基于CCOS小磨头抛光石英玻璃表面质量的评价与预测模型分析-机械工程专业论文.docxVIP

PAGE PAGE VI 目录 中文摘要 I Abstract II 目录III 图清单V 表清单 VI 字母注释表 VII 第一章 绪论1 1.1 课题的背景及意义1 1.2 基于 CCOS 的小磨头抛光 2 1.3 表面质量评价与预测的发展现状4 1.3.1 表面形貌评价的研究现状4 1.3.2 表面粗糙度预测的发展现状8 1.4 本课题的主要研究内容9 第二章 基于小波理论评价石英玻璃表面质量的研究11 2.1 小波分析理论基础11 2.1.1 小波与小波变换11 2.1.2 二进离散小波与二进离散小波变换12 2.1.3 小波多分辨率分析13 2.2 小波理论在表面轮廓损伤评价中的应用14 2.2.1 小波函数简介[59] 15 2.2.2 最佳小波基的选择18 2.2.3 最佳分解层数的确定20 2.3 表面损伤的评价21 2.4 本章小结23 第三章 石英玻璃表面粗糙度影响因素实验研究24 3.1 实验设计基础24 3.1.1 正交实验24 3.1.2 实验方案24 3.2 实验系统26 3.3 抛光参数对表面粗糙度的影响30 3.3.1 田口法优化抛光参数31 3.3.2 方差分析抛光参数对表面粗糙度的影响程度33 3.4 本章小结36 HYPERLINK \l _TOC_250000 第四章 BP 神经网络预测模型建立 37 4.1BP 神经网络表面粗糙度预测模型理论基础 37 4.1.1 人工神经网络概述37 4.1.2 BP 神经网络表面粗糙度预测模型算法及算法实现 39 4.2BP 神经网络预测模型的构建 43 4.2.1 BP 神经网络层数的设计 43 4.2.2 BP 神经网络各层节点的确定 43 4.2.3 BP 神经网络传递函数选取 44 4.3BP 神经网络模型训练 45 4.3.1 BP 神经网络模型训练样本数据采集 45 4.3.2 训练样本数据预处理45 4.3.3 BP 神经网络训练 46 4.4BP 神经网络预测模型的确立及验证 47 4.4.1 BP 神经网络模型的确立及误差计算 47 4.4.2 BP 神经网络模型的验证 49 4.5 粗糙度预测非线性回归模型的确立50 4.5.1 建立非线性回归模型50 4.5.2 样本采集51 4.5.3 非线性回归模型的确立51 4.6 对比分析53 4.7 本章小结54 第五章 总结与展望55 5.1 总结55 5.2 展望56 参考文献57 发表论文和参加科研情况说明61 致谢62 图清单 图清单 图 1-1 光学石英玻璃的典型应用 1 图 1-2 光学石英玻璃的表面轮廓 2 图 1-3 计算机控制小磨头抛光系统原理图 3 图 1-4 表面粗糙度参数 5 图 1-5 Motif 的定义 7 图 2-1 小波多分辨率分析的分解与重构过程 14 图 2-2 dbN8 小波函数（左）及其尺度函数（右） 15 图 2-3 cinf2 小波函数（左）及其尺度函数（右） 16 图 2-4 sym4 小波函数（左）及其尺度函数（右） 17 图 2-5 sym9 小波分析 Ra=20.032 nm 的石英玻璃表面轮廓 20 图 2-6 石英玻璃表面损伤示意图 21 图 2-7 石英玻璃表面损伤程度曲线 22 图 2-8 不同粗糙度的石英玻璃表面轮廓损伤程度曲线 23 图 3-1 石英玻璃材料 26 图 3-2 研磨机 YM-24LP-3Q 27 图 3-3 抛光实验装置 28 图 3-4 抛光实验控制界面 29 图 3-5 抛光冷却系统 29 图 3-6 Taylor hobson i120 探针式轮廓仪 30 图 3-7 表面粗糙度比值信噪比水平响应曲线 33 图 3-8 各因素影响程度 34 图 3-9 抛光压力对表面粗糙度比值的影响 35 图 3-10 工具转速对表面粗糙度比值的影响 35 图 3-11 偏心比对表面粗糙度比值的影响 36 图 4-1 人工神经元数学模型 37 图 4-2 三层 BP 神经网络结构 40 图 4-3 BP 神经网络的算法实现流程 43 图 4-4 不同训练算法比较 47 图 4-5 BP 神经网络训练流程 47 图 4-6 隐含层神经元为 5 时的误差训练曲线 48 图 4-7 网络具体模型结构 49 图 4-8 BP 网络与非线性回归模预测相对误差曲线对比 53 表清单 表清单 表 1- 1 表面轮廓粗糙度参数 5 表 1- 2 表面粗糙度预测方法 8 表 2- 1 DbN 小波函数重构误差 18 表 2- 2 SymN 小波基重构误差 19 表 2- 3 CoifN 小波基重构误差 19 表 3- 1 正交表 L1