CN110010155A - 基于卷积神经网络和mfcc的颤振识别方法和系统 - Google Patents
基于卷积神经网络和mfcc的颤振识别方法和系统 Download PDFInfo
- Publication number
- CN110010155A CN110010155A CN201910291425.5A CN201910291425A CN110010155A CN 110010155 A CN110010155 A CN 110010155A CN 201910291425 A CN201910291425 A CN 201910291425A CN 110010155 A CN110010155 A CN 110010155A
- Authority
- CN
- China
- Prior art keywords
- flutter
- neural networks
- convolutional neural
- noise signal
- mfcc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于卷积神经网络和MFCC的颤振识别方法和系统,该方法包括如下步骤:获取削切过程中发生颤振和没有发生颤振时的噪声信号,并根据该噪声信号的梅尔倒谱系数对卷积神经网络进行训练,得到训练后的卷积神经网络;在削切过程中实时采集噪声信号,根据该噪声信号的梅尔倒谱系数,结合训练后的卷积神经网络,判断削切过程中是否存在颤振。本发明所提供的技术方案,通过噪声信号倒谱系数和卷积神经网络得到噪声信号与颤振之间的关系,在削切过程中,通过噪声信号即可判断出是否发生颤振,解决现有技术中检测颤振的方式适用性差的问题。
Description
技术领域
本发明属于机械加工过程中的颤振识别技术领域,具体涉及一种基于卷积神经网络和MFCC的颤振识别方法和系统。
背景技术
随着机械制造技术的不断革新,高速精密加工成为机械加工的主流,然而在削切速度提高的过程中,也出现了一些不可避免的问题,如削切过程中不但刀具会快速磨损,还会伴有轻微的振动,即颤振。随着技术的发展,很多领域的零件对加工的精度越来越高,而对于加工精度要求非常高的领域,在加工过程中必须避免出现颤振。
要消除机械加工过程中的颤振,首先需要检测机械加工过程中是否发生颤振。目前检测是否发生颤振的方法,是在机床或者被加工工件上设置加速度传感器检测其振动信号,然后通过根据检测到的振动信号判断是否发生颤振,如申请公布号为CN106021906A的中国专利申请文件公开的一种基于倒频谱分析的颤振在线监测方法所提供的技术方案采用的就是这种方式。
但是采用加速度传感器的方式需要将加速度传感器设置在机床或被加工工件上,在很多场合不适合使用。
发明内容
本发明提供一种基于卷积神经网络和MFCC的颤振识别方法,以解决现有技术中采用现有技术中检测颤振的方式适用性差的问题;同时,为了解决上述技术问题,本发明还提供了一种基于卷积神经网络和MFCC的颤振识别系统。
为实现上述目的,本发明所提供的技术方案是:
一种基于卷积神经网络和MFCC的颤振识别方法,该方法包括如下步骤:
获取削切过程中发生颤振和没有发生颤振时的噪声信号,并根据该噪声信号的梅尔倒谱系数对卷积神经网络进行训练,得到训练后的卷积神经网络;
在削切过程中实时采集噪声信号,根据该噪声信号的梅尔倒谱系数,结合训练后的卷积神经网络,判断削切过程中是否存在颤振;
获取噪声信号梅尔倒谱系数的方法是:
在削切过程中,每间隔设定时间检测一次噪声信号;
对各设定时间段的噪声信号进行快速傅里叶变换,得到各时间段的频谱;
根据各时间段的频谱得到梅尔频率,并根据梅尔频率得到声谱图;
利用离散余弦变换对声谱图进行处理,得到梅尔倒谱系数。
为解决上述技术问题,本发明还提供一种基于卷积神经网络和MFCC的颤振识别系统,包括处理器,处理器连接有噪声传感器,噪声传感器用于检测削切过程中发出的噪声信号并发送给处理器,处理器用于根据噪声传感器检测到的噪声信号,采用如上所述的基于卷积神经网络和MFCC的颤振识别方法判断是否存在颤振。
本发明所提供的技术方案,通过噪声信号倒谱系数和卷积神经网络得到噪声信号与颤振之间的关系,在削切过程中,通过噪声信号即可判断出是否发生颤振,解决现有技术中检测颤振的方式适用性差的问题。
进一步的,为了保证训练后的卷积神经网络的精确性,获取削切过程中的噪声信号后将其存储,每间隔设定时间,根据所存储的噪声信号对训练后的卷积神经网络重新进行训练。
进一步的,所述卷积神经网络包括三个卷积层和两个池化层,各卷积层的卷积核均为3*3的卷积核,各池化层均为最大池化层。
进一步的,所述快速傅里叶变换所采用的公式为:
其中k为频率,X(k)为频率k上的幅值,x(n)为n时间时域上的幅值。
进一步的,设梅尔频率为mel(f),则:
