CN101170843A - 扬声器在线纯音故障诊断方法 - Google Patents

Abstract

本发明公开了一种扬声器在线纯音故障诊断方法，包括训练方法和测试方法；训练方法包括：采用跳变扫频信号作为不合格样品的输入信号；获取扬声器纯音故障的时域离散信号序列；采用短时傅里叶变换时域信号；抽取时－频域的扬声器纯音故障的异常区域，并形成训练样本集；采用主成分分析(PCA)的方法，提取出扬声器纯音故障的特征集，同时得到主成分变换矩阵；对特征集采用支持向量机进行分类训练，得到分类面，确定分类；其中测试方法还包含：根据频谱中各频段的谐波失真度(HD)，抽取时－频域信号序列中的扬声器纯音故障序列，形成测试样本；获取被测扬声器特征样本；将特征样本与训练中得到的分类面进行比较，得到分类的故障诊断结果。

Description

扬声器在线纯音故障诊断方法

技术领域

本发明涉及一种在线故障诊断方法，特别涉及扬声器在线检测、故障诊断和模式识别的方法。

背景技术

扬声器是一种把电信号转变为声信号的换能器件，扬声器的性能直接影响音质。在扬声器的生产过程中，由于生产步骤较多，所以一般生产线在扬声器组装完毕后才对扬声器进行品质检定，并将不合格的产品分类返回处理。

中国是目前世界上最主要的扬声器生产国，扬声器的产量约占全球年产量的八成左右。在扬声器的在线纯音检测和纯音故障诊断方面，国内主要采用人工检听的主观判定方法，国外尚未见到扬声器在线纯音故障诊断方法的研究。随着对劳动保护以及对质量检测要求的提高，生产厂商迫切需要进行纯音检测和纯音故障诊断的检测系统。为此，我们在研究了扬声器在线纯音检测方法之后，又提出了一种扬声器在线纯音故障诊断方法，并在此就该方法的发明专利申请内容进行说明。

发明内容

本发明的目的在于，通过提供一种扬声器在线纯音故障诊断方法，以改变目前存在的人工检听的主观判定方法，以进一步提供扬声器生产中的质量控制水平。

本发明是采用以下技术手段实现的：

提出了一种扬声器在线纯音故障诊断方法包括了训练方法和测试方法。两种方法均在扬声器检测系统中完成，硬件系统的原理如图1所示。

训练方法的主要特征包括以下步骤：

步骤1、在检测系统中，采用跳变扫频信号(Stepped Sweep信号)作为在纯音检测中的不合格扬声器样品的输入信号；

步骤2、通过信号采样，获取扬声器纯音故障的时域离散信号序列；

步骤3、采用短时傅里叶变换(STFT)将从步骤2中的时域信号变换到时-频域的频谱；

步骤4、根据频谱中各频段的谐波失真度(HD)，抽取时-频域的扬声器纯音故障的异常区域，并形成训练样本集；

步骤4.1计算各频段的HD值，得到HD曲线。

步骤4.2根据HD曲线选取前N个峰值，判断每个峰值与给定阈值的关系，满足条件的每个峰值作为一个异常位置。

步骤4.3根据每个异常位置以及指定的长度和宽度选取出异常区域。

步骤4.4将异常区域按列展开成向量，与人工预先标定的故障类型组成一个样本。

步骤4.5重复步骤1-3、4.1-4.4，组成训练样本集。

步骤5、对训练样本集，采用主成分分析(PCA)的方法，提取出扬声器纯音故障的特征集，同时得到主成分变换矩阵；

步骤5.1对训练样本向量数据进行中心化。

步骤5.2计算中心化样本向量协方差矩阵的特征值及特征向量。

步骤5.3选择特征个数k，前k个特征值对应的特征向量即特征变换矩阵，将特征变换矩阵左乘样本集得到特征集。

步骤6、对特征集，采用支持向量机进行分类训练，得到分类面，确定分类。

步骤6.1选择核函数K为Gauss径向基核。

步骤6.2通过成对分类方法确定每两类的分类面。

步骤6.3根据每两类的分类面，通过投票系统得到最终分类面。

测试方法的主要特征包含以下步骤：

步骤1-3、同训练方法步骤1-3；

步骤4、根据频谱中各频段的谐波失真度(HD)，抽取时-频域信号序列中的扬声器纯音故障序列，形成测试样本；

步骤4.1计算各频段的HD值，得到HD曲线。

步骤4.2根据HD曲线选取前N个峰值，判断每个峰值与给定阈值的关系，满足条件的每个峰值作为一个异常位置。

步骤4.3根据每个异常位置以及指定的长度和宽度选取出异常区域。

步骤4.4将异常区域按列展开成向量，形成测试样本。

步骤5、将步骤4中的测试样本的向量左乘训练中得到的主成分变换矩阵，获取被测扬声器特征样本；

步骤6、将特征样本与训练中得到的分类面进行比较，得到分类的故障诊断结果。

上述方法的关键技术在于：设计了谐波失真度的分析方法，抽取扬声器时频域中扬声器纯音故障样本；为适应于在线检测的需要，减少测试时间，采用了主成分分析的方法提取故障信号的特征降低了计算维数；选择了适宜的核函数，构成了便于分类应用的支持向量机。

本发明与现有技术相比，具有以下明显是优势和有益效果：

扬声器的故障主要反映在不同频率范围内的高次谐波上，因此，采用短时傅利叶变换(short-time Fourier transform，STFT)，形成时-频域的频谱，可以较好地突出扬声器纯音故障的特征，以提供扬声器在生产过程中所出现的不合格成品非检出率，对扬声器成品的质量控制起到了重要的作用。

附图说明

图1：扬声器在线纯音故障诊断系统硬件结构图；

图2：训练过程软件流程图；

图3：测试过程软件流程图；

图4：扬声器频率响应曲线；

图5：扬声器纯音故障的时域信号；

具体实施方式

下面结合附图对本发明的具体实施例加以说明：

经过对性能的分析和比较，扬声器在线纯音故障诊断系统的硬件结构，如图1所示。

其中，主要硬件设备的要求如下：

计算机

通用计算机的配置如表1所示。

名称	配置
		处理器内存外部设备操作系统	Intel Pentium4 2.4G Hz512M鼠标、键盘、显示器等Windows XP ProfessionalEdition(SP2)

表1  通用计算机配置

专业声卡1、

专业声卡1的主要性能指标要求如下：

A.模拟输入

●频响：15Hz～22kHz，±0.25dB

●线性：-120dBFS～0dBFS，±1dB

●动态范围：106dB A加权

●THD+n：＜0.0025％，20Hz～22kHz A加权

●串音：＜0.0015％

●标称输入电平：+4dBu或-10dBV(软件可选)

●最大输入电平：+18dBu或+4dBV(软件可选)

●输入阻抗：10kOhm

B.模拟输出

●频率响应：15Hz-22kHz，±0.25dB

●线性：-110dBFS-0dBFS，±0.8dB

●动态范围：106dB A-加权

●THD+n：＜0.0035％，20Hz-22kHz A加权

●串音：＜0.0015％

●标称输出电平：+4dBu或-10dBV(软件可选)

●最大输出电平：+18dBu或+4dBV(软件可选)

所述声卡的输出端连接功率放大器2的输入端；

功率放大器2

试验所用的功率放大器的主要性能指标如表2所示。

名称	性能指标
		频响增益失真输入阻抗输出阻抗输入噪声信噪比	10Hz～20000Hz，±0.2dB0～46dB线性可调0.01％ at 1kHz max 10V100kOhm以上100～300 Ohm小于10uV at 20dB gain(不计权)大于80dB

表2  功率放大器主要性能指标

扬声器3和拾音器4；

前置功率放大器5的输出端连接声卡1的输入端；

前置功率放大器5；

试验所用的前置放大器5的主要性能指标如表3所示。

名称	性能指标
		额定功率最大功率(THD小于1％)THD(额定功率下1kHz)信噪比频响其他	30W(8 Ohm)50W(8 Ohm)小于0.05％大于70dB20Hz～20000Hz，±0.5dB带输出电压指示器带输出短路保护输入RCA端口输出为音箱接线柱

表3前置放大器主要性能指标

在应用过程中，系统软件结构分为训练和测试两个过程。

训练的过程，主要包括以下步骤：

A、采集不合格扬声器样品的信号进行短时傅里叶变换；

B、根据HD选取异常区域，将其人工标号后构成一个样本，并形成训练样本集；

C、对训练样本集进行主成分分析得到特征集和变换矩阵；

D、由支持向量机生成分类面。

输出结果为主成分分析的变换矩阵以及支持向量机生成的分类面。

其具体步骤请参阅图2所示为：

将已知故障扬声器样本10，输入扫频信号序列11，采集时序离散序列12，短时傅里叶变换13，抽取异常区域序列14，人工标号形成样本15，加入训练本集16，是否进行添加样本判断17，如是，返回到已知故障扬声器样本10；如否，进行主成分分析18，得到变换矩阵U^/19，进行支持向量机分类20，得到分类面21，最后结束25。

测试过程，主要包括以下步骤：

1、采集待测扬声器产生的信号进行短时傅里叶变换；

2、根据HD选择异常区域，得到待测试样本；

3、将测试样本左乘训练过程中得到的变换矩阵，得到测试样本特征；

4、将测试样本特征与训练中得到的分类面进行判断得出故障诊断结论。

其具体步骤为；如图3所示；

未知故障扬声器样本30，输入扫频信号31，采集时域离散序列32，进行短时傅里叶变换33，抽取异常区域序列34，利用训练得到的变换矩阵U^/37进行主成分变换35，利用训练得到的分类面38进行区域判断36，根据区域判定36的结果，最后得出故障分类的故障诊断结论39。

系统软件结构具体原理与实现方法如下：

1、扬声器的时域信号分析

扬声器的异常主要是由于生产环节中使用了不合格的原材料或生产人员的错误操作造成的，它必然反映到扬声器的声学特征中，如碰芯声、垃圾声或其它各种异常音等。扬声器在生产过程中发生各部件位置错位或者有杂质混入其中等故障，如未能在人耳听觉感知的范围内引起扬声器声音的变化，则不影响扬声器的使用，否则，就需要确定扬声器的故障，进行返工或返修。扬声器的故障实质上是通过扬声器声学特征进行表现，并依据扬声器声学特征进行描述。

在扬声器工作频率范围中，任意频率处都有可能发生异常。为了充分激励扬声器的各个频段，输入到扬声器的信号一定要完全覆盖扬声器的整个工作频率范围，所以一般使用扫频信号作为输入。扫频信号是指频率按某种递增(减)规律进行变化的正弦信号，在本方法中，扬声器检测系统采用的是跳变扫频信号(Stepped Sweep信号)，是频率阶梯状递增(减)的信号。

将扫频信号序列以恒定的电压激励扬声器，扬声器所辐射的声压随频率而变化的曲线称为扬声器声压频率响应曲线，如图4所示。正常的扬声器产生的波形通常是比较圆滑的正弦波，而异常的扬声器会有许多细小的毛刺，如图5所示，严重的会产生变形。

2、扬声器纯音故障的时频域分析方法

扫频信号可以将扬声器各个频段的纯音异常都激发出来，但是从扬声器产生的时域序列进行分析，依靠“毛刺”的形状或者变形的严重程度来进行分类很难实现。“毛刺”本身就是不规则且多变的，并且受噪音的干扰很大，所以从时域的角度进行分类比较困难。扬声器的故障主要反映在不同频率范围内的高次谐波上，因此，采用短时傅利叶变换(short-time Fourier transform，STFT)，形成时-频域的频谱，可以较好地突出扬声器纯音故障的特征。

3、基于谐波失真度(HD)的扬声器纯音故障样本抽取方法

从频域的角度来看，扬声器被激励后，产生的声音基本上还是与输入信号频率相同的正弦波，但是会产生高次的谐波，即谐波失真。一般，对于高于基频8-10倍频率的信号，正常扬声器在这个频段基本没有谐波分量，可以作为判断扬声器异常的一个标准。

将扬声器产生的信号进行了短时傅里叶变换后，会产生了一幅二维的图像，但是STFT变换并没有压缩信号的数据量，所以采样信号序列经过STFT变换后的数据量还是相当大的，直接对其作为分类训练的输入对测试系统的计算处理能力有很高的要求，不适合在线检测。

此外，同一扬声器可能会在不同频率处出现不同种类的复合故障，因此，应能形成具有单一故障的样本，以提高故障分类的成功率。

谐波失真是指扬声器在工作过程中，由于会产生谐振现象而导致扬声器重放声音时出现失真。谐波失真是扬声器性能的一个重要的衡量指标，可以有效的检测出异常发生的频谱区域。本发明中设计的谐波失真度HD表示为：

