[发明专利]一种带圆雕图案的羊舞岭窑陶艺制品及其制备方法

权利要求书

1.一种带圆雕图案的羊舞岭窑陶艺制品的制备方法，其特征在于，所述带圆雕图案的羊舞岭窑陶艺制品的制备方法从矿区采取瓷石练成砖状的泥块，通过转盘随手法的屈伸进行拉坯，通过印模覆盖印坯；再通过利通配合车盘转动进行利坯，将利坯后的陶瓷放在木架上进行晾晒；未干透用竹、骨或铁制的刀具对晾晒好的陶瓷进行圆雕；然后对陶瓷内外表面施釉，再将陶瓷放入匣钵中进行烧窑，烧制完毕取出后在釉面彩绘，最后放入红炉进行低温烧烘。

2.如权利要求1所述的带圆雕图案的羊舞岭窑陶艺制品的制备方法，其特征在于，练泥步骤为：

步骤一：在矿区采取瓷石；

步骤二：人工用铁锤将瓷石敲碎至鸡蛋大小的块状；

步骤三：利用水碓舂将瓷石打成粉状；

步骤四：淘洗，除去杂质，沉淀后制成砖状的泥块。

3.如权利要求1所述的带圆雕图案的羊舞岭窑陶艺制品的制备方法，其特征在于，施釉方法步骤为：

(1)湿釉制备：向釉料中加入釉料重量3～5倍量的水，搅拌均匀，置于-23～-21℃冷冻10～12小时，取出后，加入釉料重量3～5倍量的无水酒精，研磨均匀，粒径为60～70μm，得喷施釉料；

(2)一次施釉：将待用釉料均匀喷到坯体表面，厚度为0.3～0.4mm，置于温度为34～38℃、湿度为83～85％的环境中静置10～12小时，得一次施釉坯体；

(3)干釉制备：将步骤(1)得到的喷施釉料冷冻干燥至含水量为4～6％，研磨至粒径为3～5μm，得干施釉料；

(4)二次施釉：将干施釉料用干压施釉法对一次施釉坯体进行施釉，施釉厚度为0.2～0.3mm，置于温度为31～33℃、湿度为74～76％的环境中静置5～6小时，得二次施釉坯体；

(5)烧成干燥：将二次施釉坯体置于窑炉中，加热至1020～1070℃，保温12～14分钟，以2～3℃/分钟的速度降温至70～80℃，取出即可。

4.如权利要求1所述的带圆雕图案的羊舞岭窑陶艺制品的制备方法，其特征在于，所采用的釉料由以下重量份的原料制成：二氧化硅40份～48份、氧化铝12份～15份、氧化钪7份～9份、氧化硼5.5份～7.5份、氧化镧5份～7.5份、一氧化钯4.5份～6.8份、氯化铑4.5份～7份、锈石4份～5.5份、透辉石3份～5份、颜料3份～4.5份。

5.一种利用权利要求1-4所述的带圆雕图案的羊舞岭窑陶艺制品的制备方法制得的带圆雕图案的羊舞岭窑陶艺制品。

6.一种如权利要求5所述的带圆雕图案的羊舞岭窑陶艺制品的检测方法，其特征在于，所述带圆雕图案的羊舞岭窑陶艺制品的检测方法包括：

步骤一，在带圆雕图案的羊舞岭窑陶艺制品周围均匀地安装I个通过信号线缆连接至数据采集卡的压电式加速度传感器，用脉冲锤敲击编号为0的传感器，然后通过数据采集卡完成压电式加速度传感器输出信号的采集，保存为x₀(n)，

x₁(n)，…，x_i(n)，…，x_I-1(n)；

步骤二，对采集到的信号做K点快速傅立叶变换，得到X₀(k)，X₁(k)，…，X_i(k)，…，X_I-1(k)，k＝0,1,…K-1，然后求出第0个传感器至其他各观测传感器之间的实际频率响应函数：

步骤三，定义相同条件下优良带圆雕图案的羊舞岭窑陶艺制品中第0个传感器至其他各观测传感器之间的频率响应函数为H_0,i(k)，然后将H_i(k)减去H_0,i(k)，得到：

Y_i(k)＝H_i(k)-H_0,i(k)，i＝1,…I-1；

步骤四：构建Y＝[Y₁'(k),Y₂'(k),…,Y_I'_-1(k)]'作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G'_0,1(k),G'_0,2(k),…G'_0,J(k)]'和源向量G_j,i(k)，i＝1,…I-1，j＝1,2…,J，其中G_0,j(k)为第0个传感器至带圆雕图案的羊舞岭窑陶艺制品内部第j个缺陷点之间的频率响应函数，G_j,i(k)为第j个缺陷点至第i个观测点之间的频率响应函数；

步骤五，对估计出的J个进行k均值聚类分析；

步骤六，根据聚类的结果判别带圆雕图案的羊舞岭窑陶艺制品内部有无缺陷，类别数量决定缺陷区域的多少，每类中数据对象的数量表示该缺陷区域的大小；

将Y＝[Y₁'(k),Y₂'(k),…,Y_I'_-1(k)]'作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G'_0,1(k),G'_0,2(k),…G'_0,J(k)]'和源向量G_j,i(k)，i＝1,…I-1，j＝1,2,…,J，其中G_0,j(k)为第0个传感器至带圆雕图案的羊舞岭窑陶艺制品内部第j个缺陷点之间的频率响应函数，G_j,i(k)为第j个缺陷点至第i个观测点之间的频率响应函数，详细步骤为：

(1)估计Y的相关矩阵

(2)对作特征值分解(EVD)

其中(I-1)×J维矩阵V_M＝[v₁,v₂,…v_I-1]是与J个按下降顺序排列的的主要特征值Λ_S＝diag{λ₁≥λ₂…≥λ_J}相对应的特征矢量；(I-1)×(I-1-J)维矩阵V_N包含(I-1-J)个噪声特征Λ_N＝{λ_J+1≥…≥λ_I-1}对应的噪声特征矢量，并且λ_J＞λ_J+1；

(3)白噪声方差估计成(I-1-J)个不重要特征值的均值；

(4)进行稳健的预白化变换：

其中

(5)对于给定的p≠0，估计矢量的协方差阵，并进行协方差阵的奇异值分解：

(6)对于给定的p，检查对角阵所有奇异值是否不同，如果相同，对于不同的时滞p重复步骤(5)，如果奇异值不同的，而且彼此远离，则估计出源向量：

对估计出的J个进行k均值聚类分析，具体做法为：

(1)对于给定大小为J的数据集，令L＝1，选取3个初始聚类中心Z_i(L)，i＝1,2,3；

(2)计算每个数据对象与k个聚类中心的距离j＝1,2,…,J,i＝1,2,3，如果满足则

(3)重新计算k个新的聚类中心i＝1,2,3，以及平方误差准则函数的值:

(4)判断：若||E(L+1)-E(L)||＜ε，则算法结束，否则L＝L+1，返回继续执行(2)。