态监测系统设计与搭建 |
| 2.3.1 硬件方案设计 |
| 2.3.2 软件方案设计 |
| 2.4 本章小结 |
| 第3章 多传感器信息特征提取与刀具磨损分析 |
| 3.1 信号预处理 |
| 3.1.1 进退刀波瓣的消除 |
| 3.1.2 去除刀具磨损监测信号奇异值点 |
| 3.1.3 多传感器信息的同步计算 |
| 3.2 信号分析及特征提取 |
| 3.2.1 信号的时域分析及特征提取 |
| 3.2.2 信号的频域分析及特征提取 |
| 3.2.3 信号的时频域分析及特征提取 |
| 3.3 刀具磨损特征提取 |
| 3.3.1 试验平台的搭建及传感器数据的获取 |
| 3.3.2 铣刀切削数据的时域特征提取 |
| 3.3.3 铣刀切削数据的频域特征提取 |
| 3.3.4 铣刀切削数据的时频域特征提取 |
| 3.4 本章小结 |
| 第4章 基于神经网络的刀具磨损状态监测方法 |
| 4.1 BP神经网络监测方法 |
| 4.1.1 BP神经网络的结构 |
| 4.1.2 BP神经网络算法 |
| 4.1.3 BP神经网络参数的设定 |
| 4.1.4 基于BP神经网络的刀具磨损监测流程 |
| 4.2 堆叠稀疏降噪自编码网络刀具磨损监测方法 |
| 4.2.1 稀疏自编码网络 |
| 4.2.2 堆叠稀疏降噪自编码网络 |
| 4.2.3 Softmax分类器 |
| 4.2.4 SDSAE神经网络参数的设定 |
| 4.2.5 基于堆叠稀疏降噪自编码网络的刀具磨损监测流程 |
| 4.3 不同监测模型监测效果对比 |
| 4.4 本章小结 |
| 第5章 多传感器信息融合研究及刀具磨损监测系统开发 |
| 5.1 信息融合基本概念 |
| 5.1.1 信息融合的分类 |
| 5.2 M-SDSAE信息融合模型 |
| 5.2.1 多模态堆叠自编码器构建 |
| 5.2.2 基于多模态的堆叠降噪自编码网络的刀具磨损监测流程 |
| 5.2.3 多信息输入模型监测结果分析 |
| 5.3 刀具磨损状态监测GUI平台 |
| 5.3.1 刀具磨损状态监测系统需求分析 |
| 5.3.2 刀具磨损监测系统的构成 |
| 5.3.3 系统信息模块 |
| 5.4 刀具磨损状态在线监测系统实验与测试 |
| 5.4.1 实验设备搭建 |
| 5.4.2 刀具磨损在线监测系统现场测试 |
| 5.5 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 |
（9）声发射技术在橡胶集料混凝土中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 声发射技术研究现状 |
| 1.2.2 橡胶集料混凝土的研究现状 |
| 1.2.3 声发射技术对橡胶集料混凝土材料的研究现状 |
| 1.3 本文研究内容 |
| 第2章 声发射信号处理方法与声发射实验 |
| 2.1 声发射信号基本特点 |
| 2.2 声发射信号参数分析方法 |
| 2.2.1 声发射信号特征参数 |
| 2.2.2 声发射信号特征参数分析方法 |
| 2.3 声发射信号聚类分析方法 |
| 2.4 声发射信号频谱分析方法 |
| 2.5 橡胶集料混凝土声发射实验 |
| 2.5.1 声发射技术实验设备 |
| 2.5.2 实验过程 |
| 2.6 本章小结 |
| 第3章 基于声发射特征参数的橡胶集料混凝土损伤分析 |
| 3.1 基于声发射累计撞击数的参数分析 |
| 3.2 基于声发射信号的Ib值分析与强度分析(IA) |
| 3.3 基于声发射信号的k均值聚类分析 |
| 3.4 基于声发射信号的RA-AF值分析 |
| 3.5 本章小结 |
| 第4章 基于声发射数据的聚类算法对橡胶集料混凝土损伤模式识别 |
| 4.1 常用聚类方法及其聚类结果 |
| 4.1.1 常用聚类方法介绍及其聚类结果 |
| 4.1.2 常用聚类方法聚类结果 |
| 4.2 密度峰值聚类方法及其聚类结果 |
| 4.2.1 密度峰值聚类方法介绍 |
| 4.2.2 密度峰值聚类方法聚类结果 |
| 4.3 利用密度峰值聚类方法对橡胶集料混凝土进行损伤模式识别 |
| 4.4 本章小结 |
| 第5章 基于声发射参数的人工神经网络预测橡胶集料混凝土破坏极限荷载 |
| 5.1 人工神经网络方法介绍 |
| 5.2 声发射单参数数据人工神经网络预测 |
| 5.3 声发射双参数数据人工神经网络预测 |
| 5.4 声发射多参数数据人工神经网络预测 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）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 |
四、声发射模糊神经网络（论文参考文献）
- [1]基于多源异构信息与深度学习的截齿磨损状态识别[D]. 顾颉颖. 辽宁工程技术大学, 2021
- [2]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)
- [3]基于机器学习的煤矿冲击危险性综合预测方法研究[D]. 刘辉. 山东科技大学, 2020(04)
- [4]基于EEMD多信息熵与DBN的车轴疲劳裂纹声发射信号研究[D]. 许慎超. 大连交通大学, 2020(06)
- [5]基于磁声融合的再制造构件剩余寿命预测[D]. 王玉洁. 东北石油大学, 2020
- [6]影响表面质量的磨削特征辨识、工艺优化与监控方法研究[D]. 郭维诚. 东华大学, 2020(01)
- [7]典型缺陷局部放电超声信号的特征与模式识别方法研究[D]. 杨刚. 西南交通大学, 2020(07)
- [8]基于M-SDSAE网络的铣刀磨损状态监测技术研究[D]. 张爱鑫. 哈尔滨理工大学, 2020(02)
- [9]声发射技术在橡胶集料混凝土中的应用研究[D]. 付正午. 天津大学, 2019(01)
- [10]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)