mel(f)=2959×log10(1+f/700)
其中f为频率。
进一步的,所述离散余弦变换所采用的公式为:
其中N为频域离散数据点个数,F(u)为第u维Mel倒谱系数。
附图说明
图1是本发明系统实施例中基于卷积神经网络和MFCC的颤振识别系统的结构示意图;
图2是本发明系统实施例中获取噪声信号梅尔倒数的流程图;
图3是本发明系统实施例中卷积神经网络的架构图。
具体实施方式
系统实施例:
本实施例提供一种基于卷积神经网络和MFCC的颤振识别系统,采用卷积神经网络和MFCC(梅尔频率倒谱系数),根据削切过程中产生的噪声信号判断是否发生颤振。
本实施例所提供的基于卷积神经网络和MFCC的颤振识别系统,其结构原理如图1所示,包括IN设备1和噪声传感器2,IN设备1包括处理器,处理器连接噪声传感器2的信号输出端。图1中3为工件,4为机床工作台,5为刀具,噪声传感器2检测削切过程中的噪声信号并传递给IN设备1的处理器,处理器根据噪声传感器1检测到的噪声信号,采用基于卷积神经网络和MFCC的颤振识别方法判断是否发生颤振。
本实施例中处理器所执行的基于卷积神经网络和MFCC的颤振识别方法包括如下步骤:
(1)获取削切过程中发生颤振和没有发生颤振时的噪声信号,并根据该噪声信号的梅尔倒谱系数对卷积神经网络进行训练,得到训练后的卷积神经网络。
在实验工况下,从开始稳定削切时采集削切过程中的噪声信号,其中包括发生颤振时和没有发生颤振时的噪声信号,每组检测20次,每两次检测之间的时间间隔为1s,如图2所示。这样的处理可以对隔断声波的高频段特征进行单独辨识,以区分是局部颤振还是全局颤振。
获取噪声信号梅尔倒谱系数的方法为:
首先对一组检测中各时间段的噪声信号进行快速傅里叶变换,得到该组各时间段的频谱。
由于铣削声音通常在高频声段,有着较高的能量,因此需要将噪声信号转换到频谱上进行分析。对噪声信号进行快速傅里叶变换时所采用的公式为:
利用该公式将时程离散坐标x(n)转换为频域离散点X(k),其中k为频率,n 为时间点,X(k)为k频率上的幅值,x(n)为n时间时域上的幅值,实现将不同时段的时程曲线转换为频谱曲线,W(n)为傅里叶变换系数。将频谱曲线灰度量化,得到与频率和时间相关的声谱图,该声谱图与时间与频率均有关系,利用不同灰度来对各频率能量进行标识,可以判断各时间段或者总体时间是否有出现颤振,以区分是部分颤振还是工艺参数引起的全过程颤振。
然后根据快速傅里叶变换得到的时间段频谱得到梅尔频率,并根据梅尔频率设计三角带通滤波器组。根据梅尔频率,均匀分布三角带通滤波器,每个滤波器的初始带通频率为上一滤波器的中心带通频率,其截至带通频率为下一滤波器的中心带通频率,每个滤波器的带宽为测量最大梅尔频率除以20,得到声谱图。
该声谱图与之前未处理的声谱图不同在于,梅尔频率声谱与人耳收听效果在高频部分线性相关,更能体现人耳接收的声音效果。
设得到的梅尔频率为mel(f),频率为f,则
mel(f)=2959×log10(1+f/700)
但是声谱图在频率上的维度较高,造成分析时数量较大,降低了分析效率。
最后对各时间段的梅尔频谱图进行离散余弦变换,以得到不同时刻的梅尔倒谱系数,离散余弦变换时采用如下公式:
其中u在1到20之间取值,N为频域离散数据点数量,F(u)为第u维梅尔倒谱系数,x是第x频率的当u的竖直越大时,可以描述越高频率的波动,取1-20维倒谱系数,组成20*20维的倒谱系数图,该倒谱系数图可以体现出不同频率的声强作用大小。对梅尔频谱图进行余弦变换后给声谱图进行压缩降维,能够提高分析效率。
本实施例所采用的卷积神经网络的架构图如图3所示,以频率为纵向坐标,时间为横向坐标,颜色代报噪声能量,其中的卷积层所采用的是3*3的卷积核,其卷积核坐标为[-1,0,1;-1,0,1;0,1,0]、[1,-1,1;1,1,0;-1,0,1]、[0,1,0; -1,0,1;-1,0,0],池化层所采用的是2*2的最大池化层,最终将被卷积图像处理成为一个5*5维特征。
卷积层以及池化层作用在于对数据进行降维和特征提取,将分析维度进一步缩减为高频域以及低频域,并利用颜色特征体现其高频及低频域的能量特征,该5*5维特征主要关注与声谱图各维度的颜色特征,即含有时间因素(横向特征),也含有各时间段频率因素(纵向特征),更好的对全过程颤振、局部颤振以及普通削切振动进行区分。
选用RELU用作激活函数,利用反向传播法求取各权重梯度,利用Adam对学习率进行优化,对1000组颤振情况下或非颤振情况下的噪声梅尔倒谱系数图进行训练。
选用RELU作为激活函数,RELU激活函数为:
利用反向传播法求取各权重梯度的方法为:
首先,将训练集数据输入到输入层,经过隐藏层达到输出层并输出结果;
然后,计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
