软测量技术及其在磨削加工中的应用 |
论文目录 | | | 摘要 | 第1-4
页 | | Abstract | 第4-6
页 | | 目录 | 第6-9
页 | | 第一章 绪论 | 第9-21
页 | | · 引言 | 第9-10
页 | | · 软测量模型 | 第10-11
页 | | · 软测量模型的建立方法 | 第11-14
页 | | · 机理建模 | 第11
页 | | · 辨识建模 | 第11-13
页 | | · 混合建模方法 | 第13-14
页 | | · 影响软测量性能的主要因素 | 第14-17
页 | | · 建模方法的选择 | 第15
页 | | · 辅助变量的选择 | 第15
页 | | · 测量数据的预处理 | 第15-17
页 | | · 软测量模型的维护 | 第17
页 | | · 课题的背景和主要研究工作简介 | 第17-18
页 | | · 课题的背景 | 第17-18
页 | | · 本课题的研究目的 | 第18
页 | | · 主要研究工作简介 | 第18
页 | | · 全文的主要内容和组织结构 | 第18-21
页 | | 第二章 有关磨削的理论研究 | 第21-31
页 | | · 磨削表面粗糙度的研究 | 第21-26
页 | | · 表面粗糙度的有关概念 | 第21-24
页 | | · 表面粗糙度对零件性能的影响 | 第24
页 | | · 影响磨削加工表面粗糙度的因素 | 第24-25
页 | | · 磨削加工表面粗糙度在线软测量 | 第25-26
页 | | · 螺旋锥齿轮磨削加工表面粗糙度的预测方法 | 第26
页 | | · 磨削力的研究 | 第26-30
页 | | · 磨削力及其作用 | 第26
页 | | · 磨削力的计算 | 第26-28
页 | | · 磨削力的实验测量 | 第28-29
页 | | · 磨削力的在线软测量 | 第29-30
页 | | · 螺旋锥齿轮磨削加工磨削力的测量方法 | 第30
页 | | · 本章小结 | 第30-31
页 | | 第三章 基于新息优化模型GM(1,1,α)的软测量建模及其应用 | 第31-41
页 | | · 灰预测及GM(1,1,D)模型 | 第31-32
页 | | · 改进的灰预测模型 | 第32-33
页 | | · 改进边界条件的选取 | 第32-33
页 | | · 改进白化背景值的选取 | 第33
页 | | · 灰预测模型的进一步改进——新息优化模型GM(1,1,α) | 第33-35
页 | | · 新息优化模型GM(1,1,α) | 第33-34
页 | | · 简化新息因子α的计算 | 第34-35
页 | | · 新息优化模型GM(1,1,α)的建模预测步骤 | 第35-36
页 | | · 新息优化模型GM(1,1,α)的应用 | 第36-40
页 | | · 问题的提出 | 第36
页 | | · 磨削加工实验 | 第36-37
页 | | · 表面粗糙度值测试 | 第37-39
页 | | · Ra值的灰预测 | 第39-40
页 | | · 结论 | 第40
页 | | · 本章小结 | 第40-41
页 | | 第四章 基于RBF神经网络的软测量建模及其应用 | 第41-59
页 | | · 人工神经网络 | 第41-44
页 | | · 人工神经元模型与人工神经网络的结构 | 第41-43
页 | | · 人工神经网络的特点 | 第43
页 | | · 人工神经网络建模的特点 | 第43-44
页 | | · RBF神经网络原理与算法 | 第44-47
页 | | · RBF网络的构成原理 | 第44-45
页 | | · RBF神经网络学习算法 | 第45-47
页 | | · 基于RBF神经网络的磨削力软测量 | 第47-58
页 | | · 螺旋锥齿轮磨削加工磨削力软测量的意义 | 第47
页 | | · 研究螺旋锥齿轮磨削力的技术路线 | 第47-48
页 | | · 模拟实验 | 第48-52
页 | | · 基于RBF神经网络的磨削力软测量 | 第52-58
页 | | · 结论 | 第58
页 | | · 本章小结 | 第58-59
页 | | 第五章 结束语 | 第59-61
页 | | 参考文献 | 第61-65
页 | | 致谢 | 第65-66
页 | | 攻读学位期间主要的研究成果 | 第66
页 |
|
|
|
