（机械制造及其自动化专业论文）基于时频分析的扬声器故障在线检测方法研究.pdf

天津科技大学 学位论文原创性声明 m l i l l l l l l l l l l l l l m m 1 1 l l l 肌 17 9 7 4 0 2 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究 成果。除文中特别加以标注引用的内容外，本论文不包括任何其他个人或集体已经发 表或撰写的成果内容。对本文研究做出重要贡献的个人和集体，均已在文中以明确方 式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：互粤後 日期：；吲年乡月h 日 专利权声明 本人郑重声明：所呈交的论文涉及的创造性发明的专利权及使用权完全归天津科 技大学所有。本人完全意识到本声明的法律后果由本人承担。 作者签名：三兽蚀 日期：加绰乡月沙日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权天津科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以 采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密il ( 请在方框内打、r ) ，在 年解密后适用本授权书。 本学位论文属于 作者签名： 导师签名： 不保密5 y ( 请在方框内打“v ”) 。 互粤绺 日期：幽踔；月功日 坼名淋 日期：工弹月伽日 r 摘要 在扬声器生产过程中，产品质量检验的首道工序是“纯音”检测，即对扬声器施 加额定功率下的扫频信号，检测它产生的响应信号是否合格，以满足用户对扬声器质 量的要求。而当前扬声器“纯音”在线检测方法主要还是依靠人耳监听，这种主观性 监听方法不但依赖于人的听觉和经验，而且与工作环境和人的状态也有很大的关系， 不利于生产过程的自动化和产品的质量保证。 本文根据电声行业的需求和天津市科技攻关项目的需要，研究了基于时频分析的 扬声器故障检测方法，通过计算机采集和分析响应信号，判断扬声器的质量。 为了满足检测方法的研究需要，本文利用扫频仪激励被测扬声器，同时用计算机 采集并截取一个周期的扬声器响应信号作为样本进行分析，分别用短时傅立叶变换和 小波包变换方法对信号进行时频分析，提取其特征，用支持向量机和人工神经网络的 方法识别扬声器的质量差异。 本课题的研究成果主要包括： ( 1 ) 利用短时傅立叶变换的方法对扬声器响应信号进行分析，提出了有效的扬声 器特征提取的方法。 ( 2 ) 利用小波包变换的方法对扬声器响应信号进行分析，并提出了基于能量的特 征提取的方法。 ( 3 ) 建立了l - mb p 神经网络模型，将特征能量作为输入向量，确定网络结构，完 成了对扬声器样本的学习训练，并实现了扬声器故障的检测与识别。 ( 4 ) 针对小样本的情况，建立了基于支持向量机的扬声器故障检测与判别系统， 并确定了支持向量机的各参数，实现了扬声器故障的检测与识别。 ( 5 ) 软件采用模块化设计，结合扬声器故障检测的功能进行设计，最终集成了整 个系统。 本文从理论和实验两方面对扬声器故障检测方法进行了研究，结果表明：基于时 频分析的扬声器故障检测方法，能有效的检测出扬声器质量的好坏。 关键词：扬声器；时频分析；特征提取； 人工神经网络；支持向量机 ， a b s t r a c t i np r o d u c t i o np r o c e s so fl o u d s p e a k e r s ，t h ef i r s tp r o c e d u r eo fq u a l i t yd e t e c t i o ni s ”p u r e - t o n e ”d e t e c t i o n n a m e l y , t om e e tt h er e q u i r e m e n t so fu s e r s ，i t s t a s ki s d e t e c t i n g w h e t h e rt h er e s p o n s es i g n a l ，w h i c hi si m p o s e du n d e rt h es w e e ps i g n a li ni t sr a t e dp o w e r , f r o ml o u d s p e a k e r sq u a l i f i e d a tp r e s e n t , t h eo n l i n ed e t e c t i o no f ”p