CN117956386A - 一种用于汽车声学系统的下线检测方法 - Google Patents

Abstract

本发明涉及一种用于汽车声学系统的下线检测方法，包括：S1、播放采集，测试扬声器和麦克风组成的混合系统，系统逐个驱动扬声器播放设定信号，同步的控制麦克风采集，获得录音数据；S2、传递函数计算，计算扬声器与麦克风之间的传递函数；S3、模型训练，通过无监督学习方法进行模型训练，得到高斯混合模型；S4、判断，通过已训练的模型进行判断。由于不需要布额外的麦克风、扬声器进行单独测试，且可同时测试麦克风和扬声器，从而能够节省测试时间，适合于汽车下线的短时间内对汽车内的声学系统进行测试。

Description

一种用于汽车声学系统的下线检测方法

技术领域

本发明属于检测领域，涉及车辆检测，特别是涉及汽车中扬声器、麦克风的测试。

背景技术

在汽车工业中，声学系统是车辆中不可或缺的一部分，它包括车载音响、语音识别、噪音控制等功能，为驾驶员和乘客提供了更好的驾驶体验。为了确保汽车声学系统的可靠性和性能，制造商需要在生产过程中实施有效的下线检测方法。下线检测是指在汽车组装过程完成后，对声学系统进行全面的测试和评估，以确保其符合设计规范和质量标准。

当前的汽车声学系统下线检测方法主要包括声音质量测试、频率响应测试、语音识别性能测试等。其中包含了对声学元器件本身对测试，以及对声学元器件组成的功能的测试，如，频率响应测试是针对扬声器和麦克风本身的测试，而语音识别测试则是针对功能等测试。

在针对扬声器、麦克风本身电声性能测试中，主要有频率响应测试、失真度测试、刮擦声测试等。此类测试通常需要较为完备的声学环境，如消声室。并且在开发阶段上，主要在前期研发阶段、或者部件级别的测试。

目前扬声器和麦克风在车内的趋势是整体上升的，截至目前高配汽车的扬声器已从原来的6支，上升到20支左右。安装位置也各不相同。

在汽车中，扬声器由于需要给整车营造较好的环绕声效。各自分工的扬声器分布在不同的位置，麦克风也是同理，目前由于语音操控的需求和车内主动噪声控制技术的普及，传感麦克风和参考麦克风数量也在上升，他们同样的安装在不同的部分。这带来了如下的主要问题：

(1)车内不是标准的声学环境，测试声学性能较为困难，汽车内部的截止频率高，几乎不存在自由场半径，无法进行标准声学测试；

(2)汽车是一个复杂的机械构件，公差累积现象严重，而这些公差最终是可能对声学性能产生影响的。而虽然每个包含扬声器(麦克风)的单个构件进行了单独的测试，但是安装的公差或应力是需要在整装完成后才能被最终确定，所以最适当进行声学检测的时机是在最终下线的时刻；

(3)目前新能源车的出货量逐步加大，且全自动化生产线的普及，使得最终组装完毕后，下线仅有较短的一段时间进行测试、并且此时汽车尚在传送带上，上下人员进行额外测试设备的架设，不管是从安全性、以及操作的可行性，测试的可靠性都欠佳。

由于上述的限制条件的存在，目前对最终下线的声学测试较少，主要需求是判断是否安装松动等带来异响。

目前对汽车下线后的声学测试，由于不方便开展，并且随着出货量的上升，主要靠主观听为主。这样带来了较大的测试不确定性。目前有试图采用单独在内部布额外测试设备的方式进行测试，但由于不同的汽车固定方式不同，需要额外的夹具，并且在整装下线的短时间内进行布置、测试、拆除是非常具有挑战性的。

发明内容

本发明的目的是要提供一种用于汽车声学系统的下线检测方法，解决了如何快速进行汽车下线测试的问题。

为达到上述目的，本发明采用的技术方案是：

本发明提供了一种用于汽车声学系统的下线检测方法，包括：

S1、播放采集，测试扬声器和麦克风组成的混合系统，系统逐个驱动扬声器播放设定信号，同步的控制麦克风采集，获得录音数据；

S2、传递函数计算，计算扬声器与麦克风之间的传递函数；

S3、模型训练，通过无监督学习方法进行模型训练，得到高斯混合模型；

S4、判断，通过已训练的模型进行判断。

优选地，S1中扬声器发生为白噪声信号。

优选地，S1中激励时进行低通滤波滤除对应麦克风设置采样率的1/2采样率以上高频信号。由于不同的麦克风的用途不同，如果对应采样率设置不同的情况，此处不能同步采集，需要对采样率一致的麦克风作为一组，而不同的作为另外一组。

