[发明专利]基于卷积神经网络和MFCC的颤振识别方法和系统

权利要求书

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。