u r e - t o n e ”m a i n l yr e l i e s o nt h em a n u a ld e t e c t i o n t h i ss u b j e c t i v ed e t e c t i o nm e t h o dn o to n l yr e l i e so nt h ew o r k e r s h e a t i n ga n de x p e r i e n c e ，b u ta l s oh a sg r e a tr e l a t i o n sw i t hw o r k i n ge n v i r o n m e n ta n dt h e w o r k e r s s t a t e i ti s n tb e n e f i c i a lf o ra u t o m a t i o no fp r o d u c t i o np r o c e s sa n dq u a h t ya s s u r a n c e o f p r o d u c t a c c o r d i n g t ot h ed e m a n df o rt h ee l e c t r o - a c o u s t i ci n d u s t r ya n ds c i e n t i f i ca n d t e c h n o l o g i c a lp r o j e c ti nt i a n j i n ，t h i st h e s i sr e s e a r c h e so nt h ef a u l td e t e c t i o nm e t h o df o r t h e l o u d s p e a k e r sb a s e do nt h et i m ef r e q u e n c ya n a l y s i s t h r o u g ha c q u i s i t i n ga n da n a l y s i s i n gt h e r e s p o n s es i g n a lb yc o m p u t e r , t h ed e t e c t i o ni sp e r f o r m e d i no r d e rt om e e tt h er e s e a r c hn e e d so fd e t e c t i o nm e t h o d ，s w e p tl a ui su s e dt o i n c e n t i v et h em e a s u r e dl o u d s p e a k e r s a tt h es a m et i m e ，t h i st h e s i sh a sc o l l e c t e da n d i n t e r c e p t e dac y c l eo fl o u d s p e a k e r s r e s p o n s es i g n a la ss a m p l e st oa n a l y s i sw i t hc o m p u t e r t h i st h e s i sh a su s e ds h o r t - t i m ef o u r i e rt r a n s f o r ma n dw a v e l e tp a c k e tt r a n s f o r mm e t h o dt o a n a l y s i st i m ef r e q u e n c yo ft h es i g n a l sr e s p e c t i v e l y t h e n e x t r a c t e dt h ef e a t u r eo ft h e l o u d s p e a k e r sa n dr e c o g n i z eb yu s i n gs u p p o r tv e c t o rm a c h i n ea n da r t i f i c i a ln e u r a ln e t w o r k t h e m a i nr e s u l t so fr e s e a r c ho nt o p i c si n c l u d i n g ： ( 1 ) t h i st h e s i sh a su s e dt h em e t h o do fs h o r t 4 i m ef o u r i e rt r a n s f o r mf o rt h ea n a