基于神经网络的冰刀刀刃磨损测量方法的研究

论文摘要

为了配合自动研磨机获取冰刀刀刃的磨损量,本课题研究了一种基于神经网络的刀刃磨损测量方法。从对刀刃磨损轮廓建立数学模型到测量方法的挖掘再到对该方案进行仿真,本论文详细介绍了该测量方案的流程。仿真实验采用Matlab的神经网络的工具箱,对不同的BP 网络算法进行仿真,第六章给出了各种方法的仿真误差。实验过程中的数据经由数学模型产生,最后的实验给出了不大于0.1%的相对测量误差。这个误差产生于从CCD 获取数据到神经网络输出整个模块,而不包括CCD 的采集数据的误差。这个误差说明这种方法可以用于自动刀刃研磨机在线自动测量冰刀刀刃磨损量。

论文目录

• 第一章 绪论
• 1.1 课题来源与研究范围
• 1.2 课题研究的目的和意义
• 1.3 国内外研究现状
• 1.3.1 冰刀研磨机研究现状
• 1.3.2 刀具磨损测量研究现状
• 1.4 课题研究的主要内容
• 第二章 冰刀刀刃磨损测量方案流程及系统结构
• 2.1 前言
• 2.2 测量方案流程
• 2.3 测量系统的整体结构
• 2.4 系统各部分的功能
• 第三章 刀刃磨损量测量原理
• 3.1 前言
• 3.2 冰刀刀刃的建模
• 3.3 理论测量公式
• 3.3.1 刀刃磨损量与椭圆半径的关系
• 3.3.2 刀刃散射光强与椭圆半径的关系
• 3.4 神经网络及其在刀刃磨损测量中的应用
• 3.4.1 人工神经网络
• 3.4.2 维数灾难和特征提取
• 3.4.3 前向神经网络用于刀刃磨损测量
• 第四章 散射光强的采集和光电传感器
• 4.1 前言
• 4.2 常用的光电传感器及选择
• 4.2.1 CCD 光电传感器及其特点
• 4.2.2 CMOS 光电传感器及其特点
• 4.2.3 CCD 和CMOS 的比较
• 4.3 CCD 的工作原理
• 4.3.1 CCD 电荷耦合原理
• 4.3.2 CCD 测量光强原理
• 4.4 提高CCD 分辨率的措施
• 第五章 测量算法的设计
• 5.1 前言
• 5.2 CCD 信号的特征提取
• 5.2.1 K-L 变换
• 5.2.2 自相关阵特征值和特征向量的计算
• 5.3 神经网络学习算法
• 5.3.1 基本BP 算法
• 5.3.2 BP 算法的改进措施
• 5.3.3 其它学习算法
• 5.4 神经网络的结构优化
• 5.4.1 正规化方法
• 5.4.2 修剪法
• 5.4.3 构造法[5]
• 5.5 遗传算法及其在网络学习中的应用
• 5.5.1 遗传算法的概念及操作步骤
• 5.5.2 神经网络优化的遗传算法方案
• 5.6 神经网络的推广能力及提高的方法
• 5.6.1 敏感度法
• 5.6.2 其它方法
• 第六章 测量系统的仿真试验及分析
• 6.1 前言
• 6.2 Matlab 神经网络工具箱简介
• 6.2.1 神经网络的初始化函数
• 6.2.2 建立函数
• 6.2.3 学习函数
• 6.2.4 训练函数
• 6.3 训练样本的生成
• 6.4 特征提取算法的检验
• 6.5 神经网络的训练及误差
• 6.5.1 确定网络结构的算法仿真
• 6.5.2 网络结构的优化
• 6.6 小结
• 第七章 结论
• 参考文献
• 摘要
• ABSTRACT
• 致谢
• 导师简介
• 作者简介