CN114422900A - 一种基于大数据的头戴耳机用故障预测系统 - Google Patents

Abstract

本发明涉及头戴耳机故障预测技术领域，用于解决现有头戴耳机检测系统不具备对头戴耳机在不同应用环境下的适应能力进行检测分析的问题，具体为一种基于大数据的头戴耳机用故障预测系统，包括故障预测平台，所述故障预测平台通信连接有硬件分析模块、硬件评级模块、性能检测模块以及数据库，所述硬件分析模块用于对检测对象i的拉伸性能进行分析预测并得到拉伸次数；本发明针对于拉伸合格的头戴耳机进行适用性能检测，则可以模拟不同应用环境对头戴耳机的适应性能进行分析，通过适用性能检测结果可以对头戴耳机的应用场景进行匹配，也可以对不同适用性能的头戴耳机在不同环境下出现机械故障的概率进行预测分析。

Description

一种基于大数据的头戴耳机用故障预测系统

技术领域

本发明涉及头戴耳机故障预测技术领域，具体为一种基于大数据的头戴耳机用故障预测系统。

背景技术

头戴式耳机是戴在头上，并非插入耳道内，区别于入耳式耳塞的一类耳机，它是由两部分组成，信号发射器和带有信号接收和放大装置的耳机（通常是动圈式的），发射器与信号源相连，也可以在发射器前接入前级或耳机放大器来改善音质和调整音色。

现有的头戴耳机仅能够在出厂时对头戴耳机的各项参数进行检测，然而头戴耳机在使用时出现机械故障的概率还与应用场景、用户的使用情况有关系，因此出厂时的头戴耳机参数检测结果并不能够反映出头戴耳机在不同应用环境下的适应能力，也无法对检测合格的头戴耳机进行应用场景匹配，对头戴耳机在不同应用场景下容易出现的故障进行预测分析。

针对上述技术问题，本申请提出一种解决方案。

发明内容

本发明的目的就在于为了解决现有头戴耳机检测系统不具备对头戴耳机在不同应用环境下的适应能力进行检测分析以及容易出现的故障进行预测的功能的问题，而提出一种基于大数据的头戴耳机用故障预测系统。

本发明的目的可以通过以下技术方案实现：一种基于大数据的头戴耳机用故障预测系统，包括故障预测平台，所述故障预测平台通信连接有硬件分析模块、硬件评级模块、性能检测模块以及数据库；

在同一批头戴耳机中随机选出n个头戴耳机作为检测对象i，i，i=1，2，…，n，n为正整数；

所述硬件分析模块用于对检测对象i的拉伸性能进行分析预测并得到拉伸次数，对检测对象i的拉伸次数LCi进行求和取平均数得到平均次数PJ，将平均次数PJ与次数阈值进行比较并通过比较结果对检测对象的拉伸性能是否合格进行判定，针对拉伸性能合格的头戴耳机进行适用性能分析；

适用性能的分析过程包括：将检测对象i的拉伸次数JCi建立拉伸集合{JC1，JC2，…，JCn}，通过对拉伸集合进行方差计算得到检测对象的适用系数SY，通过数据库获取到适用阈值SYmax，将检测对象的适用系数SY与适用阈值SYmax进行比较：

若适用系数SY小于等于适用阈值SYmax，则判定头戴耳机的适用性能合格，硬件分析模块向故障预测平台发送适用合格信号，故障预测平台将接收到的适用合格信号发送至硬件评级模块；

若适用系数SY大于等于适用阈值Symax，则判定头戴耳机的适用性能不合格，硬件分析模块向故障预测平台发送适用不合格信号，故障预测平台将接收到的适用不合格信号发送至硬件评级模块；

所述硬件评级模块用于通过拉伸性能与适用性能对头戴耳机的硬件等级进行评定。

作为本发明的一种优选实施方式，拉伸性能的分析过程包括：选取n个人头模型并标记为辅助对象，将辅助对象按照头围数值由小到大进行排列，且相邻辅助对象的头围数值的差值为0.5cm，将n个辅助对象与检测对象随机进行分配，对完成分配的检测对象与辅助对象进行穿戴试验。