l y s i so f t h e l o u d s p e a k e r s r e s p o n s es i g n a l ，a n d h a sp r o p o s e dt h ee f f e c t i v em e t h o df o rt h e l o u d s p e a k e r sf e a t u r ee x t r a c t i o n ( 2 ) t h i st h e s i sh a su s e dt h em e t h o do fw a v e l e tp a c k e tt r a n s f c i h nf o r t h ea n a l y s i so ft h e l o u d s p e a k e r s r e s p o n s es i g n a l ，a n dh a sp r o p o s e dt h em e t h o d b a s e do nt h ec h a r a c t e r i s t i c so f e n e r g ye x t r a c t i o n ( 3 ) i 功i st h e s i sh a se s t a b l i s h e dt h el - mb pn e u r a ln e t w o r km o d e l ，w h i c hp u tt h e c h a r a c t e r i s t i ce n e r g ya sa ni n p u tv e c t o r , i d e n t i f yt h en e t w o r ks t r u c t u r e a n d h a s c o m p l e t e dt h es t u d ya n dt r a i n i n go fl o u d s p e a k e r ss a m p l e s t h i st h e s i sh a si m p l e m e n t e d t h e l o u d s p e a k e r s f a u l td e t e c t i o na n dr e c o g n i t i o n “) a i m e da tt h es m a l ls a m p l e so ft h el o u d s p e a k e r s ，t h i st h e s i sh a se s t a b l i s h e dt h e l o u d s p e a k e r sf a u l td e t e c t i o na n dd i s c r i m i n a t i o ns y s t e mb a s eo n t h es u p p o r tv e c t o rm a c h i n e ， a n dh a sd e t e r m i n e dt h ep a r a m e t e r so ft h es u p p o r tv e c t o rm a c h i n e ，a n dh a si m p l e m e n t e d t h el o u d s p e a k e r s f a u l td e t e c t i o na n dr e c o g n i t i o n ( 5 ) s o f t w a r ei sm o d u l a ri nd e s i g n t h es o f t w a r ei n t e g r a t e st h ee n t i r es y s t e mc o m b i n e t h ef u n c t i o n so ff a u l td e t e c t i o nd e s i g no ft h el o u d s p e a k e r s 1 1 1t h i st h e s i s ，b o t ht h e o r ya n de x p e r i m e n ti nt h ef a u l t d e t e c t i o no fl o u d s p e a k e r sh a s b e e nr e s e a r c h e d t h er e s u l t ss h o w e dt h a tt h ef a u l td e t e c t i o nm e t h o do ft h el o u d s p e a k e r b a s e d0 nt h et i m ef r e q u e n c ya n a l y s i sc a nr e c o g n i z e t h el o u d s p e a k e r se f f e c t i v e l y k e y w o r d s ：l o u d s p e a k e r s ，t i m ef r e q u e n c y a n a l y s i s ，f e a t u r ee x t r a c t i o n ，a r t i f i c i a ln e u r a l n e t w o r k s ，s u p p o r tv e c t o rm a c h i n e 一 目录 1 绪论1 1 1 研究背景和选题意义1 1 2 国内外扬声器故障检测方法研究概况。2 1 3 扬声器故障自动检测技术综述：4 1 4 扬声器故障检测的技术难点4 1 5 本课题的主要研究内容及其意义4 1 5 1 本课题的主要研究内容o 4 1 5 2 结合实际开展研究的意义5 1 6 论文组织_ ：5 1 7 本章小结。5 2 扬声器检测系统的工作原理以：6 2 1 扬声器检测系统的性能要求6 2 2 本文采用的检测方法及关键技术6 2 3 扬声器故障检测系统的工作原理及检测方法：6 2 3 1 检测系统的工作原理：。6 2 3 2 扬声器故障检测方法的总体流程o 7 2 4 本章小结7 3 扬声器故障类型及检测系统o 8 3 1 扬声器的种类及电动式扬声器的故障类型8 3 1 1 扬声器的种类。8 3 1 2 电动式扬声器的故障类型。8 3 2 电动扬声器的工作原理8 3 3 扬声器的主要性能指标：。1 0 3 4 基于声音信号的扬声器故障检测系统的构成。1 1 3 4 1 扬声器故障检测系统的硬件1 1 3 4 2 扬声器故障检测系统软件。1 6 3 5 本章小结1 7 4 基于扬声器响应信号的时频分析及其特征提取方法1 9 4 1 扬声器响应信号时频分析的理论基础：1 9 4 2 扬声器响应信号的等周期截取2 0 4 3 时频分布的基本性质要求2 1 4 4 扬声器故障检测时频分析方法“2 2 4 4 1 扬声器响应信号的短时傅立叶变换( s 1 f i ) 2 2 4 4 1 1 s 叮的定义。- 。2 2 4 4 1 2 扬声器响应信号的短时傅立叶变换的m a t l a b 实现。2 4 4 4 1 3 基于s t f t 的扬声器响应信号特征提取方法2 6 4 4 2 扬声器响应信号的小波变换和小波包变换3 0 4 4 2 1 小波变换及其优点3 0 4 4 2 2 小波包变换。3 2 4 5 本章小结3 7 5 基于人工神经网络的扬声器故障检测方法3 8 5 1 人工神经网络简述3 8 5 1 1 人工神经网络的基本特征和性质3 8 5 1 2 神经网络的故障检测能力3 9 5 1 3 人工神经网络的学习规则4 0 5 2b p 神经网络4 1 5 2 1b p 网络的拓扑结构及学习过程4 1 5 2 2b p 网络的具体学习过程4 2 5 2 3b p 算法存在的缺陷4 3 5 2 4l e v e n b e r g m a r q u a r d t 算法4 4 5 2 5 各种训练算法的比较验证4 6 5 3 扬声器故障检测神经网络模型结构的设计4 9 5 3 1 输入节点和输出节点的确定4 9 5 3 2 隐含层数和层内节点的确定，4 9 5 3 2 1 隐含层数的确定。4 9 5 3 2 2 隐含层节点数的确定5 0 5 3 - 3 学习效率的确定5 1 5 3 4 神经元激活函数的确定5 1 5 3 5 网络权值和阈值的确定。：5 1 5 4 基于l m 神经网络扬声器故障检测实验验证。5 2 5 4 1 扬声器故障检测神经网络参数与模型：5 2 5 4 2 人工神经网络检测与识别5 4 5 4 3 结论5 5 5 5 本章小结5 5 6 基于支持向量机的扬声器故障检测方法5 6 6 1 支持向量机理论介绍5 6 6 1 1 支持向量机简述。5 6 6 1 2s v m 方法的特点5 7 6 1 3 最优分类面及支持向量机的求解5 7 6 1 4 核函数6 0 6 1 5 支持向量机模型的构建6 0 6 1 6 可分支持向量分类机( c 一支持向量分类机) 算法实现6 1 6 2 基于支持向量机的扬声器故障检测6 2 6 2 1 支持向量机故障检测步骤6 2 6 2 2 基于c s v m 算法故障检测实验和模型的确定。6 3 6 2 2 1 核函数的确定6 3 6 2 - 2 ，2 参数的确定j 。6 5 6 3 本章小结6 5 7 检测系统运行实验及误差分析6 6 7 1 整体设计6 6 7 1 1 基于人工神经网络的模式识别系统设计6 7 7 1 2 基于支持向量机的模式识别系统设计6 9 7 2 实验及误差分析7 3 7 2 1 实验 。7 3 7 2 2 误差分析7 6 7 3 本章小结：7 7 8 结论及展望7 8 8 1 本文的主要工作和创新点7 8 8 2 存在的问题及以后研究的方向7 9 9 参考文献。8 1 1 0 攻读硕士学位期间发表论文情况8 7 11 致谢8 9 m 天津科技大学硕士学位论文 1 绪论 1 1 研究背景和选题意义 扬声器是人们日常最广泛使用的电声产品，从电视机、计算机、手机、电话等各 种家用电器，到汽车、火车、飞机、船舶等人们使用的交通工具；从家庭到工厂，处 处都会有扬声器的身影。随着物质生活的充裕和生活水平的提高，人们对扬声器产品 质量的要求愈来愈高，对扬声器的要求愈发轻巧精密，但在发声品质上却更加严格。 因此，准确判定扬声器生产的质量好坏也是电声行业面对的难题。 + 目前，我国已经成为世界公认的扬声器及其零件的生产和出口大国，据有关部门 估算，从电声器件总量上分析，2 0 0 6 年中国电声器件产品总产量6 9 亿只，产量稳居 世界第一位，占世界扬声器总产量的8 5 。销售收入总额为6 0 亿美元，但是我国还 不是扬声器生产强国，我国扬声器以价格低、用途广的中低档产品为主，大量的企业 仍停留在o e m 阶段。面对强大的市场需求空间和国内扬声器企业竞争力层次低下的 境况，在新的机遇和挑战面前，中国的扬声器行业和企业将有很多的工作需要去倒1 】。 目前的国内扬声器的检测标准主要是依据g b 9 3 9 6 - - 8 8 扬声器的主要性能测试 方法中的规定来进行的。扬声器厂应给出多达3 5 条的各种特性，其中最主要特性 指标也有十条之多：极性指标、阻抗及其有关特性、总品质因素( q ) 、扬声器单元 的等效容积( 圪) 、输入电功率、频率特性、自由场条件下的声压、频率响应、有 效频率范围、纯音 2 1 。上述内容中有九项均有明确的物理定义，可在消声室内用现代 的声学和仪器进行精确测量，重复性较好，是属于常规测量，只有纯音判别是靠人耳 进行检测的。 纯音检测是扬声器制成后的第一道质量检查工序，即通过对它施加相当于额定功 率下的信号电压，检测其发出的响应信号是否合格。 扬声器“纯音”质量检测方法的研究已有多年，至今仍是热点问题。目前检测的 方法主要有两种：物理测量法和人耳检测法。 ( 1 ) 经典的物理测量法是用轴向频响或阻抗来估计t h i e l e & s m a l l 参数，或者测量 扬声器系统的共振频率或振膜的位移( 用一个激光测量仪) 。这些测量虽然是客观的， 但是t h i c l e & s m a u 参数将扬声器系统看作为线性的系统，然而，由于电、机械、谐波 的等故障的出现会导致整个系统出现非线性，这时采用t h i c l c & s m a l l 参数显然是不合 适的。许多经典的方法在测量由于非线性故障引起的振动( 例如线打纸盆引起的嗡嗡 声、摩擦声) 时都失败了，而且建立精确的扬声器系统的物理方程是非常困难的，即 使建立起来的也都是近似的系统，无法完全满足工厂的检测精度的要求。 ( 2 ) 人耳检测法是通过人耳的听觉来评价扬声器的质量( 它主要依靠检测者的经 验) 。虽然可以提供相对比较准确的检测，但这是一种主观监听方法，有许多缺点和 问题是难以克服的。比如检测结果与人的年龄、心情及工作状态等有关；即使是同一 1 绪论 个人，因长期监听所产生的听觉疲劳也会给结果带来差异。况且培养专职监听人员比 较困难，也无法统一检测标准，很不利于自动化生产。更严重的是，长期监听会对工 作人员的听觉系统乃至神经系统造成损伤，危害人体的健康。虽然，此方法有这么多 的问题，但是又无法找到更好的方法，目前，国内外的扬声器生产厂家多数仍旧采用 人耳对扬声器的质量进行检测。 ， 。 随着现代科技迅猛发展，自动检测已成为一种趋势，各种行业标准相继规范。传 统的依靠感官分析检测的方法越来越暴露出它的弊端。因此，对于怎样数字化、标准 化这种“纯音检测，已成为我国电声行业迫切要解决的问题。 因此，研究自动检测和识别扬声器故障的仪器，将会积极推动该行业的技术进步。 本文正是从这个角度出发，研究了扬声器故障自动检测和识别的方法。 本论文针对天津某电声器材公司生产的扬声器，运用数字信号处理技术，研究故 障扬声器的响应信号，对扬声器的响应信号进行分析、处理，得到不同故障扬声器响 应信号的特征，用分类识别的方法对扬声器进行故障检测，形成一套扬声器在线故障 检测方法的理论和实验方法。 1 2 国内外扬声器故障检测方法研究概况 自从扬声器诞生以来，工程师和研究人员对扬声器系统做了大量的分析和研究。 但国外在扬声器故障在线检测方面的应用研究论文还不是很多，大部分都是从扬声器 的设计和电声参数检测的角度来研究的。 1 9 2 1 年，k e l l y 提出封闭箱。1 9 3 0 年，贝尔实验室的a c t h r a s 提出倒相箱，并 于1 9 3 2 年获倒相箱原理的专利。1 9 4 4 年，h f o s o n 和他的助手j p r e s t e n 发明了封闭 箱的空气悬浮式设计，并于1 9 4 9 年获得设计专利。 1 9 7 1 1 9 7 3 年，澳大利亚悉尼大学的斯莫尔s m a l l 博士t 3 d 2 1 发表了一系列著名的论 文，更将扬声器系统的设计推进到一个系统化的高度。自那以后，扬声器厂家和一些 国际标准在不同程度上接受了斯莫尔的建议，在产品说明书和标准中列出了小信号参 数和大信号参数，人们称之为t s 参数( t 代表t h i e l e 先生，s 代表斯莫尔先生) 。 2 0 0 2 年，英国剑桥大学的m a n u e ld a v y 和法国的c h r i s t i a nd o n c a r l i 乃疑出用t i m e f r e q u e n c yr e p r e s e n t a t i o n s ( t f r s ) 法测试故障扬声器。通过c h i r p 信号激励扬声器，对响 应信号进行短时傅立叶变换，并用各种距离代表短时傅立叶变换后的特征，通过距离 来分析扬声器的好坏。 丹麦的p e t e rl a r s e l l 在2 0 0 3 年a l m a 世界扬声器振膜研讨会上通过有限元法， 验证了振膜几何刚度也是扬声器重要的设计参数。 国内关于扬声器的研究起步较晚，9 0 年代后才见有比较系统的相关报道。 1 9 9 0 年，杭州电声厂研究所叶震龙【1 4 】初步说明了扬声器的客观技术指标测量与 主观音质评价的差异。指出在目前的测试和音质评价的条件下，两者的差异是明显的。 但是，客观事物的存在是不会以人的意志为转移的，因此，寻找主客观评价的一致性 2 天津科技大学硕士学位论文 途径乃是广大声学工作者的艰巨任务。 1 9 9 3 年，南京大学声学所潘立超，陆文秋等人【1 5 】通过合成分谐波的方法对分谐 波的听感进行了主观测试，发现分谐波比高次谐波更易为人耳察觉，对音高、音质的 影响很明显，甚至到达破坏的程度。 1 9 9 6 年，南京大学陶擎天等【1 6 】发表了关于扬声器故障检测的研究论文。该论文 通过用传统的频响曲线和阻抗曲线测试方法进行故障检测分析，结果表明：除了中心 孔不牢的故障，其它各种故障发出的异常声在其频段上均无异常的表现，因此不能检 测出故障。 2 0 0 0 年，同济大学顾春，盛胜我等人【1 7 】利用线性扫频信号测量扬声器系统的频 响特性与指向性，由配备专用声卡的笔记本电脑直接产生与接收声信号。与传统的利 用模拟信号进行测量的方法相比，该方法最大的优点在于：通过一次测量可以得到所 有需要的信息，从而方便地得到扬声器的电声特性。但是，该方法不能有效的提取扬 声器的特征。 2 0 0 2 年，国光电器股份有限公司朱江【1 8 】研究了扬声器及其系统频率响应的统计 学特性参数，通过对其进行统计学分析，得出新的一组有用的参数，包括s p l 标准差、 s p l 离散系数、s p l 峰度系数等。并指出这些参数如果能够推广为扬声器及其系统的 常用性能参数，将能够填补t h i e l e s m a l l 参数的一些盲点，给质量标准的制订、工程 的应用等都带来不少方便。 2 0 0 4 年，浙江大学黄海【1 9 l 提出一种基于h i l b c a h u a n g 变换( 哪的扬声器非线 性特性分析方法。该方法通过对扬声器纸盆位移信号进行经验模态分解( e m d ) 得到 内禀模态函数( i m f ) ，计算出i m f 函数的瞬时频率，用瞬时频率的变化表示纸盆位移 信号波内频率调制的非线性现象，直接反映出与扬声器结构相关联的非线性特征。 2 0 0 6 年，清华大学吉吟东、孙新亚等人凹】提出用小波变换用于扬声器纯音检测。 该方法通过声卡放音，用计算机采集声音的时域波形；计算机对所述波形进行信号头 识别，判别一段有效信号的起始位置；计算机对所得信号进行d a u b 4 小波分解，再把 指定的近似系数置零后进行小波重构，得到重构信号；计算机对所得结果进行显示方 式转换，构造出异音曲线；并通过异音曲线来判断扬声器的异纯音。 2 0 0 6 年，天津科技大学许增朴、卢学军、李小明、储标等人对扬声器故障检测也 进行了深入研究。