[发明专利]基于卷积神经网络和MFCC的颤振识别方法和系统

说明书

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。

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。