作为本发明的一种优选实施方式，穿戴试验的过程包括：将检测对象戴在辅助对象的两耳之间，然后将检测对象取下，测量检测对象的两个耳罩距离并进行记录，计数器数值加一，然后再次将检测对象戴在辅助对象的两耳之间，之后再将检测对象取下，测量检测对象的两个耳罩距离并进行记录，计数器数值再加一，以此类推；直至两个耳罩距离大于等于距离阈值，距离阈值由数据库直接获取，将计数器的数值进行输出。

作为本发明的一种优选实施方式，平均次数PJ与次数阈值的比较过程包括：

若平均次数PJ大于等于次数阈值，则判定头戴耳机的拉伸性能合格，硬件分析模块向故障预测平台发送拉伸合格信号，故障预测平台将接收到的拉伸合格信号发送至硬件评级模块；

若平均次数PJ小于次数阈值，则判定头戴耳机的拉伸性能不合格，硬件分析模块向故障预测平台发送拉伸不合格信号，故障预测平台将接收到的不拉伸合格信号发送至硬件评级模块。

作为本发明的一种优选实施方式，硬件等级评定的过程包括：若硬件评级模块接收到适用合格信号，则将头戴耳机的硬件等级标记为一等级，硬件评级模块向故障预测平台发送一级硬件信号；若硬件评级模块接收到适用不合格信号，则将头戴耳机的硬件等级标记为二等级，硬件评级模块向故障预测平台发送二级硬件信号；若硬件评级模块接收到拉伸不合格信号，则将头戴耳机的硬件等级标记为三等级，硬件评级模块向故障预测平台发送三级硬件信号。

作为本发明的一种优选实施方式，所述性能检测模块用于对头戴耳机的整体性能进行检测分析：随机抽取若干个头戴耳机作为待检对象，获取待检对象的阻抗数据ZK、灵敏数据LM以及功率数据GL；通过对阻抗数据ZK、灵敏数据LM以及功率数据GL进行计算得到待检对象的性能系数XN；通过数据库获取到性能阈值XNmin、XNmax，将待检对象的性能系数XN与性能阈值XNmin、XNmax进行比较并通过比较结果对待检对象的整体性能是否合格进行判定。

作为本发明的一种优选实施方式，待检对象的阻抗数据ZK获取过程包括：在1000Hz的测试频率下采用万用表获取待检对象的电感率DG，将待检对象的电阻标记为DZ，通过阻抗计算公式得到待检对象的阻抗数据ZK；待检对象的灵敏数据LM获取过程包括：通过数据库获取到灵敏范围的最大值与最小值，对灵敏范围的最大值与最小值进行求和取平均数得到灵敏标准值，将待检对象在1000Hz测试频率下的灵敏度与灵敏标准值的差值的绝对值标记为灵敏数据LM；待检对象的功率数据GL的获取过程包括：将待检对象在使用时的额定功率标记为功率数据GL。

作为本发明的一种优选实施方式，待检对象的性能系数XN与性能阈值XNmin、XNmax进行比较的具体过程包括：

若XN≤XNmin，则判定头戴耳机的整体性能等级为三等级，性能检测模块向故障预测平台发送三级性能信号；

若XNmin＜XN＜XNmax，性能检测模块向故障预测平台发送二级性能信号；

若XN≥XNmax，性能检测模块向故障预测平台发送一级性能信号。

与现有技术相比，本发明的有益效果是：

1、通过拉伸检测对头戴耳机的拉伸性能进行分析，从而对拉伸性能不合格的头戴耳机进行返厂处理，保证检测后的头戴耳机的拉伸性能能够满足正常使用要求，而针对于拉伸合格的头戴耳机进行适用性能检测，则可以模拟不同应用环境对头戴耳机的适应性能进行分析，通过适用性能检测结果可以对头戴耳机的应用场景进行匹配，也可以对不同适用性能的头戴耳机在不同环境下出现机械故障的概率进行预测分析；