最后,在反向传播的过程中,根据误差调整各参数的值,并按上述过程进行不断迭代直至收敛,从而得到各权重梯度。
利用Adam对学习率进行优化的步骤包括:
首先确定Adam模型参数和随机目标函数,初始化参数向量、一阶矩向量、二阶矩向量和时间步;
然后当噪声参数没有收敛时,循环迭代地更新各个部分:时间步加1并更新目标函数在该时间步上对参数所求的梯度,同时更新偏差的一阶矩估计和二阶原始矩估计;
最后计算偏差修正的一阶矩估计和偏差修正的二阶矩估计,然后再用以上计算出来的值更新模型参数,最终得到优化后的参数。
(2)在削切过程中实时采集噪声信号,获取该噪声信号的梅尔倒谱系数,并根据得到的梅尔到谱系数,结合训练后的梅尔倒谱系数判断削切过程中是否出现颤振。
为了保证卷积神经网络的精确度,本实施例中获取削切过程中的噪声信号后将其存储,每间隔设定时间,根据所存储的噪声信号对训练后的卷积神经网络重新进行训练。
方法实施例:
本实施例提供一种基于卷积神经网络和MFCC的颤振识别方法,与上述系统实施例中处理器执行的基于卷积神经网络和MFCC的颤振识别方法相同,该方法已在上述系统实施例中做了详细介绍,这里不多种说明。
Claims (7)
1.一种基于卷积神经网络和MFCC的颤振识别方法,其特征在于,该方法包括如下步骤:
获取削切过程中发生颤振和没有发生颤振时的噪声信号,并根据该噪声信号的梅尔倒谱系数对卷积神经网络进行训练,得到训练后的卷积神经网络;
在削切过程中实时采集噪声信号,根据该噪声信号的梅尔倒谱系数,结合训练后的卷积神经网络,判断削切过程中是否存在颤振;
获取噪声信号梅尔倒谱系数的方法是:
在削切过程中,每间隔设定时间检测一次噪声信号;
对各设定时间段的噪声信号进行快速傅里叶变换,得到各时间段的频谱;
根据各时间段的频谱得到梅尔频率,并根据梅尔频率得到声谱图;
利用离散余弦变换对声谱图进行处理,得到梅尔倒谱系数。
2.根据权利要求1所述的基于卷积神经网络和MFCC的颤振识别方法,其特征在于,获取削切过程中的噪声信号后将其存储,每间隔设定时间,根据所存储的噪声信号对训练后的卷积神经网络重新进行训练。
3.根据权利要求1所述的基于卷积神经网络和MFCC的颤振识别方法,其特征在于,所述卷积神经网络包括三个卷积层和两个池化层,各卷积层的卷积核均为3*3的卷积核,各池化层均为最大池化层。
4.根据权利要求1所述的基于卷积神经网络和MFCC的颤振识别方法,其特征在于,所述快速傅里叶变换所采用的公式为:
其中k为频率,X(k)为频率k上的幅值,x(n)为n时间时域上的幅值。
5.根据权利要求1所述的基于卷积神经网络和MFCC的颤振识别方法,其特征在于,设梅尔频率为mel(f),则:
mel(f)=2959×log10(1+f/700)
其中f为频率。
6.根据权利要求1所述的基于卷积神经网络和MFCC的颤振识别方法,其特征在于,所述离散余弦变换所采用的公式为:
其中N为频域离散数据点个数,F(u)为第u维Mel倒谱系数。
7.基于卷积神经网络和MFCC的颤振识别系统,包括处理器,处理器连接有噪声传感器,噪声传感器用于检测削切过程中发出的噪声信号并发送给处理器,处理器用于根据噪声传感器检测到的噪声信号,采用如权利要求1-6任意一项所述的基于卷积神经网络和MFCC的颤振识别方法判断是否存在颤振。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291425.5A CN110010155A (zh) | 2019-04-11 | 2019-04-11 | 基于卷积神经网络和mfcc的颤振识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291425.5A CN110010155A (zh) | 2019-04-11 | 2019-04-11 | 基于卷积神经网络和mfcc的颤振识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110010155A true CN110010155A (zh) | 2019-07-12 |
Family
ID=67171205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291425.5A Pending CN110010155A (zh) | 2019-04-11 | 2019-04-11 | 基于卷积神经网络和mfcc的颤振识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110010155A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110434676A (zh) * | 2019-07-29 | 2019-11-12 | 北京理工大学 | 一种多传感器时频特征融合的镗削颤振监测方法 |
