申请/专利权人：华南理工大学

申请日：2024-04-01

公开（公告）日：2024-07-05

公开（公告）号：CN118287728A

主分类号：B23C3/00

分类号：B23C3/00;G10L25/30;G10L25/51;G06N3/0499;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于声音信号MFCC特征化的铣削加工形貌状态判别方法，包括以下步骤：对不同工艺参数的铣削加工表面进行粗糙度和波纹度的检测，将粗糙度和波纹度的数据与工艺参数关联得到数据集，采集相应加工过程中产生的声音信号；使用加工表面形貌特征化的粗糙度及波纹度的数据集，使用均值聚类分析方法将加工工况稳定性分类为稳定加工状态和不稳定加工状态；关联加工工况稳定性状态将声音信号分类为稳定铣削信号和不稳定铣削信号。本发明具备对易安装、具备工业应用潜力的特点，对声音信号MFCC特征进行智能分类，可以取代接触式振动传感器，实现加工形貌判别，然后通过调整铣削加工工艺参数，同时提高铣削加工表面质量和效率。

主权项：1.一种基于声音信号MFCC特征化的铣削加工形貌状态判别方法，其特征在于，包含以下步骤：步骤一，通过对不同工艺参数的铣削加工表面进行粗糙度和波纹度的检测，采集相应加工过程中产生的声音信号，将粗糙度和波纹度的数据与工艺参数关联得到数据集；步骤二，使用加工表面形貌特征化的粗糙度及波纹度的数据集，对加工形貌状态进行数字化分类，使用均值聚类分析方法将加工工况稳定性分类为稳定加工状态和不稳定加工状态；步骤三，关联加工工况稳定性状态将声音信号分类为稳定铣削信号和不稳定铣削信号；对声音信号进行预加重、分帧、加窗预处理步骤，对加窗后的信号进行傅里叶变换，求取能量谱密度；将能量谱密度矩阵与梅尔滤波器矩阵相乘，得到新矩阵H；对新矩阵H进行离散余弦变换，得到MFCC基础参数，进一步求取一阶差分系数与二阶差分系数，将这三个参数合并，得到完整的MFCC特征系数；将每一个声音信号的MFCC特征系数与加工工况稳定性状态结合得到特征矩阵，得到工艺参数关联加工工况状态的MFCC特征系数的数据集；步骤四，选取部分数据集作为训练集，其它数据集作为测试集，将训练集输入BP神经网络进行训练，使用训练好的BP神经网络对测试集进行加工表面状态的判别。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于声音信号MFCC特征化的铣削加工形貌状态判别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD