CN111914721B - 一种基于线性回归及高斯阈值的加工状态识别方法 - Google Patents
一种基于线性回归及高斯阈值的加工状态识别方法 Download PDFInfo
- Publication number
- CN111914721B CN111914721B CN202010732749.0A CN202010732749A CN111914721B CN 111914721 B CN111914721 B CN 111914721B CN 202010732749 A CN202010732749 A CN 202010732749A CN 111914721 B CN111914721 B CN 111914721B
- Authority
- CN
- China
- Prior art keywords
- cutting
- mfcc
- linear regression
- data
- features
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012417 linear regression Methods 0.000 title claims abstract description 24
- 238000003754 machining Methods 0.000 title description 13
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000005520 cutting process Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000037433 frameshift Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000001260 vocal cord Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于智能制造相关技术领域,其公开了一种基于线性回归及高斯阈值的加工状态识别方法,所述方法包括以下步骤:(1)获取振动信号的MFCC特征;(2)对空转段及切削段的MFCC特征进行核密度估计以确定两个阶段的数据分布为近似正太分布,并使用n‑σ原则对比不同n值下P{X≥n×σ}内数据量的大小以确定高斯阈值,进而使用该高斯阈值,并结合移动帧对MFCC特征进行处理以获得过零点特征;(3)基于线性回归及过零点特征提取梯度特征,接着分别对空转段及切削段的梯度特征数据进行统计分析以确定各段梯度特征数据的分布区域,并确定切入及切出位置,进而完成加工状态的识别。本发明提高了识别准确度,且适用性强。
Description
技术领域
本发明属于智能制造相关技术领域,更具体地,涉及一种基于线性回归及高斯阈值的加工状态识别方法。
背景技术
大数据和智能制造赋予工业制造新的生命,指明了新的研究方向,通过多传感技术、特征工程技术和智能算法,可以实现在线、离线等切削状态的识别和相关数据特征的预测,甚至可以通过预测补偿所带来的误差,这将进一步提高机床的加工精度和加工效率,弥补机床本身的不足。目前国内外许多研究人员和科技工作者致力于相关领域的研究,取得了丰硕的成果和许多成功的经验,进一步验证了智能制造和大数据研究的可行性。
目前在制造领域,切削状态识别问题有许多,如刀具状态识别、振动状态识别、磨损状态识别等等,现阶段研究方法中,最为常见的是使用机器学习或者深度学习方法进行识别,但是这存在两个问题,一个是对于有监督学习,标签制作工程浩大,且工业数据向来庞大,标签制作难上加难;另一个是对于无监督学习,识别准确度不够,需要在人为特征工程的基础上进行,其中也含有许多超参数需要经验和试验来进行确定。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于线性回归及高斯阈值的加工状态识别方法,所述方法通过对振动数据的分析来确定MFCC特征对数据进行初步特征提取,再对MFCC特征进行分析,使用高斯阈值和移动帧方法来提取过零点特征,再对过零点特征进行分析而提取梯度特征,最后通过对梯度特征的分析识别出切入切出位置。所述方法基于对各层次数据的分析,逐步提取更加高级的特征以逐步提高对加工状态的识别准确率,特征可解释性强,准确度高,能够适应不同工况下机床加工状态的识别,泛化能力强,获得了与机床加工状态密切相关的深层次特征,在该特征上识别效果取得了相当高的准确度。同时,所述方法将线性回归和高斯阈值结合,不仅能够有效地抑制振动信号中夹杂的难以分离的噪声,而且能够重点突出主要成分,将精加工和空转清楚地分离。
为实现上述目的,按照本发明的一个方面,提供了一种基于线性回归及高斯阈值的加工状态识别方法,所述方法包括以下步骤:
(1)根据得到的敏感频段对切削加工过程中主轴的三向振动信号进行预处理以去除无关成分;
(2)选取帧长及帧移并获取振动信号的MFCC特征,将MFCC特征与时域特征及频域特征进行对比来确定该MFCC特征的有效性;
(3)对空转段及切削段的MFCC特征进行核密度估计以确定两个阶段的数据分布为近似正太分布,并使用n-σ原则对比不同n值下P{X≥n×σ}内数据量的大小以确定高斯阈值,进而使用该高斯阈值,并结合移动帧对MFCC特征进行处理以获得过零点特征;
(4)基于线性回归及过零点特征提取梯度特征,接着分别对空转段及切削段的梯度特征数据进行统计分析以确定各段梯度特征数据的分布区域,并确定切入及切出位置,进而完成加工状态的识别。
进一步地,统计空转段及切削段的梯度特征数据的分布规律,以确定切入判定阈值及切出判定阈值;接着,在梯度特征数据之上进行选定帧长及帧移的带阈值帧移动,以逐渐识别出切入位置及切出位置。
进一步地,使用n-σ原则对比不同n值下P{X≥n×σ}内数据量的大小,根据对比结果确定n值,将帧内样本MFCC数据减去高斯阈值,统计过零点样本数,以选定帧长和帧移在MFCC特征之上移动,以获得过零点特征。
进一步地,步骤(3)中采用的帧长为10ms,帧移为1。
进一步地,分析过零点特征,并观察和统计该过零点特征之上切入和切出位置梯度的变化,以获得梯度特征。
进一步地,n为1.5。
进一步地,采用三向加速度传感器测量切削过程中主轴的三向振动信号。
进一步地,对削加工中主轴的三向振动信号进行模态分析,并结合得到的模态分析结果及频谱图分析得到敏感频段。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于线性回归及高斯阈值的加工状态识别方法主要具有以下有益效果:
1.通过对振动的MFCC特征进行核密度估计,发现在相同工况下MFCC特征呈正态分布,根据正态分布的原理可知,样本数据在μ±3σ范围内的概率达99.74%,即该范围之外的数据基本可以视为加工过程中因偶然原因导致切削振动偏离主要分布范围,可视为奇异值;样本数据在μ±2σ之内的概率为95.44%,在设定阈值时不仅要考虑单一工况下数据的分布形式,更加要考虑到精加工与空转振动数据的幅值差异性,以X≥μ+1.5σ内数据的空转均值乘以接近1的一个缩放因子最为合适。
2.MFCC特征并不能较为准确的将精加工和空转振动分离,有的很小切削的振动被噪声和空转振动所淹没,为此需要进一步提取更加深层次的特征,以最大化空转和将加工特征之间的差距,为此本发明提出MFCC过零点特征,在MFCC的基础上,使用3σ原则统计过高斯阈值点数,经过此一轮筛选之后,能够清楚地将精加工和空转分离。
3.尽管通过MFCC过零点特征可以很清楚地区分精加工和空转,但是对切入和切出位置的判定仍然需要进一步处理,如果通过固定阈值则该参数变化范围过大,成为了超参数,不容易确定;为此在过零点特征基础上提取能够较为准确判断切入切出位置的特征,避免超参数带来的影响。且采用移动分帧情况下,选择合适的窗长可以使过阈值点数在切入切出位置附近出现关于帧内时间的最大和最小倾斜角。为此,在帧内使用线性回归的方法来获取梯度特征,该度特征在每个切入和切出位置都出现最大峰值。
4.梯度特征地提出大大地简化了切入切出判断过程,提高了判断的准确性,但是如何将各切削段地切入切出识别出来是至关重要的,本发明继续沿用移动分帧技术,逐渐获取梯度特征地切入切出位置。
5.所述方法基于帧移和高斯阈值的MFCC过零点特征能够有效地分离精加工状态和空转状态,梯度特征能够很好地识别出切入和切出位置,提高了识别准确性。
6.将线性回归和高斯阈值结合,不仅能够有效地抑制振动信号中夹杂的难以分离的噪声,而且能够重点突出主要成分,将精加工和空转清楚地分离。
7.所述方法基于对各层次数据的分析,逐步提取更加高级的特征以逐步提高对加工状态的识别准确率,特征可解释性强,准确度高,能够适应不同工况下机床加工状态的识别,泛化能力强,获得了与机床加工状态密切相关的深层次特征,在该特征上识别效果取得了相当高的准确度。
附图说明
图1是本发明提供的基于线性回归及高斯阈值的加工状态识别方法的流程示意图;
图2中的(a)、(b)分别是简单降噪处理后振动信号数据图和加工末端振动信号局部放大图;
图3的(a)、(b)分别是MFCC特征图及其局部放大图;
图4中的(a)、(b)分别是空转和切削阶段MFCC特征和密度估计图(红色为标准正态分布曲线,黑色为核密度估计曲线);
图5中的(a)、(b)、(c)、(d)分别是在MFCC基础之上,根据不同σ值对空转数据量分布差异对比图;
图6中的(a)、(b)分别是MFCC特征和过零点特征对比图及其局部放大对比图;
图7中的(a)、(b)分别是过零点特征和梯度特征对比图及其局部放大对比图;
图8中的(a)、(b)分别是MFCC特征、过零点特征、梯度特征、切入和切出对比图及其局部放大对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的基于线性回归及高斯阈值的加工状态识别方法,所述方法充分地考虑振动信号与声音信号之间的关联性,采用成熟的MFCC特征来实现对振动信号特征的初步提取,为实现机床加工状态的准确识别奠定了基础。同时得到的结果也验证了以上方法的可靠性,所提出的基于帧移及高斯阈值的MFCC过零点特征能够有效地分离精加工状态和空转状态,梯度特征能够很好地识别出切入和切出,这为相类似的状态识别问题提供了新的依据。
