[發明專利]一種基于聽覺感知的電動沖擊批零件缺損的檢測方法

有效

• 申請號: 202010711105.3
• 申請日: 2020-07-22
• 公開（公告）號: CN111898508B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 蘇海濤;景亞鵬;徐翠鋒;陳治伃;黃湖;郭慶;胡鴻志
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01M99/00;G10L25/51
• 代理公司: 南寧東智知識產權代理事務所(特殊普通合伙) 45117
• 代理人: 巢雄輝;裴康明

1.一種基于聽覺感知的電動沖擊批零件缺損的檢測方法，其特征在于：包括以下步驟：

S1：使用傳聲器采集電動沖擊批打滑狀態的聲音信號，設傳聲器的采樣頻率為f_s，單位為Hz；聲音信號時長為T，單位為s；按照德國DIN45631/A1標準對聲音信號計算各個頻帶的時變特征響度v(n,z_i)，其中n是指將信號時長T按照2ms為分度劃分的點數；i是指將24個臨界頻帶Bark按照0.1Bark為分度劃分為240個子頻帶，i為對應的頻帶號，i＝1,2,…,240；z_i為心理聲學的24個臨界頻帶Bark的頻率尺度；

S2：計算時變特征響度v(n,z_i)各頻帶的能量占整個頻帶的總能量的比值η(z_i)以及η(z_i)中最大值η(z_i)_max，得到η(z_i)_max對應的頻帶號i：

η(z_i)_max＝max[η(z_i)]；(4)

其中N(z_i)是指第i個子頻帶的能量，N_total是指整個頻帶的總能量；

S3：對各頻帶的時變特征響度v(n,z_i)作離散傅里葉變換DFT處理后得r(k_z,z_i)，求取經離散傅里葉變換DFT處理后的時變特征響度r(k_z,z_i)各頻帶的能量信息熵E(z_i)：

其中，k_z是指頻率信息；為向下取整運算符；

S4：對時變特征響度r(k_z,z_i)各頻帶的能量信息熵E(z_i)進行多項式擬合，得到信息熵權重系數g(z_i)；

g(z_i)＝a₀+a₁*E(z_i)+a₂*E(z_i)^2+a₃*E(z_i)^3+a₄*E(z_i)^4+a₅*E(z_i)^5； (7)

其中a＝[a₀,a₁,a₂,a₃,a₄,a₅]為多項式擬合系數；

S5：利用人耳聽覺的非線性作用，求取信息熵權重下的時變特征響度s(n,z_i)，即各頻帶時變特征響度乘以對應頻帶的信息熵權重系數：

s(n,z_i)＝v(n,z_i)·g(z_i)； (8)

S6：對s(n,z_i)進行運算，得到信息熵權重下的時變響度x(n)；

S7：對x(n)作離散傅里葉變換DFT得到y(f)；并計算|y(f)|中[c,d]頻帶內的峰均比e，具體方法為：

查找[c,d]頻帶內|y(f)|的幅值最大值A₁和對應頻率f₁，分別計算下臨界頻點f₂和上臨界頻點f₃為：

|y(f)|是幅值譜，表征信號的幅值隨頻率f的分布情況，Δf是擴展常數，表征最大值所在波峰的統計半寬；

計算頻帶[c,f₂]和[f₃,d]內|y(f)|的平均值A₂，則峰均比e為：

S8：將各頻帶的能量占整個頻帶的總能量的比值中的最大值η(z_i)_max、對應頻帶號i、峰均比e和頻率f₁構造輸入特征向量m＝[η(z_i)_max,i,e,f₁]^T；

S9：重復步驟S1-S8，得到若干個特征向量，劃分為訓練樣本集和測試樣本集；

S10：利用邏輯回歸分類模型，將訓練樣本集中的各個特征向量m作為邏輯回歸分類模型的輸入，對邏輯回歸分類模型進行訓練；

S11：將測試樣本集中的各個特征向量m送到已經訓練好的邏輯回歸分類模型中進行分類，當得到的預測概率小于等于0.5時，即認為該樣本為零件缺損樣本；當得到的預測概率是大于0.5，即認為該樣本為合格樣本。