$\mathrm{HD}=\frac{\sqrt{A_{p+1}^2+A_{p+2}^2+...A_M^2}}{A_1}---(3-1)$

式中：Ai表示为第i次谐波的幅值，A1为基波的幅值，p为扬声器产品允许的谐波次数，一般取8-10。

谐波失真可以很好地指示出纯音异常发生的频谱位置，对各类的异常扬声器测量得到HD曲线后，都会在出现纯音异常的频率处会出现峰值。

基于HD分析的方法抽取扬声器纯音故障样本时，应考虑HD曲线的最大值和在HD曲线中不同频率处的峰值。具体方法是，选取出HD曲线中前N个峰值之后，还应当根据经验的HD阈值判断是否超出标准，只有符合条件的，所在区域才被选为纯音异常区域。为了便于计算，从短时傅里叶变换的结果图中截取的纯音异常区域都是固定宽度的。

对于每一个抽取的纯音故障区域，经过故障类型的标定，构成一个训练样本，并由各种扬声器纯音故障的样本组成训练样本集。

4、基于主成分分析(PCA)的特征抽取方法

由于训练样本集的维数较高，还需要进一步进行特征的提取。

主成分分析(PCA)方法可对于给定的数据集计算一个新的正交基，使得数据集在这个新正交基上的投影变化极大化。其实质是将高维数据降为低维数据，因而可以用于模式识别、数据的特征提取及数据压缩等领域。主成分分析的基本思想是寻找一个最佳子空间，当多维数据X在该子空间进行投影后，所得分量具有最大方差。同时，当用新分量对原始数据进行重构时，在最小均方误差意义下逼近效果最优。本发明中，采用PCA方法进行特征抽取具有很好的效果。

具体的算法为：输入为M个中心化的向量，对应的就是M个样本：

$\left\{x_k\right\},k=1,...,M,x_k{\∈R}^N,\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{x}_k=0---(4-1)$

PCA算法要对角化协方差矩阵

$C=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{x}_j{x_j}^T---(4-2)$

要实现这一步，首先要解特征值问题

UΛU^T＝MC    (4-3)

其中U为正定矩阵，Λ为对角矩阵，其对角元素为协方差矩阵C的特征值，且特征值满足从大到小排列。

变换结果为：

${\tilde{x}}_i={U^{\′}}_k{x}_i,i=1,...M---(4-4)$

式4-4中的k为特征的个数，可以根据需要设定，U′_k为U的前k个列向量的转置。经过主成分分析得到的特征个数为k，对训练集进行主成分分析后，形成特征集。

5、基于支持向量机的纯音故障分类方法

由特征集生成分类面有多种不同的方法，而基于结构风险最小化的支持向量机在对小样本分类的情况下效果很好。所以本发明采用支持向量机的方法来生成分类面。

分类线方程为x×w+b＝0，对它进行归一化，使得对线性可分的样本集(x_i，y_i)，i＝1，...，n，x∈R^d，y∈{+1，-1}，满足

y_i[w·x_i+b]-1≥0，i＝1，...，n    (5-1)

此时分类间隔等于2/‖w‖，使间隔最大等价于使‖w‖²最小。满足条件(5-1)最小的分类面构成最优分类面。

利用Lagrange优化方法可以把上述最优分类面问题转化为其对偶问题，即：在约束条件：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0---(5-2)$

和

α_i≥0，i＝1，...，n    (5-3)

下对α_i求解下列函数的最大值：

$Q\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j(x_i\·x_j)---(5-4)$

解上述问题后得到的最优分类函数是

$f\left(x\right)=\mathrm{sgn}\{(w\·x)+b\}=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\α}}_i}^{*}{y}_i(x_i\·x)+b^{*}\}---(5-5)$

式中，b^*是分类阈值，可以用任一个支持向量求得，或通过两类中任意一对支持向量取中值求得。

同时，上面的方法在保证训练样本全部被正确分类，即经验风险为0的前提下，通过最大化分类间隔来获得最好的推广性能。但考虑错分的情况，即在经验风险和推广性能之间求得某种均衡，则通过引入正的松弛因子ξi来允许错分样本的存在。这时，约束(5-1)变为

y_i[w·x_i+b]-1+ξ_i≥0，i＝1，...，n    (5-6)

同时在目标——最小化

中加入惩罚项

最终，对偶问题可以写成：

Max： $Q\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i\·x_j)---(5-7)$

s.t. $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0---(5-8)$

0≤α_i≤C，i＝1，...，n    (5-9)