切削加工无论空转还是精加工,都会有属于自己的独特响声,而不同响声对应着不同的振动,因为正是因为刀具和工件的相互作用导致刀具和主轴的振动,而这也将产生相应的声音,振动和声音之间存在很强的线性相关性,故对振动进行MFCC特征提取是切实可行的,且在本专利中进行了证实。
加工状态的识别一直以来是一个切实存在难点,尤其是精加工和空转的识别是重中之重,这一问题的解决将有利于促进自动化生产加工的发展。加工振动信号是加工状态分析中常用的分析对象,相比声发射、主轴电流、进给电流、切削力等信号,其更容易采集和获取、成本较低且和机床加工状态相关性更高,噪声相对而言也更容易处理。针对本发明所要解决的问题,加工和空转所产生的声音是在人耳能够企及的频率范围内,而振动时发声的前提,两者存在很大的线性相关性。为进一步呈现出空转和加工之间振动特征的区别,在MFCC特征的基础上,根据分析结果提出了更具表现力的过零点特征和梯度特征,在梯度特征上可以更加清楚地辨别出加工段的切入和切出,大大提升了识别精度且更具实用性。
请参阅图1,本发明提供的基于线性回归及高斯阈值的加工状态识别方法主要包括以下步骤:
步骤一,数据获取、分析及初步预处理。
具体地,以三向加速度传感器测量机床主轴振动信号,并对振动信号进行时域分析及频域分析,进而结合模态分析方法确定数据预处理方法,并对得到的振动信号数据进行初步降噪处理。
本实施方式中,以瑞士KISTLER公司的9257B型三向动态压电式测力仪采集切削加工过程中主轴的三向振动信号,通过LMS采集仪对实验机床进行模态分析,确定前八阶模态所在频段,结合频谱图分析出切削过程主要敏感频段,根据分析结果对振动信号进行初步预处理,去除明显的无关成分,提升信噪比,预处理后振动信号及其局部放大图如图2所示。
步骤二,MFCC特征提取及分析
具体地,选取帧长及帧移以获取振动信号的MFCC特征,将MFCC特征与常用时域特征及频域特征进行对比来确定该MFCC特征的有效性。
MFCC特征是声学特征中极为重要的一个,该特征与人体声谱图有很大的关联性,能够提取人类声音信号中独特的成分,在消除无关成分之余保留声音中的特有属性,其步骤如下:
1)预加重
预加重在语音处理中能够去除声带和嘴唇造成的效应,弥补信号受影响的高频部分,突出高频的共振峰,通过增大高频部分权重来保全高频部分,而切削加工中高频振动亦是重要的特征。
2)加窗
以汉明窗平滑振动信号,该窗不仅可以减小旁瓣大小,还能弱化频谱泄露。
3)频率转换
将时域振动信号转换至频域,为后续频率分析做好铺垫,对信号的描述往往是频域更能够反映出信号中的独特性质。
4)梅尔刻度滤波器处理和DCT变换
mel(f)=2595×log10(1+f/700)
梅尔频率是梅尔滤波器重要的部分,它可以将不统一的频率转化为统一的频率,在该频域内,人对音调的感知度是线性的。通过一组Mel滤波器获得Mel频谱,然后对该频率取对数,在此基础上进行倒谱分析,获得倒谱系数,获得MFCC特征,如图3所示,与图2相同位置信号局部放大图相比该特征能够更加清楚地反映切削段和空转段,但在一轮切削结束仍然很模糊。
对MFCC特征空转段和切削段信号进行核密度估计,如图4所示,红色为标准正态分布曲线,黑色为核密度估计曲线,背景为分布直方图,从图中可以看出在MFCC特征下,空转段和切削段稳定数据近似服从正态分布。
步骤三,高斯阈值的确定
具体地,对稳定空转段及切削段MFCC特征进行核密度估计,确定两个阶段数据分布为近似正太分布,使用n-σ原则,对比不同n值下P{X≥n×σ}内数据量的大小以确定高斯阈值,并使用该高斯阈值,结合移动帧对MFCC特征进行处理来获得过零点特征。
稳定空转段和切削段的MFCC特征服从正态分布,因此可以使用滑动窗和高斯阈值来进一步提取深层次特征。如图5所示,根据正态分布n-σ原则,分别取不同n值,观察在P{X≥n×σ}内的数据量,由图可知n≥2时在X≥n×σ区域内的数据量十分稀少,而如果以这些数据均值作为阈值会导致过阈值的样本数量十分大,导致识别准确率下降,而当n为1.5最为合适,将其范围内样本均值作为阈值,可以乘以一个十分接近1的系数加以上下调整,该系数在[0.95-1.05]之间,范围十分有限。
步骤四,过零点特征的提取
具体地,根据分析结果,确定n值,将帧内样本MFCC数据减去阈值,统计过零点样本数,以既定帧长和帧移在MFCC特征之上移动,获得过零点特征。
本实施方式中,以步骤三种确定的阈值为帧内阈值进行帧移动,将样本减去阈值,统计帧内过零点样本数,以此获得过零点特征,如图6所示,相比MFCC特征,过零点特征更能清楚地反应切削段与空转段差异,尤其是精加工段更加明显。
步骤五,基于线性回归的梯度特征提取
具体地,分析过零点特征,观察和统计该特征之上切入和切出位置梯度的变化,获得梯度特征,观察梯度特征之上切入点和切出点的特点。
本实施方式中,过零点特征可以清晰地区分加工段和空转段,但切入切出判断仍然不容易,从该特征上可以观察到只有切入切出段数据上升很快,梯度很大,只要取合适的帧长,便可获得切入切出的较为准确位置,且当以10ms为帧长,1为帧移最为合适,获得梯度特征,如图7所示。
步骤六,分别对空转段及切削段梯度数据进行统计分析,以确定各段数据的分布区域,进而确定切入和切出位置。
具体地,统计空转和切削段的梯度特征数值分布规律,确定切入判定阈值和切出判定阈值;在梯度特征数据之上,进行既定帧长和帧移的带阈值帧移动,逐渐识别出切入位置和切出位置索引,绘制出数据图,进而完成加工状态识别。
从图7中可以发现梯度在[-1,1]之内,切入切出位置梯度最大,根据对数据的统计,空转梯度极大值在0.25以下,极小值在-0.3以下,故可设定高斯上下阈值分别为0.25和-0.3进行帧移动,将切入切出识别出来,具体流程图如图1所示。图8中上方图为与图2、3、4相同位置局部放大图,从图中可以看出,本发明算法能够准确识别出切入切出位置,针对小切削量亦有很强的识别能力,下方图为整体图。
综上所述,本发明通过提取对数据的逐层分析和统计,逐步提取更具表现力和更能体现不同数据间的差异性的特征,使对机床加工状态识别准确度大大提升。此外,本发明方法不仅仅可用于机床加工状态的识别,亦可用于相似数据分布领域状态识别。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于线性回归及高斯阈值的加工状态识别方法,其特征在于,该方法包括以下步骤:
(1)根据得到的敏感频段对切削加工过程中主轴的三向振动信号进行预处理以去除无关成分;
(2)选取帧长及帧移并获取振动信号的MFCC特征,将MFCC特征与时域特征及频域特征进行对比来确定该MFCC特征的有效性;
(3)对空转段及切削段的MFCC特征进行核密度估计以确定两个阶段的数据分布为近似正太分布,并使用n-σ原则对比不同n值下P{X≥n×σ}内数据量的大小以确定高斯阈值,进而使用该高斯阈值,并结合移动帧对MFCC特征进行处理以获得过零点特征;
(4)基于线性回归及过零点特征提取梯度特征,接着分别对空转段及切削段的梯度特征数据进行统计分析以确定各段梯度特征数据的分布区域,并确定切入及切出位置,进而完成加工状态的识别;其中,分析过零点特征,并观察和统计该过零点特征之上切入和切出位置梯度的变化,以获得梯度特征。
2.如权利要求1所述的基于线性回归及高斯阈值的加工状态识别方法,其特征在于:统计空转段及切削段的梯度特征数据的分布规律,以确定切入判定阈值及切出判定阈值;接着,在梯度特征数据之上进行选定帧长及帧移的带阈值帧移动,以逐渐识别出切入位置及切出位置。
3.如权利要求1所述的基于线性回归及高斯阈值的加工状态识别方法,其特征在于:使用n-σ原则对比不同n值下P{X≥n×σ}内数据量的大小,根据对比结果确定n值,将帧内样本MFCC数据减去高斯阈值,统计过零点样本数,以选定帧长和帧移在MFCC特征之上移动,以获得过零点特征。
4.如权利要求1所述的基于线性回归及高斯阈值的加工状态识别方法,其特征在于:步骤(3)中采用的帧长为10ms,帧移为1。
5.如权利要求1-4任一项所述的基于线性回归及高斯阈值的加工状态识别方法,其特征在于:n为1.5。
6.如权利要求1-4任一项所述的基于线性回归及高斯阈值的加工状态识别方法,其特征在于:采用三向加速度传感器测量切削过程中主轴的三向振动信号。
7.如权利要求1-4任一项所述的基于线性回归及高斯阈值的加工状态识别方法,其特征在于:对切削加工中主轴的三向振动信号进行模态分析,并结合得到的模态分析结果及频谱图分析得到敏感频段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732749.0A CN111914721B (zh) | 2020-07-27 | 2020-07-27 | 一种基于线性回归及高斯阈值的加工状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732749.0A CN111914721B (zh) | 2020-07-27 | 2020-07-27 | 一种基于线性回归及高斯阈值的加工状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914721A CN111914721A (zh) | 2020-11-10 |
CN111914721B true CN111914721B (zh) | 2024-02-06 |
Family
ID=73281448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010732749.0A Active CN111914721B (zh) | 2020-07-27 | 2020-07-27 | 一种基于线性回归及高斯阈值的加工状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914721B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007079072A (ja) * | 2005-09-13 | 2007-03-29 | National Institute Of Advanced Industrial & Technology | 音声認識方法および音声認識装置 |
