本文对机床声音信号的特征进行了统计分析研究,旨在寻找其可靠的特征向量。文中从机床声音信号的采集与预处理、信号特征向量的选择与提取,到特征向量的统计分布规律研究与识别,取得了一些重要阶段性成果。完成的主要研究工作如下:1.通过对国内外声音信号研究现状的归纳总结,论证了本文研究的必要性,提出了主要研究内容;总结了相关的数字信号处理与统计分析的一些常用方法。2.利用搭建的声音信号采集装置,采集了普通车床、数控车床、普通铣床和数控铣床空载的声音信号,共计38种型号,175台机床;共取得1026个信号样本,其中对C618型号、C6132A1型号、N091型号、N092型号和XS5040型号机床进行了重复采样。3.对上述重复采集的机床进行了逐个特征分析与提取,研究结果表明:在时幅域特征(均值、方差与自相关最大值)和频域特征(主频1到主频8,主峰1到主峰8)中,单个特征(共19个)不能有效成为机床的特征,机床正确识别率在30%以下,而将单特征进行有效组合成新的特征量,其识别率可达90%以上。4.采用数理统计分析方法,研究了同一型号多台机床的单个特征的分布规律,研究结果表明:不同型号机床的单个特征分布均服从不同的分布函数和参数;同一型号机床的单个特征分布相对比较集中与接近。5.运用因子分析(Factor Analysis)对机床特征向量进行了分析,结果表明:从碎石图(Scree Plot)观察分析,得到单个特征对机床特征贡献都非常有限,它们只是从某一个方面反映了机床特征。6.运用Fisher线性判别法和三层BP神经网络技术对多元特征向量进行处理分析,研究结果显示:随着特征量个数的增多,其能够识别出机床型号、转速的识别率也相应提高;区分机床型号的特征量组合为[时幅域、主频1~主频8]时,识别率88.3%;识别机床转速的特征量为19个单特征向量时,识别率达92%。7.鉴于信号采集和特征管理的需要,采用Access软件开发了简单易用的特征库管理系统;并利用MATLAB软件自带的GUI编程工具,设计开发了功能丰富的机床声信号识别系统,并通过实验验证了其可靠性。