优选地，S2中采用有限脉冲响应模型估计的方法进行传递函数的计算。

优选地，S2中还通过时域特征和频域特征对传递函数进行特征提取，进而对提取的特征进行检测。

进一步地，S3中还通过特征降维的方式减小运算量。

优选地，S3的模型训练拟合过程中先人为对车进行实车标签确定，或者通过听录音的方式获得标签。

优选地，S4的判断中，通过特征提取，再经过S3中拟合的模型对整车下线的状态进行判断。

优选地，还包括模型更新步骤，对判断的数据，或者客诉数据，进行数据重听，重新确认标签，进而更新训练的数据库，最终更新高斯混合模型。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

本发明的用于汽车声学系统的下线检测方法，由于不需要布额外的麦克风、扬声器进行单独测试，且可同时测试麦克风和扬声器，从而能够节省测试时间，适合于汽车下线的短时间内对汽车内的声学系统进行测试。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中：

图1是典型的新能源车的车内扬声器、麦克风、车机构成图；

图2单个扬声器到单个麦克风的FIR形式的传递函数形式表现图；

图3是对图2所示传递函数进行周期延拓获得的系统频率响应函数；

图4是特征分布图；

图5是判断的流程图；

图6是模型更新和训练的过程图。

具体实施方式

下面将结合附图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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本例采用的方式，用于图1的典型的新能源车，车内扬声器、麦克风、车机构成如图1所示。其中，麦克风、扬声器均由车机控制。

总共分成如下几个步骤实施，主要分为训练阶段和预测阶段两个阶段，其中训练阶段主要分成如下几个步骤：

1.车机驱动麦克风采集，驱动扬声器挨个单独播放特定信号；

2.计算各个扬声器与麦克风的传递函数；

3.数据上传到服务器；

4.服务器中通过无监督学习方法进行模型训练。

预测阶段与训练阶段类似，分为下属几个步骤：

1.车机驱动麦克风采集，驱动扬声器挨个单独播放特定信号；

2.计算各个扬声器与麦克风的传递函数；

3.通过已训练的模型进行判断。

除去数据上传部分外，主要分为下述的三个方面：

1.播放采集；

2.传递函数计算；

3.模型拟合/判断。

采集与播放

播放与采集本质上是测试扬声器和麦克风组成的混合系统的传递函数过程，由于在实际工作过程主要考察器件的线性性能。若扬声器的传递函数为S(s)，麦克风的传递函数为M(s)，则理想的系统的传递函数为H(s)＝S(s)M(s)，但通常情况下，系统经过操作系统还有其他电器过程会引入其他的传递函数D(s)，通常情况下D(s)主要表现为延时环节。通常情况的系统测试主要为了单独测试扬声器或者麦克风的传递函数(更多的主要时评估频率响应函数等)，而传递函数等效于系统的单位脉冲响应函数，可以通过对单位脉冲响应函数做傅里叶变换获得。注意此处扬声器发声优选发白噪声信号，并且由于通常扬声器的重放频率在汽车内部是44.1KHz/48KHz，而麦克风根据分工各有不同，8000Hz，16000Hz，48000Hz均有使用，所以为了避免频率混叠现象，在激励时需要根据每个汽车麦克风可以采用的重放频率进行优化，进行低通滤波滤除高频的信号，以8000Hz的麦克风采集频率为例，需要滤除4000Hz，1/2采样率以上的高频信号。

大致过程可以表达为：

1.系统查询麦克风支持的采样率，若麦克风的驱动支持相同的采样率，则同步以最高的采样率进行采集，若不支持，则单独对麦克风进行采集。麦克风采样率记为f_m1，f_m2，...。

2.系统生成随机种子噪声信号，并使用1/2麦克风采样频率对其进行滤波。

3.系统驱动扬声器发声，同步的控制麦克风采集(通常在程序中是两条指令，存在一定的延迟，但可忽略不计)，获得录音数据形如s1m1.wav(wav文件格式不是必须的，可表示此关系的数组关系即可)，此处的受处理的激励信号需要与麦克风对应。

4.判断是否有下一对扬声器/麦克风，且重复步骤3。

传递函数计算

此处的传递函数计算，本质上属于系统辨识的范畴，在此应用中我们采用有限脉冲响应模型估计的方法。记待辨识系统为为待辨识系统，用FIR模型来描述系统的响应：

其中u(k)为系统的输入，g(l)为滤波器系数，当用于传递函数计算的信号足够大，且待识别的信号足够稳定，FIR模型能够很好的近似于原模型，在计算FIR模型时，需要注意由于此FIR函数，g(l)实际上等价于系统的单位脉冲响应函数，可以通过对上述g(l)进行快速傅里叶分析获得其频率响应，所以g(l)的阶数需要考虑fft分析的频率分辨率，且是二的幂指数次为宜。

g(l)的整定过程可以采用LMS算法进行，下式为常用的LMS系数更新方法，其中μ为学习因子，g_t为对应时刻的滤波器系数，u(n)为当前时刻的输入，e(n)为当前时刻误差：

g_t+1＝g_t+2μu(n)e(n)

上述算法的执行流程如下：

1)滤波器初始化：g、u(滤波器数组与输入数组)

2)对每一个新的输入采样u，计算输出信号

3)利用期望输出，计算误差信号e(n)，得到梯度

4)利用LMS更新公式更新滤波器系数：g

5)返回步骤2)，直至结束，可以得到输出序列和误差序列。

模型拟合/判断

模型拟合

经过上述两个步骤，我们已经获得了单个扬声器到单个麦克风的FIR形式的传递函数，其通常具有如图2所示。对其进行周期延拓可获得图3的系统的频率响应函数。

分别对应了系统的时域响应与频域稳态响应。建立一些特征，对传递函数进行检测。

随着机器学习和人工智能领域的兴起，概率论是一个强大的工具，使得能够处理从分类到预测任务的许多应用中的不确定性。对于扬声器麦克风这类的场景，由于汽车场景下监督学习需要建立大量的数据库，并且由于车型迭代快，车型间差异大，利用监督学习并不是很好的方法，无监督学习的自动聚类更适合此场景，高斯混合模型(GaussianMixture Model)可以近似任意形状的概率分布，且具有较好的适用性。对于每个特征的分布可大概如图4的分布去描述。

在最终的下线中通常不需要对结果进行多分类，二分类即可，即OK或者NG，这样通常情况ok的对应的特征应具有分布特性，团聚在一个范围内，而NG的是较少的，则通过对正常样本拟合高斯模型，即可获得判别模型。

通常高斯分布是针对特征的，而FIR脉冲响应或者FFT的结果点数较多，一般点数是采样率/频率分辨率，若对每个频率点进行模型拟合，这样所需的数量是非常巨大的，运算量也会较高，可以考虑进行适当的特征降维。采用如下的降维方案：

总计33个特征，根据数据进行高斯混合模型拟合。在拟合过程中，需要先人为的对车进行实车标签确定，或者通过听录音的方式获得标签。标签为在机器学习中的一种术语。数据以及数据对应的判断称为标签。

模型判断

进过上述的步骤，后续只需要通过特征提取，再经过上述拟合的模型，进行判断即可获得整车下线的状态。判断过程的流程图，可有图5所示。

模型更新

后续对于判断的数据，或者客诉数据，可进行数据重听，重新确认标签。进而更新训练的数据库，最终更新高斯混合模型。模型更新和训练的过程图可有图6所示。

本例提出了一种利用车机内部扬声器麦克风，进行汽车下线检测的方法。通过拟合时域频域特征再拟合高斯混合模型的方式可对整车下线的扬声器麦克风系统进行检测，克服了整车下线检测难的问题：

(1)不需要布额外的麦克风、扬声器进行单独测试；

(2)可以同时测试麦克风与扬声器；

(3)节省测试时间。

同时测试麦克风与扬声器的解释：若所有扬声器对单个麦克风的传递函数都出问题，则为麦克风故障。单对的扬声器麦克风传递函数问题，则为扬声器故障。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种用于汽车声学系统的下线检测方法，其特征在于，包括：

S1、播放采集，测试扬声器和麦克风组成的混合系统，系统逐个驱动扬声器播放设定信号，同步的控制麦克风采集，获得录音数据；

S2、传递函数计算，计算扬声器与麦克风之间的传递函数；

S3、模型训练，通过无监督学习方法进行模型训练，得到高斯混合模型；

S4、判断，通过已训练的模型进行判断。

2.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：S1中扬声器发生为白噪声信号。

3.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：S1中激励时进行低通滤波滤除对应麦克风设置采样率的1/2采样率以上高频信号。

4.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：S2中采用有限脉冲响应模型估计的方法进行传递函数的计算。

5.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：S2中还通过时域特征和频域特征对传递函数进行特征提取，进而对提取的特征进行检测。

6.根据权利要求5所述用于汽车声学系统的下线检测方法，其特征在于：S3中还通过特征降维的方式减小运算量。

7.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：S3的模型训练拟合过程中先人为对车进行实车标签确定，或者通过听录音的方式获得标签。

8.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：S4的判断中，通过特征提取，再经过S3中拟合的模型对整车下线的状态进行判断。

9.根据权利要求1所述用于汽车声学系统的下线检测方法，其特征在于：还包括模型更新步骤，对判断的数据，或者客诉数据，进行数据重听，重新确认标签，进而更新训练的数据库，最终更新高斯混合模型。