2、通过性能检测模块可以结合硬件等级对头戴耳机的整体性能进行检测分析，通过性能系数的数值反映出头戴耳机整体性能的好坏，并对头戴耳机的整体性能进行评级，根据评级结果对头戴耳机的整体质量进行反馈。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明实施例一与实施例二的原理框图；

图2为本发明实施例三的方法流程图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，一种基于大数据的头戴耳机用故障预测系统，包括故障预测平台，故障预测平台通信连接有硬件分析模块、硬件评级模块、性能检测模块以及数据库。

实施例一

首先，通过硬件分析模块对头戴耳机的拉伸性能进行分析，通过拉伸性能分析的结果对头戴耳机的机械性能进行判定，针对拉伸性能不合格的头戴耳机需要返厂加工，而针对于拉伸性能为合格的头戴耳机，则需要对其用于不同类型用户的适用性能进行判定，拉伸性能的分析过程包括：在同一批头戴耳机中随机选出n个头戴耳机作为检测对象i，i，i=1，2，…，n，n为正整数，选取n个人头模型并标记为辅助对象，将辅助对象按照头围数值由小到大进行排列，且相邻辅助对象的头围数值的差值为0.5cm，选取与检测对象数量相同、头围数值等值增大的人头模型进行辅助检测，将n个辅助对象与检测对象随机进行分配，对完成分配的检测对象与辅助对象进行穿戴试验，穿戴试验的过程包括：将检测对象戴在辅助对象的两耳之间，然后将检测对象取下，测量检测对象的两个耳罩距离并进行记录，计数器数值加一，此过程为了测量检测对象在拉伸后的复位功能，从而由计数器数值反映出检测对象的拉伸性能；然后再次将检测对象戴在辅助对象的两耳之间，之后再将检测对象取下，测量检测对象的两个耳罩距离并进行记录，计数器数值再加一，以此类推；直至两个耳罩距离大于等于距离阈值，表示检测对象以达到拉伸极限，若继续使用，检测对象出现机械故障的概率大大增高，距离阈值由数据库直接获取，将计数器的数值进行输出，计数器的输出数值表示对应检测对象的极限拉伸次数。

将穿戴试验输出的数值标记为拉伸次数LCi，对检测对象i的拉伸次数LCi进行求和取平均数得到平均次数PJ，平均次数表示同一批检测对象的整体拉伸性能，将平均次数PJ与次数阈值进行比较：如果平均次数PJ大于等于次数阈值，则判定头戴耳机的拉伸性能合格，硬件分析模块向故障预测平台发送拉伸合格信号，故障预测平台将接收到的拉伸合格信号发送至硬件评级模块；否则，则判定头戴耳机的拉伸性能不合格，硬件分析模块向故障预测平台发送拉伸不合格信号，故障预测平台将接收到的不拉伸合格信号发送至硬件评级模块。

其次，针对拉伸性能合格的头戴耳机进行适用性能分析，适用性能分析的目的在于对拉伸性能合格的头戴耳机应用于不同头围对象时的适用性进行判定，针对于用户不断切换的应用环境，如网吧、VR体验馆等场所，适用性能不合格的头戴耳机在对应场所投入使用的话其发生机械故障的可能性大大提高，因此适用性能分析的意义在于对拉伸性能合格的头戴耳机进行应用环境分类匹配，适用性能的分析过程包括：将检测对象i的拉伸次数JCi建立拉伸集合{JC1，JC2，…，JCn}，通过公式

得到检测对象的适用系数SY，通过数据库获取到适用阈值SYmax，将检测对象的适用系数SY与适用阈值SYmax进行比较：若适用系数SY小于等于适用阈值SYmax，则判定头戴耳机的适用性能合格，适用性能合格的头戴耳机可以应用于不同场景以及不同头围的用户身上，其适用性能较好，硬件分析模块向故障预测平台发送适用合格信号，故障预测平台将接收到的适用合格信号发送至硬件评级模块；若适用系数SY大于等于适用阈值Symax，则判定头戴耳机的适用性能不合格，硬件分析模块向故障预测平台发送适用不合格信号，故障预测平台将接收到的适用不合格信号发送至硬件评级模块。

硬件评级模块用于通过拉伸性能与适用性能对头戴耳机的硬件等级进行评定，硬件等级评定的过程包括：若硬件评级模块接收到适用合格信号，表示头戴耳机的拉伸性能与适用性能均合格，该类头戴耳机在不同场景应用时出现机械故障的概率都较小，将头戴耳机的硬件等级标记为一等级，硬件评级模块向故障预测平台发送一级硬件信号；若硬件评级模块接收到适用不合格信号，表示头戴耳机的拉伸性能合格但适用性能不合格，该类头戴耳机在正常应用环境下出现机械故障的可能性较小，但是应用在用户切换频率较高或用户头围异常的情况下，其出现机械故障的概率会升高，将头戴耳机的硬件等级标记为二等级，硬件评级模块向故障预测平台发送二级硬件信号；若硬件评级模块接收到拉伸不合格信号，表示该类头戴耳机的拉伸性能不满足使用要求，需要返厂返工，将头戴耳机的硬件等级标记为三等级，硬件评级模块向故障预测平台发送三级硬件信号。

实施例二

头戴耳机的整体性能检测也尤为重要，在本实施例中，结合实施例一中的硬件等级作为权重影响因素，对头戴耳机的整体性能进行检测分析，性能检测模块对头戴耳机的整体性能进行检测分析的过程为：随机抽取若干个头戴耳机作为待检对象，获取待检对象的阻抗数据ZK、灵敏数据LM以及功率数据GL；待检对象的阻抗数据ZK获取过程包括：在1000Hz的测试频率下采用万用表获取待检对象的电感率DG，将待检对象的电阻标记为DZ，通过公式

得到待检对象的阻抗数据ZK；待检对象的灵敏数据LM获取过程包括：通过数据库获取到灵敏范围的最大值与最小值，对灵敏范围的最大值与最小值进行求和取平均数得到灵敏标准值，将待检对象在1000Hz测试频率下的灵敏度与灵敏标准值的差值的绝对值标记为灵敏数据LM；待检对象的功率数据GL的获取过程包括：将待检对象在使用时的额定功率标记为功率数据GL；通过公式XN=t×（α1×ZK+α2×GL）/（α3×LM）得到待检对象的性能系数XN，其中α1、α2、α3以及t均为比例系数，且α3＞α2＞α1＞1；t的取值判定过程为：若待检对象的硬件等级为三等级，则t的取值为0.85；若待检对象的硬件等级为二等级，则t的取值为1；若待检对象的硬件等级为一等级，则t的取值为1.15；通过数据库获取到性能阈值XNmin、XNmax，将待检对象的性能系数XN与性能阈值XNmin、XNmax进行比较：若XN≤XNmin，则判定头戴耳机的整体性能等级为三等级，性能检测模块向故障预测平台发送三级性能信号；若XNmin＜XN＜XNmax，性能检测模块向故障预测平台发送二级性能信号；若XN≥XNmax，性能检测模块向故障预测平台发送一级性能信号。

实施例三

请参阅图2所示，一种基于大数据的头戴耳机用故障预测方法，包括以下步骤：

步骤一：通过硬件分析模块对头戴耳机的拉伸性能进行检测分析，选取若干个不同头围的人头模型与待检测的头戴耳机进行匹配，通过穿戴试验得到头戴耳机的拉伸次数，通过拉伸次数获取得到平均次数，根据平均次数与次数阈值的比较结果对头戴耳机的拉伸性能是否合格进行判定；

步骤二：针对拉伸性能合格的头戴耳机进行适用性能分析，通过方差计算得到头戴耳机的适用系数，适用系数用于反应头戴耳机在不同头围的人头模型上使用时的拉伸性能差异性，从而对头戴耳机应用于不同类型用户时的适用性进行判定，适用系数的数值越小，则表示头戴耳机应用于不同类型用户时的拉伸性能越好，头戴耳机的适用范围也就越大；

步骤三：硬件评级模块通过拉伸性能与适用性能对头戴耳机的硬件等级进行评定并将头戴耳机的硬件等级判定为一等级、二等级或三等级，其中硬件等级为一等级的头戴耳机拉伸性能合格且能够适用于不同头围的用户，并且使用时其硬件出现故障的概率也越低；硬件等级为二等级的头戴耳机拉伸性能合格但只能够适用于正常头围的用户，在头围不属于正常范围内的用户使用或频繁更换使用用户（例如网吧、VR体验馆）的情况下，其硬件出现故障的概率较高，因此该部分的头戴耳机完全可以用于出厂销售，但不适于应用在网吧、VR体验馆等共享场合；硬件等级为三等级的头戴耳机的硬件检测不合格，不能够投入销售；

步骤四：性能检测模块对头戴耳机的整体性能进行检测分析并得到性能系数，通过性能系数与性能阈值的比较结果对头戴耳机的整体性能等级进行判定并将头戴耳机的整体性能等级判定为一等级、二等级或三等级。

上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；如：公式XN=t×（α1×ZK+α2×GL）/（α3×LM）；由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的性能系数；将设定的性能系数和采集的样本数据代入公式，任意三个公式构成三元一次方程组，将计算得到的系数进行筛选并取均值，得到α1、α2与α3的取值分别为1.52、2.43和5.18；

系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的性能系数；只要不影响参数与量化后数值的比例关系即可，如性能系数与灵敏数据的数值成反比；

本发明在使用时，通过硬件分析模块对头戴耳机的拉伸性能进行检测分析，选取若干个不同头围的人头模型与待检测的头戴耳机进行匹配，通过穿戴试验得到头戴耳机的拉伸次数，通过拉伸次数获取得到平均次数，根据平均次数与次数阈值的比较结果对头戴耳机的拉伸性能是否合格进行判定；针对拉伸性能合格的头戴耳机进行适用性能分析，通过方差计算得到头戴耳机的适用系数，适用系数用于反应头戴耳机在不同头围的人头模型上使用时的拉伸性能差异性，从而对头戴耳机应用于不同类型用户时的适用性进行判定。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种基于大数据的头戴耳机用故障预测系统，包括故障预测平台，其特征在于，所述故障预测平台通信连接有硬件分析模块、硬件评级模块、性能检测模块以及数据库；

在同一批头戴耳机中随机选出n个头戴耳机作为检测对象i，i，i=1，2，…，n，n为正整数；

所述硬件分析模块用于对检测对象i的拉伸性能进行分析预测并得到拉伸次数，对检测对象i的拉伸次数LCi进行求和取平均数得到平均次数PJ，将平均次数PJ与次数阈值进行比较并通过比较结果对检测对象的拉伸性能是否合格进行判定，针对拉伸性能合格的头戴耳机进行适用性能分析；

适用性能的分析过程包括：将检测对象i的拉伸次数JCi建立拉伸集合{JC1，JC2，…，JCn}，通过对拉伸集合进行方差计算得到检测对象的适用系数SY，通过数据库获取到适用阈值SYmax，将检测对象的适用系数SY与适用阈值SYmax进行比较：

若适用系数SY小于等于适用阈值SYmax，则判定头戴耳机的适用性能合格，硬件分析模块向故障预测平台发送适用合格信号，故障预测平台将接收到的适用合格信号发送至硬件评级模块；

若适用系数SY大于等于适用阈值Symax，则判定头戴耳机的适用性能不合格，硬件分析模块向故障预测平台发送适用不合格信号，故障预测平台将接收到的适用不合格信号发送至硬件评级模块；

所述硬件评级模块用于通过拉伸性能与适用性能对头戴耳机的硬件等级进行评定。

2.根据权利要求1所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，拉伸性能的分析过程包括：选取n个人头模型并标记为辅助对象，将辅助对象按照头围数值由小到大进行排列，且相邻辅助对象的头围数值的差值为0.5cm，将n个辅助对象与检测对象随机进行分配，对完成分配的检测对象与辅助对象进行穿戴试验。

3.根据权利要求2所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，穿戴试验的过程包括：将检测对象戴在辅助对象的两耳之间，然后将检测对象取下，测量检测对象的两个耳罩距离并进行记录，计数器数值加一，然后再次将检测对象戴在辅助对象的两耳之间，之后再将检测对象取下，测量检测对象的两个耳罩距离并进行记录，计数器数值再加一，以此类推；直至两个耳罩距离大于等于距离阈值，距离阈值由数据库直接获取，将计数器的数值进行输出，将输出的数值标记为检测对象i的拉伸次数LCi。

4.根据权利要求1所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，平均次数PJ与次数阈值的比较过程包括：

若平均次数PJ大于等于次数阈值，则判定头戴耳机的拉伸性能合格，硬件分析模块向故障预测平台发送拉伸合格信号，故障预测平台将接收到的拉伸合格信号发送至硬件评级模块；

若平均次数PJ小于次数阈值，则判定头戴耳机的拉伸性能不合格，硬件分析模块向故障预测平台发送拉伸不合格信号，故障预测平台将接收到的不拉伸合格信号发送至硬件评级模块。

5.根据权利要求4所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，硬件等级评定的过程包括：若硬件评级模块接收到适用合格信号，则将头戴耳机的硬件等级标记为一等级，硬件评级模块向故障预测平台发送一级硬件信号；若硬件评级模块接收到适用不合格信号，则将头戴耳机的硬件等级标记为二等级，硬件评级模块向故障预测平台发送二级硬件信号；若硬件评级模块接收到拉伸不合格信号，则将头戴耳机的硬件等级标记为三等级，硬件评级模块向故障预测平台发送三级硬件信号。

6.根据权利要求1所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，所述性能检测模块用于对头戴耳机的整体性能进行检测分析：随机抽取若干个头戴耳机作为待检对象，获取待检对象的阻抗数据ZK、灵敏数据LM以及功率数据GL；通过对阻抗数据ZK、灵敏数据LM以及功率数据GL进行计算得到待检对象的性能系数XN；通过数据库获取到性能阈值XNmin、XNmax，将待检对象的性能系数XN与性能阈值XNmin、XNmax进行比较并通过比较结果对待检对象的整体性能是否合格进行判定。

7.根据权利要求6所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，待检对象的阻抗数据ZK获取过程包括：在1000Hz的测试频率下采用万用表获取待检对象的电感率DG，将待检对象的电阻标记为DZ，通过阻抗计算公式得到待检对象的阻抗数据ZK；待检对象的灵敏数据LM获取过程包括：通过数据库获取到灵敏范围的最大值与最小值，对灵敏范围的最大值与最小值进行求和取平均数得到灵敏标准值，将待检对象在1000Hz测试频率下的灵敏度与灵敏标准值的差值的绝对值标记为灵敏数据LM；待检对象的功率数据GL的获取过程包括：将待检对象在使用时的额定功率标记为功率数据GL。

8.根据权利要求6所述的一种基于大数据的头戴耳机用故障预测系统，其特征在于，待检对象的性能系数XN与性能阈值XNmin、XNmax进行比较的具体过程包括：

若XN≤XNmin，则判定头戴耳机的整体性能等级为三等级，性能检测模块向故障预测平台发送三级性能信号；

若XNmin＜XN＜XNmax，性能检测模块向故障预测平台发送二级性能信号；

若XN≥XNmax，性能检测模块向故障预测平台发送一级性能信号。

Images