CN111625763A (zh) * | 2020-05-27 | 2020-09-04 | 郑州航空工业管理学院 | 一种基于数学模型的运行风险预测方法和预测系统 |
CN113011302A (zh) * | 2021-03-11 | 2021-06-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
CN113739905A (zh) * | 2020-05-27 | 2021-12-03 | 现代摩比斯株式会社 | 用于定位转向系统中发生的噪声的装置及方法 |
CN114555292A (zh) * | 2019-10-22 | 2022-05-27 | 日本Nt工程技术株式会社 | 作业机械的加工状态监视方法以及系统 |
CN114638265A (zh) * | 2022-03-21 | 2022-06-17 | 南京航空航天大学 | 一种基于信号卷积神经网络的铣削颤振判别方法 |
CN114638265B (zh) * | 2022-03-21 | 2024-05-31 | 南京航空航天大学 | 一种基于信号卷积神经网络的铣削颤振判别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345200A (zh) * | 2013-06-28 | 2013-10-09 | 华中科技大学 | 一种基于广义区间的切削加工颤振辨识方法 |
CN106021906A (zh) * | 2016-05-16 | 2016-10-12 | 常州信息职业技术学院 | 基于倒频谱分析的颤振在线监测方法 |
CN107910020A (zh) * | 2017-10-24 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及存储介质 |
CN109063290A (zh) * | 2018-07-20 | 2018-12-21 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于神经网络技术的颤振预测方法 |
CN109473119A (zh) * | 2017-09-07 | 2019-03-15 | 中国科学院声学研究所 | 一种声学目标事件监控方法 |
CN109599126A (zh) * | 2018-12-29 | 2019-04-09 | 广州丰石科技有限公司 | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 |
-
2019
- 2019-04-11 CN CN201910291425.5A patent/CN110010155A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345200A (zh) * | 2013-06-28 | 2013-10-09 | 华中科技大学 | 一种基于广义区间的切削加工颤振辨识方法 |
CN106021906A (zh) * | 2016-05-16 | 2016-10-12 | 常州信息职业技术学院 | 基于倒频谱分析的颤振在线监测方法 |
CN109473119A (zh) * | 2017-09-07 | 2019-03-15 | 中国科学院声学研究所 | 一种声学目标事件监控方法 |
CN107910020A (zh) * | 2017-10-24 | 2018-04-13 | 深圳和而泰智能控制股份有限公司 | 鼾声检测方法、装置、设备及存储介质 |
CN109063290A (zh) * | 2018-07-20 | 2018-12-21 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于神经网络技术的颤振预测方法 |
CN109599126A (zh) * | 2018-12-29 | 2019-04-09 | 广州丰石科技有限公司 | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 |
Non-Patent Citations (1)
Title |
---|
李欣欣等: ""基于卷积神经网络的深孔镗削加工过程颤振监测研究"", 《湖北汽车工业学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110434676A (zh) * | 2019-07-29 | 2019-11-12 | 北京理工大学 | 一种多传感器时频特征融合的镗削颤振监测方法 |
CN114555292A (zh) * | 2019-10-22 | 2022-05-27 | 日本Nt工程技术株式会社 | 作业机械的加工状态监视方法以及系统 |
CN111625763A (zh) * | 2020-05-27 | 2020-09-04 | 郑州航空工业管理学院 | 一种基于数学模型的运行风险预测方法和预测系统 |
CN113739905A (zh) * | 2020-05-27 | 2021-12-03 | 现代摩比斯株式会社 | 用于定位转向系统中发生的噪声的装置及方法 |
CN113011302A (zh) * | 2021-03-11 | 2021-06-22 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
CN113011302B (zh) * | 2021-03-11 | 2022-04-01 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于卷积神经网络的雷声信号识别系统及方法 |
CN114638265A (zh) * | 2022-03-21 | 2022-06-17 | 南京航空航天大学 | 一种基于信号卷积神经网络的铣削颤振判别方法 |
CN114638265B (zh) * | 2022-03-21 | 2024-05-31 | 南京航空航天大学 | 一种基于信号卷积神经网络的铣削颤振判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110010155A (zh) | 基于卷积神经网络和mfcc的颤振识别方法和系统 | |
CN105834835B (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
CN105223576B (zh) | 一种基于单矢量潜标的线谱信号目标自动检测方法 | |
CN110782878B (zh) | 一种基于注意力机制的多尺度音频场景识别方法 | |
CN110164472A (zh) | 基于卷积神经网络的噪声分类方法 | |
CN109946055B (zh) | 一种汽车座椅滑轨异响检测方法及系统 | |
US11096628B2 (en) | Heart rate detection method and apparatus, and electronic terminal thereof | |
CN108680245A (zh) | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 | |
CN111429932A (zh) | 语音降噪方法、装置、设备及介质 | |
US20090240641A1 (en) | Optimizing method of learning data set for signal discrimination apparatus and signal discrimination apparatus capable of optimizing learning data set | |
CN108670291A (zh) | 基于emd结合改进的mfcc的心音类型识别方法 | |
CN109741759B (zh) | 一种面向特定鸟类物种的声学自动检测方法 | |
CN110211596B (zh) | 一种基于Mel子带谱熵鲸目动物哨声信号检测方法 | |
CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
CN109741760A (zh) | 噪声估计方法及系统 | |
CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
CN108318876A (zh) | 一种利用单个水听器估计水下目标深度和距离的方法 | |
CN112735466B (zh) | 一种音频检测方法及装置 | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
Naderi et al. | Multiresolution convolutional neural network for robust speech recognition | |
CN114927141B (zh) | 异常水声信号的检测方法及系统 | |
CN110865375A (zh) | 一种水中目标检测方法 | |
CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 | |
CN115691535A (zh) | 基于rnn的高信噪比语音降噪方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |