首页 > 专利信息

用于工件质量控制的方法和系统与流程

1.本发明涉及一种用于提供执行工件质量控制的经训练的函数的计算机实施的方法。
2.此外，本发明涉及一种用于执行工件质量控制的计算机实施的方法。
3.此外，本发明涉及用于提供经训练的函数的计算机程序和用于执行工件质量控制的计算机程序。
4.此外，本发明涉及一种用于提供执行工件质量控制的经训练的函数的系统以及一种用于执行工件质量控制的系统。

背景技术：

5.在现有技术的解决方案中，来自参考工件的数据被用于到信号的可接受范围的阈值。在生产期间，使用那些阈值，并且当信号超过阈值时，警报将指示在工件中发生的质量偏差。这需要信号的精确预处理(例如滤波等)，这需要本领域的技术知识。
6.因此，需要提供减少专家出席的人数和数据处理(例如预处理、滤波等)的数量的方法和系统。

技术实现要素：

7.为了实现上述目的，本发明提供了一种用于提供用于执行工件质量控制的经训练的函数的计算机实施的方法，该方法包括：
8.－接收多个训练高频加工数据集，其中，不同的训练高频加工数据集代表不同的质量良好的工件的质量，
9.－将多个训练高频加工数据集变换为时频域上的多个数据集，以实现多个训练时频域数据集，
10.－基于多个训练时频域数据集训练函数，其中，该函数基于自动编码器，其中，该自动编码器包括至少一个输入层、至少一个输出层和隐藏层，其中，该训练包括：
11.*为该输入层和该输出层提供多个训练时频域数据集中的每一个训练时频域数据集，
12.－提供经训练的函数。
13.应当理解，出于训练的目的，能够选择预定质量的工件。操作者选择质量良好的工件，例如，就其质量进行测试并通过其它质量测试的工件。优选地，操作者仅选择那些质量良好的工件。
14.使用自动编码器－无监督机器学习算法－能够减少专家出席和/或输入的需要。
15.高频数据集通常包括以极精细级别收集的时间序列数据。“极精细”意指毫秒，例如1至50毫秒，特别地为1至40毫秒，更特别地为1至30毫秒。在一个实施例中，数据(用于训练目的或用于工件的质量分析目的)能够每2毫秒采样一次。
16.每个高频加工数据集代表工件的质量。相应的时间序列数据能够是信号的形式，
其通过测量参数生成，例如主轴转矩、主轴马达电流、控制偏差信号等。测量的参数能够由用户/操作者选择。
17.在一个实施例中，自动编码器能够是变分自动编码器(vae)，并且训练能够包括指定隐藏层的统计分布。使用vae具有进一步减少专业知识的数量的优势。
18.在一个实施例中，统计分布能够是正态分布，例如具有零平均值和等于1的方差的正态分布。在一个实施例中，统计分布能够是均匀分布。
19.在一个实施例中，训练高频加工数据集能够基于时间序列cnc加工数据。
20.在一个实施例中，能够通过小波变换来执行变换。
21.在一个实施例中，变换每个训练高频加工数据集。
22.如果自动编码器是递归神经网络，例如长短期记忆网络，则能够获得良好结果。
23.此外，上述目的通过提供一种用于执行工件质量控制的计算机实施的方法来实现，该方法包括：
24.－接收高频加工数据，其中，高频加工数据集代表工件的质量，例如该高频加工数据集是基于时间序列cnc加工数据，
25.－将该高频加工数据集变换成时频域上的数据集，以获得时频域数据集，
26.－将包括隐藏层的经训练的自动编码器函数应用于时频域数据集，其中，生成自动编码器函数的隐藏层中的数据，
27.－基于在自动编码器函数的隐藏层中生成的数据来分析至少一个工件的质量，
28.－提供分析的结果。
29.在工件质量监控中使用自动编码器能够捕捉数据中存在的非线性，降低误警率和误检率。
30.在一个实施例中，自动编码器能够包括具有输入层的编码器和具有输出层的解码器。
31.在一个实施例中，编码器和解码器能够包括附加层。对于复杂的情况，增加更多的层能够帮助获得更好的结果。
32.在一个实施例中，该方法还能够包括对其它工件重复所述步骤。
33.在一个实施例中，具有用于隐藏层的指定的统计分布的变分自动编码器(vae)能够被用于工件质量控制。在这种情况下，分析至少一个工件的质量能够包括将在vae的隐藏层中生成的数据与指定的统计分布进行比较。用户或操作者不需要设置参数来使用vae，并且其对专业知识的依赖性甚至更小。