这就是分类支持向量机方法一般的表述。

在分类支持向量机的算法中，经比较，核函数K(x_i，x_j)选取了Gauss径向基核：

$K(x_i,x_j)={\mathrm{ce}}^{-r\left|\right|x_i-x_j\left|\right|}---(5-10)$

其中，c，r为常数，在用SVM进行分类时，通过验证的方式，用穷举法选择使结果最优的c和r。

上述的分类支持向量机算法是两类分类问题，而实际的分类要求实现多类分类，所以必须通过一定的方法将两类问题扩展为多类问题。本文中采用的是成对分类扩展方法。也就是对每两类都生成一个分类面，对于N类问题共生成N(N-1)/2个分类面，在验证时根据样本属于哪一类的次数更多则判断其属于这一类，当样本属于两类的次数相同时，则判断为序号小的一类。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.扬声器在线纯音故障诊断方法，其特征在于：采用谐波失真度的分析方法，抽取扬声器时-频域中扬声器纯音故障样本；利用主成分分析的方法提取故障信号的特征降低了计算维数；选择了适宜的核函数，构成了便于分类应用的支持向量机；该方法包括了训练方法和测试方法；两种方法均在扬声器检测系统中完成；

其中所述的训练方法包括以下步骤：

步骤1、在检测系统中，采用跳变扫频信号作为在纯音检测中的不合格扬声器样品的输入信号；

步骤2、通过信号采样，获取扬声器纯音故障的时域离散信号序列；

步骤3、采用短时傅里叶变换将从步骤2中的时域信号变换到时-频域的频谱；

步骤4、根据频谱中各频段的谐波失真度(HD)，抽取时-频域的扬声器纯音故障的异常区域，并形成训练样本集；

步骤5、对训练样本集，采用主成分分析(PCA)的方法，提取出扬声器纯音故障的特征集，同时得到主成分变换矩阵；

步骤6、对特征集，采用支持向量机进行分类训练，得到分类面，确定分类；

其中所述的测试方法包含以下步骤：

步骤1、在检测系统中，采用跳变扫频信号作为在纯音检测中的不合格扬声器的输入信号；

步骤2、通过信号采样，获取扬声器纯音故障的时域离散信号序列；

步骤3、采用短时傅里叶变换将从步骤2中的时域信号变换到时-频域的频谱；

步骤4、根据频谱中各频段的谐波失真度(HD)，抽取时-频域信号序列中的扬声器纯音故障序列，形成测试样本；

步骤5、将步骤4中的测试样本的向量左乘训练中得到的主成分变换矩阵，获取被测扬声器特征样本；

步骤6、将特征样本与训练中得到的分类面进行比较，得到分类的故障诊断结果。

2.根据权利要求1所述的一种扬声器在线纯音故障诊断方法，其特征在于：其中，训练方法中所述的步骤4还包括：

步骤4.1计算各频段的HD值，得到HD曲线；

步骤4.2根据HD曲线选取前N个峰值，判断每个峰值与给定阈值的关系，满足条件的每个峰值作为一个异常位置；

步骤4.3根据每个异常位置以及指定的长度和宽度选取出异常区域；

步骤4.4将异常区域按列展开成向量，与人工预先标定的故障类型组成一个样本；

步骤4.5重复步骤1-3、4.1-4.4，组成训练样本集。

3.根据权利要求1所述的一种扬声器在线纯音故障诊断方法，其特征在于：训练方法中所述的步骤5还包括：

步骤5.1对训练样本向量数据进行中心化；

步骤5.2计算中心化样本向量协方差矩阵的特征值及特征向量；

步骤5.3选择特征个数k，前k个特征值对应的特征向量即特征变换矩阵，将特征变换矩阵左乘样本集得到特征集。

4.根据权利要求1所述的一种扬声器在线纯音故障诊断方法，其特征在于：训练方法中所述的步骤6还包括：

步骤6.1选择核函数K为Gauss径向基核；

步骤6.2通过成对分类方法确定每两类的分类面；

步骤6.3根据每两类的分类面，通过投票系统得到最终分类面。

5.根据权利要求1所述的一种扬声器在线纯音故障诊断方法，其特征在于：所述的测试方法中的步骤4还包括：

步骤4.1计算各频段的HD值，得到HD曲线；

步骤4.2根据HD曲线选取前N个峰值，判断每个峰值与给定阈值的关系，满足条件的每个峰值作为一个异常位置；

步骤4.3根据每个异常位置以及指定的长度和宽度选取出异常区域；

步骤4.4将异常区域按列展开成向量，形成测试样本。

Images