储标1 2 1 】通过i - i i l b e r t 变换截取一个完整扫频周期内扬声器响应信号 的流程和方法，针对完整周期内的响应信号利用短时傅立叶变换提取其时频特征，并 建立了扬声器类标准时频图。最后通过提取时频特征、建立类标准数据库、模式识别 的方法进行扬声器故障识别；李小明【捌通过小波包变换的方式对扬声器进行分析，最 后采用c h c m o f f 距离来分类扬声器故障。 目前，对于扬声器故障检测方法的研究还不能准确的提取扬声器响应信号的特征 和对扬声器故障进行有效的分类。本文就是针对这种情况，提取扬声器响应信号的特 征，并构造分类器，进一步对扬声器好坏进行检测和识别。 3 1 绪论 1 3 扬声器故障自动检测技术综述 在本文中，主要针对扬声器的好坏进行检测和识别。通过分类器，将实现自动识 别扬声器的好坏。 不同的检测识别系统，虽然具体实现的细节不同，但采用的基本技术相似。扬声 器故障检测和识别技术主要包括时频分析、特征提取，模式识别三个方面。时频分析 主要是针对非平稳信号，通过短时傅立叶交换或小波包变换的方式对扬声器响应信号 进行处理，便于提取扬声器故障的特征；特征提取就是针对前面两种时频处理方法， 提取出简单有效的参数，便于后面的分类识别；扬声器的模式识别，主要包括学习( 训 练) 与识别( 匹配) 两个过程。通过对提取的扬声器特征参数的学 - j n 练，得到用于识别 的模型。本文分别采用了人工神经网络和支持向量机的方法对扬声器故障进行分类。 1 4 扬声器故障检测的技术难点 在现场条件下，影响扬声器故障检测和识别准确率的主要因素有以下几点： ( 1 ) 复杂的外部环境条件 。： 对于扬声器在线检测，采集到的扬声器响应信号要尽可能的反映出故障的特征， 从而进行故障检测，而工厂机器的噪音、各种频率的声音都可能通过麦克风被采集到 系统，同一种扬声器在不同的噪声环境中表现的声信号也会有较大的区别，为后面的 时频分析和特征提取带来极大的麻烦。 ( 2 ) 扬声器故障的多样性 工厂的故障扬声器可能经常出现十几种不同故障，而且故障的差异也很小，甚至 一个扬声器可能出现多种故障，这样就很难精确检测出一个扬声器的真正故障。 ( 3 ) 扬声器类型的多样性 针对工厂的现实情况，会出现生产各种不同功率不同型号的扬声器。这样，给扬 声器的特征提取带来不确定的因素，不容易建立统一的识别模型。 正是由于以上几点原因，给扬声器故障在线检测和识别带来了很大困难。 1 5 本课题的主要研究内容及其意义 1 5 1 本课题的主要研究内容 扬声器故障检测主要通过时频分析的方式，将采集的扬声器时域响应信号变换为 时频域信号，并从时频域信号中提取特征，通过模式识别的方法来判断扬声器的故障。 具体研究内容如下： ( 1 ) 对扬声器响应信号的采集和存储。 ( 2 ) 在原有信号分析与预处理的基础上，通过短时傅立叶变换和小波包变换方法 提取被检测扬声器的特征。 ( 3 ) 建立人工神经网络模型，将小波包得到的特征能量信息传递到人工神经网络 完成故障识别。 “) 建立支持向量机的模型，将短时傅立叶变换后的特征矩阵，用支持向量机的 4 天津科技大学硕士学位论文 方法对其进行识别。 ( 5 ) 对上面两种检测方法、分析、识别方法进行实验，提出可行性的方案。 ( 6 ) 建立数据库，将故障的信息记录到数据库里，以便用户进行查看。 ( 7 ) 研究出算法并用v i s u a lc + + 编写扬声器故障检测与识别程序。 1 5 2 结合实际开展研究的意义 、 工厂提出的扬声器故障检测的主要要求是：扬声器出厂前应为合格的产品，这就 需要提供能够检测出各种故障( 包括以前没有遇到过的故障) 的检测方法。另外，由 于生产线的速度快，测试过程所需的时间有一定的要求( 工厂的一个扬声器的检测周 期为2 6 s ) 。本文利用数字化技术对扬声器响应信号进行在线检测，对采集的响应信 号利用有效的时频分析、模式识别技术进行分析聚类，研究一种新的方法，利用此方 法，可进一步研究仪器，将来用仪器代替人耳完成在线质量检测的工作，能满足企业 的需求，因此，结合实际进行研究更具有理论意义和应用价值。 1 6 论文组织 ：。 第1 章，介绍本文的研究背景和选题意义，并概述扬声器检测方法和自动检测技 术的难点。 第2 章，介绍扬声器扬声器检测系统的工作原理及本文所采用的主要方法。 第3 章，介绍扬声器的主要故障类型和一些声音特性，并详细的阐述系统的硬件 构成和软件实现方案。 第4 章，详细介绍了非平稳信号的时频分析方法，并针对本系统，重点介绍短时 傅立叶变换和小波包变换的分析方法，并基于时频分析提出了各自的特征提取方法。 第5 章，介绍人工神经网络的基本理论，并将第4 章小波包提取的特征能量作为 神经网络的输入，详细讲述神经网络各个参数的确定。 第6 章，介绍支持向量机的基本理论，提取短时傅立叶变换后的特征参数，及选 择合适的支持向量机作为训练模型。 第7 章，对整个系统进行实验和分析，并对产生的误差进行分析 第8 章，对所做的研究工作进行总结，并对后续研究工作进行了探讨。 1 7 本章小结 ( 1 ) 简要介绍了选题背景和选题意义。 ( 2 ) 介绍了国内外在扬声器研究方面的进展。 ( 3 ) 介绍了扬声器故障检测过程中所用的主要方法。 ( 4 ) 介绍了扬声器故障检测技术难点。 ( 5 ) 说明本课题研究的主要内容和意义。 5 2 扬声器检测系统的工作原理 2 扬声器检测系统的工作原理 在扬声器制造过程中，由于某一工段的工作失误，就会使扬声器产生罩内小线， 打底、碰圈，金属和非金属垃圾，沙子，罩漏气，双纸片压边粘结不良等故障，为了 保证扬声器出厂的质量，在生产线上，都需要对扬声器进行检测，当检测出扬声器为 故障扬声器时，返回并对其进行修复。 当前生产中，检测人员在一个相对隔音的消音室内，通过扫频仪激励扬声器产生 声音，通过人耳来判别扬声器的好坏，由于现场环境很恶劣，再加上人耳监听的主观 性，人们很难在长时间内保证判断的正确性，基于此，本文提出了扬声器故障在线检 测方法。 2 1 扬声器检测系统的性能要求 ， 自动化扬声器故障检测系统应具有以下性能： ( 1 ) 准确性该系统要能准确的判别扬声器的好坏，具有一定的智能性。 ( 2 ) 实时性由于工厂的每个产品的生产周期是2 6 s ，因此要保证检测系统能在规 定的时间内，实时的检测出扬声器的故障。 ( 3 ) 鲁棒性由于环境噪声的不确定性，人工可以通过入耳判别哪些声音是属于干 扰噪声，这就要求该检测系统置也能够满足各种环境的需要，能实时准确的确定出扬 声器的故障。 ( 4 ) 智能性用自动化检测系统代替人工检测，要求系统减少人机交互过程，这就 要在激励扬声器的信号产生，声音采集，故障分析与判别等各个方面做到协调统一。 具有一定智能性地完成各种工作。 2 2 本文采用的检测方法及关键技术 本文选用的检测方法及关键技术： ( 1 ) 时频分析技术 一般情况下，用经典的f o u r i e r 变换将信号从时域变换到频域进行处理，但对于 扬声器所表现出来的非线性和非平稳性，经典的f o u r i e r 变换难以提供有效的信息， 这就需要找到合适的时频处理方法，通过时频处理能较好的提取和估计出扬声器故障 的特征。本文选用的是短时傅立叶变换和小波包变换的时频分析方法。 ( 2 ) 模式识别技术 要能正确的识别扬声器故障，需要设计合适的分类器，并选择合适的参数，使分 类效果到达最好。本文选择的是b p 人工神经网络和支持向量机的识别方法。 2 3 扬声器故障检测系统的工作原理及检测方法 2 3 1 检测系统的工作原理 扬声器故障检测系统的工作原理图如图2 1 所示，通过扫频仪激励扬声器，扬声 6 天津科技大学硕士学位论文 器发出声音，通过传声器，将产生的声信号转变为电信号，再通过程控放大器将信号 放大，最后通过a d 转换器，将模拟信号转化为数字信号，采集卡将扬声器响应信号 数据采集到计算机，通过分析处理，最终识别扬声器的好坏。其中，为了减少外界噪 声的干扰，扬声器将声音传递到传声器的过程在消音箱里进行。 2 - 1 系统工作原理图 f i g 2 1 s y s t e m ，s c h e m a t i c s 2 3 2 扬声器故障检测方法的总体流程 扬声器故障检测的基本流程如图2 2 所示，整个过程的主要核心为信号处理部分 和模式识别部分。本方法的研究分两条路线进行，第一条路线是基于人工神经网络的 故障检测方法，采用小波包变换的方法对响应信号进行时频分析，对各频段的信号分 量进行小波包重构，求取每段频域的能量值，提取其中能量最大的1 0 组能量作为人 工神经网络的输入层各个神经元，最后通过神经网络将扬声器的好坏区分开。第二条 路线是基于支持向量机的故障检测方法：采用短时傅立叶变换，得到扬声器的时频矩 阵，将时频矩阵沿时间轴方向等分成3 0 个区域，求取每个区域与无故障扬声器的标 准矩阵对应的欧式距离最大值和方差，作为支持向量机的输入，通过支持向量机的方 法将扬声器的好坏区分开。当扬声器被判别为有故障时，记录扬声器信号的采集时间， 可以同时用机械装置将故障扬声器挑出来，以便于工人检修。 特征 提取 1 短时傅立叶 f 吉性由善蜘l i7 l 又行州基仉广 一识别结果，i 被测扬声器h 蘸霉h 预处理 _ f 爪油白亦蝙if 人工神经l 一 1 ，j 、霹殴殃i i 特征1