34.在一个实施例中，统计分布能够是正态分布，例如平均值等于零且方差等于1的正态分布，或均匀分布。
35.在一个实施例中，能够通过小波变换来执行变换。使用小波变换能够减少对数据滤波和预处理的需要。
36.在一个实施例中，自动编码器能够是递归神经网络(rnn)，更特别地，是长短期记忆(lstm)网络。
37.上述目的还通过提供一种用于提供经训练的函数的计算机程序来实现，该计算机程序包括指令，当程序由计算平台执行时，该指令使计算平台执行所述训练方法。
38.上述目的还通过提供一种用于执行工件质量控制的计算机程序来实现，该计算机
程序包括指令，当该程序由计算平台执行时，该指令使该计算平台执行所述工件质量控制方法。
39.所述计算机程序能够被设计为app，例如云app。在一个实施例中，被测量以获得高频数据集的上述参数能够由app用户选择。这包括训练和利用(工件质量控制分析)方法的更多变化。
40.上述目的还通过用于提供用于执行工件质量控制的经训练的函数的(训练)系统来实现，该系统包括：
41.－第一训练接口，例如边缘计算设备，该第一训练接口被配置用于接收多个训练高频加工数据集，其中，不同的训练高频加工数据集代表不同工件的质量，
42.－第二训练接口，例如计算系统，更特别地，一个或多个服务器，例如pc和/或云服务器，该第二训练接口被配置用于提供经训练的函数，
43.－训练计算装置，例如计算系统，更特别地，一个或多个服务器，例如pc和/或云服务器，该训练计算装置被配置用于
44.*将多个训练高频加工数据集变换为时频域上的多个数据集，以获得多个训练时频域数据集，
45.*基于多个训练时频域数据集训练函数，其中，该函数基于自动编码器，其中，该自动编码器包括至少一个输入层、至少一个输出层和隐藏层，其中，该训练包括
46.为至少一个输入层和至少一个输出层提供训练时频域数据集。
47.上述目的还通过一种用于执行工件质量控制的(分析)系统来实现，该系统包括：
48.－第一接口，例如边缘计算设备，该第一接口被配置用于接收高频加工数据集，其中，该高频加工数据集代表工件的质量，特别地说，该高频加工数据集是基于时间序列cnc加工数据，
49.－第二接口，该第二接口被配置用于提供分析结果，例如人机界面(hmi)，特别是cnc控制面板、pc、移动设备，特别是智能手机或平板等。
50.－计算装置，例如边缘计算设备、pc、服务器、云服务器等，该计算装置被配置用于
51.*将高频加工数据集变换为时频域上的数据集，以获得时频域数据集，
52.*将包括隐藏层的经训练的自动编码器函数应用于时频域数据集，其中，生成自动编码器函数的隐藏层中的数据，
53.*基于在自动编码器函数的隐藏层中生成的数据来分析至少一个工件的质量。
54.这种系统能够提高工业机器，尤其是cnc机器的效率和性能。
55.在一个实施例中，第一接口能够进一步被配置用于从另外的工件接收高频加工数据集，并且计算装置能够进一步被配置用于重复所述步骤以执行另外的工件的质量控制。
56.在一个实施例中，能够提供一种计算机可读的、特别是非瞬态的介质，该介质包括指令，当由分析/训练系统执行该介质时，这些指令致使该分析/训练系统执行所述方法中的至少一种方法。
附图说明
57.结合附图，考虑到以下详细描述，本发明的上述和其它目的和优点将显而易见，在附图中，相同的附图标记始终表示相同的部件，其中：
58.图1示出了用于提供用于执行工件质量控制的经训练的函数的计算机实施的方法的实例的流程图，
59.图2示出了自动编码器的结构的实例，
60.图3示出了用于执行工件质量控制的计算机实施的方法的实例的流程图，
61.图4示出了根据图3的方法执行的分析结果的实例，
62.图5示出了训练系统的实例，以及
63.图6示出了分析系统的实例。
具体实施方式
64.转到图1，示出了用于提供用于执行工件质量控制的经训练的函数的计算机实施的方法的实例的流程图。
65.在第一步骤中，接收100训练高频加工数据集。训练高频加工数据代表来自质量良好的工件或参考工件的加工数据，例如加工信号。
66.接收100能够借助于第一接口来执行，该第一接口例如能够被设计为边缘计算设备。在本发明的实施例中，训练高频加工数据集能够基于时间序列cnc(计算机化数控)加工数据。在一个实施例中，加工数据能够包括多个时间序列加工信号101，其中，在x轴上描绘了以秒为单位的时间，然后y轴表示主轴转矩。时间序列加工信号101包括例如主轴转矩的测量量的测量值(粗黑线)和测量值的可接受范围(粗黑线周围的灰区域)。为了获得加工信号101，每2毫秒从相应的机器传感器采样数据。应当理解，其他采样间隔也是可行的，例如5、10、15ms等，并且能够测量其他参数，例如主轴马达电流、控制偏差信号等。
67.然后将训练数据集变换200为时频域上的数据集，以获得训练时频域数据集。在一个实施例中，能够通过小波变换对来自训练数据集的1d高频时间序列加工信号进行变换。图1中示出了时频域中的变换信号201(2d信号)的实例。x坐标轴是以秒为单位的时间。y坐标轴是以赫兹(hz)为单位的频率。能够理解的是，时间轴例如能够被转化成路径轴，其中，路径是工具在工件上行进以执行操作的距离。
68.时频域201上的参考信号用于训练300自动编码器函数310。为自动编码器310的输入层311和输出层312给出(2d)训练信号(见图2)，以便对其进行训练。
69.高频时间序列数据(1d信号)的变换200和编码器的训练300能够通过计算装置、计算单元、计算平台来执行。在一个实施例中，(未经训练的或经训练的)自动编码器能够存储在计算平台上，或者例如存储在计算装置的存储器中。
70.在训练了自动编码器之后，提供400经训练的自动编码器。提供400经训练的自动编码器能够通过第二接口来执行。提供经训练的自动编码器能够包括例如通知机器(例如cnc机器)的操作者自动编码器已经经过训练并且准备好使用。通知能够以各种方式执行。例如，操作者能够经由或作为他/她的移动设备上的推送消息或作为cnc控制面板上的警报来接收通知。
71.转到图2，示出了自动编码器310的结构的实例。自动编码器310包括输入层311、输出层312和隐藏层314。变量x1,...x5能够被馈送到输入层311的神经元中，并且变量x
11
,...x
15
是输出层312的馈送中间神经元。能够在(中间)层313之一中生成输入数据的简化表示，该(中间)层包括隐藏层314和可选地一个或多个卷积层。隐藏层314能够具有最小数量
的神经元。
72.变量x1,...,x5能够表示单个信号。如上所述，在现有技术解决方案中，必须为每个单个信号x1,...,x5到可接受范围的阈值。这需要信号的精确预处理(例如给定的滤波等)，这需要领域内的专业知识。
73.使用自动编码器310降低了问题的复杂度，因为在信号简化表示的情况下，只为隐藏层314(神经元处的数据)到阈值。
74.如果自动编码器是递归神经网络(rnn)，更特别地是长短期记忆(lstm)网络，则能够获得良好结果。
75.在一个实施例中，自动编码器310能够是变分自动编码器(vae)。在这种情况下，在编码器的训练300期间指定隐藏层314的统计分布。
76.在一个实施例中，自动编码器310能够包括编码器和解码器，其中，编码器能够包括一个或多个层，解码器能够包括一个或多个层。隐藏层也能够包括一个或多个层。在一个实施例中，隐藏层的层能够包括两个神经元。输入层311和输出层312能够包括32个神经元。
77.在一个实施例中，统计分布能够是正态分布。如果正态分布的平均值等于零并且其方差等于1，即n(0，1)，则能够获得良好结果。统计分布例如能够是均匀分布。
78.在一个实施例中，提供了(训练)计算机程序。该计算机程序包括指令，当所述程序由计算平台执行时，这些指令使计算平台执行如上所述的用于提供经训练的自动编码器的方法。计算平台能够包括边缘计算设备、云计算设备、智能手机、pc等。计算机程序能够被设计为在边缘设备或云服务器上运行的app。
79.转到图3，示出了用于执行工件质量控制的计算机实施的方法的实例的流程图。
80.在第一步骤中，接收120来自至少一个工件的高频加工数据集。例如，能够为当前正在处理的工件收集高频加工数据集。特别地，高频加工数据集能够基于在加工工件时收集的时间序列cnc加工数据。
81.在第二步骤中，将高频加工数据集变换220为时频域上的数据集，以获得时频域数据集。当工件的处理完成、收集相应的数据、并且接收120高频加工数据集时，能够执行该变换220。在一个实施例中，变换220能够通过小波变换来执行。使用小波变换能够减少对数据滤波和预处理的需要。
82.在第三步骤中，将经训练的自动编码器函数应用320到时频域数据集。经训练的自动编码器函数能够是由关于图1和图2描述的训练方法提供的自动编码器函数310。
83.经训练的自动编码器函数包括隐藏层。当经训练的自动编码器函数应用于时频域数据集时，生成自动编码器函数的隐藏层314中的数据。
84.此外，执行420基于在自动编码器函数310的隐藏层314中生成的数据对至少一个工件的质量的分析。
85.例如，能够基于领域内的专业知识来确定表示隐藏层中的时频域信号的阈值。
86.在一个实施例中，自动编码器能够是具有用于隐藏层的指定的统计分布的变分自动编码器vae。在这种情况下，能够通过将在自动编码器函数310的隐藏层314中生成的数据(实际统计分布)与指定的统计分布进行比较来执行对至少一个工件的质量的分析。所有质量良好的工件将产生(在隐藏层314中的)降维的信号，该信号遵循指定的统计分布，而质量差的工件将具有与参考(指定)分布相比的偏差。
87.在一个实施例中，指定的统计分布能够是正态分布，特别是平均值等于零且方差等于1的正态分布，或均匀分布。
88.如果自动编码器310是递归神经网络(rnn)，特别是长短期记忆(lstm)网络，则能够获得令人惊讶的良好结果。
89.在下一步骤中，提供520分析结果。在一个实施例中，如果所分析的工件不能被验证为质量良好的工件，则提供520能够包括警告机器(例如cnc机器)的操作者。
90.在这种情况下，操作者能够接收警报(在cnc控制面板上)、(在他/她的移动设备，例如智能手机上)、推送消息(在他/她的移动设备，例如智能手机上)等，它们通知他/她所分析的工件看起来质量差并且需要被进一步研究。
91.在一个实施例中，该方法能够包括对其它工件重复步骤120至520的另一步骤。
92.分析的结果能够是工件良好或否则需要进一步研究的评估。
93.在一个实施例中，提供了一种计算机程序。该计算机程序包括指令，当该程序由计算平台执行时，指令使该计算平台执行如上所述的用于执行工件质量控制的方法。计算平台能够包括边缘计算设备、云计算设备、智能手机、pc等。计算机程序能够被设计为在边缘设备或云服务器上运行的app。
94.图4示出了这种分析的结果。这里将期望分布设置为具有零平均值和单位方差的二元高斯分布。来自20个工件的数据被用于训练变分自动编码器函数。为了监控/执行质量控制，使用一组数据(包含来自质量良好和质量差的工件的数据)。结果表明，vae能够以良好的性能/精度区分质量良好和质量差的工件。这表明该方法在仅有少量(30、20或更少)训练样本的情况下执行良好。
95.转到图5，示出了用于提供用于执行工件质量控制的经训练的函数的(训练)系统1的实例。在一个实施例中，系统1能够包括例如用于铣削、钻孔等的工业机器10。工业机器10能够承载频率转换器装置11。在一个实施例中，频率转换器装置11能够包括两个或多个独立单元(图5和图6示出了例如两个独立单元)。在一个实施例中，频率转换器装置11能够被安排在工业机器10上或与工业机器10分开定位。该系统还能够包括计算设备12，例如边缘计算设备以及训练计算系统13，其能够基于计算平台，更特别地说，基于云计算平台。工业机器10、频率转换器装置11、计算设备12以及训练计算系统13被配置用于经由数据链路彼此连接。用箭头示出了示例性数据流。
96.高频时间序列训练数据14从频率转换器装置11发送到计算设备12。高频时间序列训练数据14到时频域的变换能够例如由计算设备12或由训练计算系统13来执行。上述训练计算机程序能够存储在训练计算系统13上。训练计算系统13能够位于与工业机器10相同的工业工厂中，或者部分地(其能够连接到云服务器)或完全地位于云中。
97.在由训练计算系统13训练自动编码器310之后，能够在计算设备12上部署经训练的自动编码器15。
98.转到图6，示出了用于执行工件质量控制的系统2的实例。
99.系统2能够包括工业机器10、频率转换器装置11、图1的计算设备12以及分析计算系统23，它们被配置用于经由数据链路彼此连接。用箭头示出了示例性数据流。分析计算系统23能够基于计算平台，更特别地，基于云计算平台。
100.来自当前正被分析的工件的高频时间序列数据24从频率转换器装置11发送到计
算设备12。高频时间序列数据24到时频域的变换能够例如由计算设备12或由分析计算系统23来执行。
101.上述用于进行用于执行工件质量控制的方法的计算机程序能够存储在分析计算系统23或计算设备12上，并且能够由分析计算系统23远程访问。分析计算系统23能够位于与工业机器10相同的工业工厂中，或者部分地(其能够连接到云服务器)或完全地位于云中。分析计算系统23能够包括用于操作计算机程序的人机界面或用户界面。
102.经训练的自动编码器15能够存储在计算设备12上。
103.分析工件的结果能够通过分析计算系统23显示。分析计算系统23能够包括用于显示所执行的质量分析的结果的移动设备。能够通过警报、、推送消息等向操作者通知所分析的工件的状态。能够以交通灯方式设计通知(参见图6)。每种颜能够对应于工件的特定质量。
104.如上所述，为了提供训练数据或用于分析工件质量的数据而测量的参数类型能够在训练过程期间或在分析之前或分析期间选择。
105.例如，参数的选择能够由操作者在他的智能手机上的app中执行。app能够包括训练模式(用于训练和自动编码器函数)和分析模式(用于分析加工中的工件)。
106.出于说明而非限制的目的呈现本公开的上述实施例。特别地，关于附图描述的实施例仅是介绍部分中描述的实施例的几个实例。
107.上述根据本发明的要求保护的提供的系统以及所要求保护的方法描述了根据本发明的解决方案。这里的特征、优点或可替换实施例能够被分配给其他要求保护的目的，反之亦然。换言之，用于提供系统的权利要求能够通过在方法的上下文中描述或要求保护的特征来改进。在这种情况下，该方法的功能特征由提供系统的目标单元实现。
108.此外，在下文中，针对用于训练自动编码器函数的方法和系统以及针对用于执行工件质量控制的方法和系统来描述根据本发明的解决方案。这里的特征、优点或可替换实施例能够被分配给其他要求保护的对象，反之亦然。换言之，用于训练自动编码器函数的方法和系统的权利要求能够通过在用于执行质量分析的方法和系统的上下文中描述或要求保护的特征来改进，反之亦然。
109.特别地，用于检查工件质量的方法和系统的经训练的自动编码器函数(算法)能够通过用于训练的方法和系统来调整。此外，输入数据能够包括训练输入数据的有利特征和实施例，反之亦然。此外，输出数据能够包括输出训练数据的有利特征和实施例，反之亦然。
110.权利要求中使用的附图标记仅出于清楚的目的，而不应被认为是权利要求的限制部分。

技术特征：

1.一种用于提供用于执行工件质量控制的经训练的函数的计算机实施的方法，所述方法包括：－接收(100)多个训练高频加工数据集(101)，其中，不同的训练高频加工数据集代表不同的质量良好的工件，－将所述多个训练高频加工数据集(101)变换(200)成时频域上的多个数据集，以获得多个训练时频域数据集(201)，－基于所述多个训练时频域数据集来训练(300)函数，其中，所述函数基于自动编码器(310)，其中，所述自动编码器(310)包括输入层(311)、输出层(312)和隐藏层(314)，其中，所述训练包括：*为所述输入层和所述输出层提供所述多个训练时频域数据集中的每一个训练时频域数据集，－提供(400)经训练的函数。2.根据权利要求1所述的方法，其中，所述自动编码器(310)是变分自动编码器，并且所述训练包括：*指定所述隐藏层的统计分布。3.根据权利要求2所述的方法，其中，所述统计分布是正态分布，特别是平均值等于零且方差等于1的正态分布，或均匀分布。4.根据权利要求1至3中任一项所述的方法，其中，所述训练高频加工数据集基于时间序列cnc加工数据。5.根据权利要求1至4中任一项所述的方法，其中，通过小波变换来执行所述变换。6.根据权利要求1至5中任一项所述的方法，其中，所述自动编码器是递归神经网络，特别是长短期记忆网络。7.一种用于执行工件质量控制的计算机实施的方法，所述方法包括：－接收(120)高频加工数据集，其中，所述高频加工数据集代表工件的质量，特别地，所述高频加工数据集基于时间序列cnc加工数据，－将所述高频加工数据集变换(220)成时频域上的数据集，以获得时频域数据集，－将包括隐藏层的经训练的自动编码器(310)函数应用(320)于所述时频域数据集，其中，生成所述自动编码器函数的隐藏层(314)中的数据，－基于在所述自动编码器函数的所述隐藏层中生成的所述数据来分析(420)至少一个工件的质量，－提供(520)所述分析的结果。8.根据权利要求7所述的方法，其中，所述自动编码器是具有用于所述隐藏层的指定的统计分布的变分自动编码器，并且分析所述至少一个工件的质量包括：*将在所述变分自动编码器函数的所述隐藏层中生成的所述数据与所述指定的统计分布进行比较。9.根据权利要求8所述的方法，其中，所述统计分布是正态分布，特别是平均值等于零且方差等于1的正态分布，或均匀分布。10.根据权利要求7至9中任一项所述的方法，其中，通过小波变换来执行所述变换。11.根据权利要求7至10中任一项所述的方法，其中，所述自动编码器是递归神经网络，
特别是长短期记忆网络。12.一种用于提供经训练的函数的计算机程序，所述计算机程序包括指令，当程序由计算平台执行时，所述指令使所述计算平台执行根据权利要求1至6中任一项所述的方法。13.一种用于执行工件质量控制的计算机程序，所述计算机程序包括指令，当程序由计算平台执行时，所述指令使所述计算平台执行根据权利要求7至11中任一项所述的方法。14.一种用于提供用于执行工件质量控制的经训练的函数的系统，所述系统包括：－第一训练接口，所述第一训练接口被配置用于接收(100)多个训练高频加工数据集(101)，其中，不同的训练高频加工数据集(101)代表不同工件的质量，－第二训练接口，所述第二训练接口被配置用于提供(400)经训练的函数，－训练计算装置，所述训练计算装置被配置用于*将所述多个训练高频加工数据集(101)变换(200)成时频域上的多个数据集，以获得多个训练时频域数据集(201)，*基于所述多个训练时频域数据集(201)来训练(300)函数，其中，所述函数基于自动编码器，其中，所述自动编码器包括输入层(311)、输出层(312)和隐藏层(314)，其中，所述训练(300)包括：ο为所述输入层(311)和所述输出层(312)提供所述训练时频域数据集。15.一种用于执行工件质量控制的系统，所述系统包括：－第一接口，所述第一接口被配置用于接收(120)高频加工数据集，其中，所述高频加工数据集代表工件的质量，特别地，所述高频加工数据集是基于时间序列cnc加工数据，－第二接口，所述第二接口被配置用于提供(520)分析的结果，－计算装置，所述计算装置被配置用于*将所述高频加工数据集变换(220)为时频域上的数据集，以获得时频域数据集，*将包括隐藏层的经训练的自动编码器函数应用(320)于所述时频域数据集，其中，生成所述自动编码器函数的隐藏层中的数据，*基于在所述自动编码器函数的所述隐藏层中生成的所述数据来分析(420)至少一个工件的质量。

技术总结

本发明涉及一种用于提供用于执行工件质量控制的经训练的函数的计算机实施的方法，该方法包括：接收(100)多个训练高频加工数据集(101)，其中，不同的训练高频加工数据集代表不同工件的质量；将多个训练高频加工数据集(101)变换(200)成时频域上的多个数据集，以获得多个训练时频域数据集(201)；训练(300)基于所述多个训练时频域数据集的函数，其中，该函数基于自动编码器(310)，其中，该自动编码器(310)包括输入层(311)、输出层(312)和隐藏层(313，314)，其中，训练包括为输入层和输出层提供多个训练时频域数据集中的每一个训练时频域数据集；提供(400)经训练的函数。提供(400)经训练的函数。提供(400)经训练的函数。