CN106782505A (zh) * | 2017-02-21 | 2017-05-31 | 南京工程学院 | 一种基于放电声音识别高压开关柜状态的方法 |
CN109746765A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于累积和控制理论的刀具失效状态监测方法 |
-
2020
- 2020-07-27 CN CN202010732749.0A patent/CN111914721B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007079072A (ja) * | 2005-09-13 | 2007-03-29 | National Institute Of Advanced Industrial & Technology | 音声認識方法および音声認識装置 |
CN106782505A (zh) * | 2017-02-21 | 2017-05-31 | 南京工程学院 | 一种基于放电声音识别高压开关柜状态的方法 |
CN109746765A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于累积和控制理论的刀具失效状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111914721A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111037365A (zh) | 基于生成式对抗网络的刀具状态监测数据集增强方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN1773605A (zh) | 一种应用于语音识别系统的语音端点检测方法 | |
Li et al. | Tool breakage detection using deep learning | |
CN108723895B (zh) | 一种用于钻削加工状态实时监测的信号分割方法 | |
CN111651728B (zh) | 一种辨识实测风速非平稳性与非平稳度的方法 | |
CN111540368B (zh) | 一种稳健的鸟声提取方法、装置及计算机可读存储介质 | |
Wu et al. | Envelope harmonic noise ratio based adaptive kurtogram and its application in bearing compound fault identification | |
CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN113421586A (zh) | 梦呓识别方法、装置和电子设备 | |
CN114295195B (zh) | 基于特征提取的光纤传感振动信号的异常判断方法和系统 | |
CN111914721B (zh) | 一种基于线性回归及高斯阈值的加工状态识别方法 | |
CN109490776B (zh) | 一种基于机器学习的手机振动马达良次品检测方法 | |
CN112666430B (zh) | 变压器声纹智能故障检测方法及系统 | |
CN102680080B (zh) | 一种基于改进的自适应形态滤波的非稳态信号检测方法 | |
CN114420161A (zh) | 一种基于音频特征的工程车辆工况识别方法 | |
CN114114400A (zh) | 微地震事件有效信号拾取方法 | |
CN109577393B (zh) | 基桩检测中超声波形首波智能判读方法和系统 | |
CN118091341A (zh) | 一种基于多声纹特征谱图识别的电缆局放检测方法及系统 | |
CN115555920B (zh) | 基于自适应变分模态分解的在线颤振检测方法及系统 | |
Kou et al. | Research on feature Optimization algorithm of Optical Fiber Sensor recognition system | |
CN111079344B (zh) | 一种纸页柔软度测量方法及系统 | |
US20230358630A1 (en) | Boundary adaptive structural fatigue damage detection method driven by time-domain information entropy | |
CN117889945B (zh) | 一种公路桥梁施工振动测试方法 | |
CN116481807A (zh) | 一种基于短时自相关的轴承故障声发射事件提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |