IT201900001665A1 - Metodo ed apparato per il monitoraggio automatizzato di sistemi di diffusione sonora mediante l’analisi delle grandezze relative ad un sistema dinamico non-lineare per mezzo di tecniche di analisi multivariata - Google Patents

Description

Descrizione del brevetto di invenzione dal titolo: “METODO ED APPARATO PER IL MONITORAGGIO AUTOMATIZZATO DI SISTEMI DI DIFFUSIONE SONORA MEDIANTE L’ANALISI DELLE GRANDEZZE RELATIVE AD UN SISTEMA DINAMICO NON-LINEARE PER MEZZO DI TECNICHE DI ANALISI MULTIVARIATA”,

DESCRIZIONE

Sommario dell’invenzione

L’invenzione riguarda il settore del monitoraggio di sistemi di diffusione sonora e più in particolare un metodo e relativo apparato per effettuare la diagnosi preventiva sullo stato di un sistema di diffusione sonora comprendente uno o più altoparlanti attraverso l’acquisizione delle grandezze di tensione e corrente in uscita dall’amplificatore audio di potenza corrispondente a ciascun altoparlante, da parte di una unità di elaborazione digitale, un DSP (digital signal processor). Le informazioni contenute in tali segnali, quando in ingresso dall’amplificatore vengono applicati degli opportuni stimoli, sono sufficienti per identificare lo stato di salute dell’altoparlante dell’intero sistema acustico attraverso tecniche di analisi multivariata.

Il detto metodo in questo modo è in grado di segnalare eventuali anomalie all’operatore e/o effettuare autonomamente delle contromisure, attraverso detta unità di elaborazione digitale,), al fine di migliorare la durata e/o la qualità dell’intero sistema di diffusione sonora.

Campo dell’invenzione

Gli altoparlanti che compongono i sistemi di diffusione sonora presentano un logoramento delle loro condizioni di normale funzionamento che può essere più o meno accelerato in funzione del contesto di utilizzo. Tale logoramento può causare una perdita delle performance dell’altoparlante in termini di qualità sonora che in alcuni casi può degenerare fino a causare la rottura fatale dell’oggetto.

Le principali cause di rottura di un altoparlante sono:

• Il danneggiamento della bobina mobile dovuto al surriscaldamento della stessa attraverso l’utilizzo di segnali impropri;

• il cedimento delle sospensioni dovuto a uno stress meccanico eccessivo od al normale invecchiamento delle stesse;

• il cedimento strutturale del cono dovuto a stress meccanici come l’urto delle parti mobili con le strutture dell’altoparlante stesso;

• l’ostruzione al movimento della bobina mobile da parte di materiale depositatosi all’interno attraverso le fessure di areazione o la creazione di ossido.

Ulteriori cause, meno frequenti, che possono portare alla rottura o ad una perdita delle performance sono tutte quelle che generano un disallineamento tra il movimento della bobina mobile e lo spazio nel traferro. Questo succede ad esempio per effetto della gravità, se gli altoparlanti sono grandi e le membrane hanno un peso non trascurabile.

Situazioni che invece accelerano l’invecchiamento dell’altoparlante sono ad esempio gli shock termici o cicli caldo/freddo, l’esposizione ad agenti atmosferici come i raggi UV o lo stoccaggio in condizioni non idonee come ad esempio l’alta umidità. Queste cause provocano un cambiamento fisico del materiale costituente le sospensioni e la membrana, quindi alterano le condizioni nominali del trasduttore stesso. Nei casi più estremi, anche il cono, con conseguenti deformazioni, e le colle che tengono insieme le varie parti possono subire un danno irreversibile.

Descrizione dello stato dell’arte

I sistemi di diagnosi dei malfunzionamenti degli altoparlanti presenti in commercio ed in letteratura sono esclusivamente per uso da laboratorio o nel controllo qualità. Essi prevedono l’utilizzo di microfoni e/o vibrometri laser per l’acquisizione della pressione sonora ed eventualmente dello spostamento della membrana del cono.

La rivelazione di eventuali difetti con questo metodo è basata prettamente sull’analisi delle non-linearità. L’elaborazione dei segnali, acquisiti tramite appositi dispositivi, passa attraverso un elaboratore equipaggiato con dei software opportuni, i quali attraverso tecniche di processamento del segnale, forniscono una misura di una determinata grandezza con un certo livello di accuratezza.

La diagnosi di un altoparlante fino ad ora è affidata a personale esperto in grado di riconoscere un determinato guasto a partire da alcuni sintomi. Tale diagnosi viene effettuata spesso in laboratori attrezzati. Inoltre, il numero di personale esperto in grado di effettuare tale tipo di operazione è esiguo anche perché necessità di un lungo addestramento. È importante sottolineare che nonostante l’esperienza e le capacità anche il personale esperto può eseguire una diagnosi errata.

Un altro tipo di diagnosi riscontrata in letteratura prevede l’identificazione di parametri relativi ad un modello analitico stabilito a priori al fine di predire la risposta del sistema nelle sue variabili di stato integrando le equazioni dello spazio di stato a partire da una condizione iniziale [1]. In questo tipo di approccio le limitazioni stanno nella scelta del modello che identifica il sistema e nel fatto che non viene modellizzata la variabilità di tali parametri in funzione del contesto di utilizzo del dispositivo stesso.

E’ pertanto una esigenza fortemente sentita quella di individuare una procedura di diagnosi che preveda l’utilizzo dei segnali di tensione e corrente applicati ad un altoparlante di un sistema di diffusione sonora e attraverso una analisi multivariata delle grandezze estratte consenta di distinguere la difettosità di detto altoparlante rispetto ad un modello matematico generato a partire da un database di misure relative a quel singolo modello di diffusore acustico comprensivo di tutte le sue parti, senza la necessità di ulteriori dispositivi.

Nei sistemi di altoparlanti attualmente in commercio le informazioni ricavate dai segnali di tensione e corrente in uscita dall’amplificatore audio di potenza vengono utilizzate soltanto nel “limiter”, ovvero nel dispositivo o algoritmo che si occupa di salvaguardare l’incolumità dell’altoparlante limitando il segnale in uscita dall’amplificatore nel caso in cui questo superi una determinata soglia stabilita a priori e con una dinamica temporale anch’essa fissata a priori.

Soluzione proposta e vantaggi

Costituisce oggetto della presente invenzione un metodo e relativo apparato che consente di effettuare la diagnosi preventiva sullo stato di un sistema di diffusione sonora attraverso l’acquisizione delle sole grandezze di tensione e corrente in uscita dall’amplificatore audio di potenza utilizzato, da parte di una unità di elaborazione digitale. Le informazioni contenute in tali segnali, quando in ingresso dall’amplificatore vengono applicati degli opportuni stimoli, sono sufficienti per identificare lo stato di salute dell’altoparlante e dell’intero sistema acustico. Questo è possibile attraverso tecniche di analisi multivariata, che si traduce in un modello matematico di carattere statistico basato su un database di misure che contengono l’informazione relativa allo stato di salute dell’altoparlante e del sistema nella sua completezza.

In questo modo si raggiunge il risultato di effettuare una diagnosi sullo stato di un sistema di diffusione sonora utilizzando le sole grandezze elettriche direttamente misurabili dalla porta di accesso di ciascun altoparlante presente nel sistema sotto esame.

Indicheremo con “feature” tutte quelle grandezze che si ricavano con metodi di misura diretti o indiretti dalle grandezze di tensione e corrente relative ad un determinato campione.

In una preferita forma realizzativa dell’invenzione, ogni altoparlante è dotato di una unità di elaborazione digitale posizionata all’interno del suo cabinet unitamente al suo amplificatore.

La descrizione del trovato sarà meglio compresa facendo riferimento alle allegate tavole di disegni che ne illustrano a solo titolo esemplificativo e non già limitativo una preferita forma di realizzazione dell’invenzione. Nelle tavole:

la figura 1 è un diagramma generale di funzionamento del sistema oggetto del trovato;

La figura 2a è un diagramma a blocchi del processo di modellizzazione che prevede di misurare l'errore tra la risposta del modello e lo stato reale del sistema al fine di ottimizzare i vari processi di misura, l’estrazione di una pluralità di caratteristiche, la selezione di quelle caratteristiche che sono significative ai fini della diagnosi e la scelta di uno o più modelli per raggiungere il grado di accuratezza desiderato;

La figura 2b è un diagramma a blocchi del processo di diagnosi che prevede l'attuazione in maniera sequenziale ed automatizzata di tre processi: processo di misura, di estrazione delle caratteristiche e di applicazione del modello da parte di un unità di elaborazione digitale introdotta nel sistema di diffusione acustica. L'informazione d'uscita di tali processi può essere utilizzata all’interno dello stesso sistema di diffusione sotto diagnosi per modificare le condizioni di lavoro oppure può essere comunicata ad un supervisore esterno.

La figura 3 è una rappresentazione esemplificativa del contenuto dei dataset di train e test in termini di variabilità dello stato dell'altoparlante;

La figura 4 è un diagramma a blocchi del processo di estrazione della risposta all'impulso attraverso l'utilizzo del segnale di chirp sinusoidale con andamento esponenziale come descritto nell’articolo A.Farina (vedi [4]). La convoluzione della risposta del sistema dinamico non lineare con il segnale inverso del segnale dello stimolo ha come risultato la risposta all’impulso del sistema.

Al fine di garantire la necessaria chiarezza alla descrizione, con il termine di altoparlante si intende: l’attuatore in grado di convertire il segnale elettrico nello spostamento di una membrana che a sua volta genera onde sonore.

Con il termine cabinet si intende: l’involucro che contiene gli altoparlanti ed ha la funzione di supporto meccanico di questi creando al contempo la condizione acustica ottimale per il funzionamento degli stessi.

Con il termine “sistema di diffusione sonora” o “diffusore acustico” si intende: l’insieme di uno o più altoparlanti con il relativo amplificatore ed il cabinet ove questi sono installati.

Con riferimento alla fig.1, un tipico diffusore amplificato secondo il presente trovato, prevede al suo interno un’unità di elaborazione digitale DSP (digital signal processor) che collegata ad un amplificatore audio di potenza 2 (Power Amplifer) consente di pilotare correttamente uno o più altoparlanti 4 presenti all’interno del diffusore stesso. L’oggetto in questione prevede un’unità di elaborazione che preleva tali segnali e fornisce determinati stimoli. Il blocco “Analyzer” 6 a partire da tali segnali fornisce in uscita delle grandezze caratteristiche del sistema sotto osservazione. Il blocco “Model” 8 a partire da tali risposte caratteristiche consente di effettuare la diagnosi 10 basandosi su un modello matematico precedentemente ottenuto sulla base di un database di training.9 (Database Cause-Symptom). Infine la diagnosi 10 consiste nella determinazione dello stato di normale funzionamento 11 piuttosto che di allerta 12 per un determinato aspetto individuato dallo stesso modello matematico. Tali informazioni sono comunicate all’operatore e/o utilizzate all’interno del sistema dall’unità di processamento del segnale audio DSP per migliorare aspetti di affidabilità e/o qualità del programma sonoro in riproduzione.

La soluzione proposta presenta i seguenti vantaggi:

1. Diagnosi dell’intero sistema e non solo dell’altoparlante singolo.

2. Riconoscimento del guasto anche in sistemi di difficile accesso.

3. Minimizzazione dell’errore umano nell’identificazione del guasto e della tipologia dello stesso.

4. Fattibilità della verifica che può essere effettuata anche da personale non esperto senza restrizioni d’ambiente e/o ulteriori strumenti.

5. Predizione della condizione di guasto.

6. Ottimizzazione dell’erogazione della potenza da parte dell’amplificatore al fine di garantire un funzionamento ottimale dell’altoparlante.

7. Uso di tale metodo per l’identificazione di anomalie nei sistemi fault-tolerant senza l’utilizzo di sistemi di rilevazione aggiuntiva tipo microfoni esterni al sistema.

8. Integrazione nei sistemi già esistenti (previa creazione del modello).

9. Stima della temperatura di esercizio dell’altoparlante e della pressione sonora durante il funzionamento dello stesso.

Descrizione dettagliata dell’invenzione Avere informazioni relative allo stato dell’altoparlante consente di pianificare al meglio le operazioni di manutenzione necessarie e di ottimizzare l’erogazione della potenza verso gli altoparlanti stessi garantendo una maggiore affidabilità e durata dell’oggetto.

L’idea di base della presente invenzione è quella di analizzare lo stato dell’altoparlante installato all’interno del suo cabinet unitamente al suo amplificatore. In questa maniera si tiene conto anche di eventuali anomalie relative al cabinet e all’amplificatore di potenza oltre che all’altoparlante stesso essendo quest’ultimo sensibile allo stato dell’intero apparato. Per tale motivo, nel seguito della descrizione, si parlerà di sistemi acustici nel complesso e non di altoparlanti, anche se la maggior difettosità risiede principalmente in quest’ultimo elemento.

Per ottemperare alla funzionalità di diagnosi gli inventori hanno deciso di utilizzare metodi di analisi multivariata come la classificazione statistica basata sulla misura delle sole grandezze elettriche misurabili dalla porta d’accesso dell’altoparlante. Il sistema sarà, quindi, in grado di effettuare la diagnosi attraverso un modello statistico basato su opportune misure che contengono l’informazione relativa allo stato di salute dell’altoparlante e del sistema nella sua completezza.

La fase di generazione del modello a partire da queste informazioni consiste nel misurare una casistica di sistemi in diversi stati di usura ed in diverse condizioni di lavoro.

Sono quindi previste due fasi operative: una fase di modellizzazione ed una fase di diagnosi.

La stima dello stato di ogni sistema in fase di modellizzazione è un passaggio fondamentale al fine di costituire un modello che garantisca un grado di affidabilità adeguato allo scopo.

Successivamente tale modello, applicato sulle stesse variabili misurate, è utilizzato nella fase di diagnosi che si attua su ogni prodotto ove è installato tale dispositivo.

Le figure 2a e 2b sono rispettivamente diagrammi a blocchi dei processi che si attuano nella fase di modellizzazione e nella fase di diagnosi.

In particolare la fig.2a è relativa alla costruzione di un modello di classificazione delle anomalie che prevede un processo di misura, blocco PM, su cui torneremo più avanti, con il quale si raccolgono una pluralità di segnali di tensione e corrente provenienti dall’amplificatore, seguito da un processo di estrazione, blocco FE, che consiste nell’estrarre dalle misure effettuate soltanto le grandezze delle sole feature che si pensano siano legate alla varianza che si vuole indagare e da una successiva selezione, blocco FSM, basata sulla misura di un numero di sistemi statisticamente significativo che prende il nome di “dataset”.

Costruzione dei dataset

Con riferimento alla suddetta fig.2a, i metodi di analisi sopracitati prevedono la costruzione di un modello di classificazione delle anomalie basato sulla misura di un numero di sistemi statisticamente significativo che prende il nome di “dataset”, che a sua volta viene suddiviso in due parti: dataset di train e dataset di test.

Il dataset di train contiene campioni in numero statisticamente valido per le diverse tipologie di anomalie che si vogliono riscontrare e per le diverse grandezze che si vogliono compensare. Ad ognuno di tali campioni è associata una label, ovvero una etichetta, che indica la vera anomalia dell’altoparlante ed è necessaria per l’utilizzo di tutti gli algoritmi di apprendimento supervisionato.

Un secondo dataset di costruzione simile al precedente è necessario al fine di valutare le capacità del modello ottenuto. Tale dataset, detto dataset di test, contiene dei campioni non inclusi nel dataset di train.

Il contenuto dei dataset di train e test in termini di variabilità dello stato dell’altoparlante è mostrato in fig.3. Esso prevede di includere una statistica dei diversi difetti – blocchi D1,D2,D3 - oltre che dello stato di logoramento – blocchi W1,W2,W3- e di normale condizione di lavoro , blocchi N1 e N2. .

I dataset in questione devono contenere una statistica sufficiente di campioni che presentano una varianza delle grandezze che si vogliono modellizzare e dei parametri che si vogliono compensare.

Parametri da modellizzare:

· Difetti conosciuti

· Logoramento stimato

Parametri da compensare:

· Varianza dei parametri tra i diversi campioni dello stesso modello di altoparlante.

· Condizioni ambientali di lavoro (temperatura, umidità, ecc.).

· Influenza dell’ambiente (interazioni acustiche con gli oggetti circostanti).

Misura dello stato

Al fine di generare un modello che, a partire dalle informazioni rilevate, sia in grado di stabilire lo stato di salute dell’altoparlante, è necessario che tale condizione sia oggettivamente misurabile con un grado di accuratezza sufficiente.

Lo stato dell’altoparlante è determinato attraverso tre tipi di analisi, che si effettuano sui campioni utilizzati per la costituzione del database in fase di modellizzazione:

a) L’analisi visiva permette di riscontrare anomalie costruttive o danni che ha subito l’altoparlante (es. danneggiamento membrana, anomalia sospensioni, difetti di fabbricazione);

b) L’analisi acustica permette di individuare difetti attraverso la misura di risonanze anomale o vibrazioni spurie;

c) Infine, l’analisi delle condizioni di lavoro permette di risalire alla storia dell’altoparlante e quindi individuare eventuali problemi e relative cause.

A tale scopo si intende dotare ogni cassa acustica, facente parte dei dataset di train e test, nella fase di modellizzazione di un dispositivo elettronico avente la funzione di registratore di un certo numero di segnali provenienti dall’amplificatore di potenza e da sensori in grado di rilevare le modalità e le condizioni di funzionamento di ogni cassa acustica.

Tali segnali e sensori sono indicativamente, ma non esclusivamente:

- Tensione di uscita dell’amplificatore.

- Corrente di uscita dell’amplificatore.

- Segnali di protezione dell’amplificatore. - Segnale di temperatura dell’amplificatore - Sensori ottici o a contatto per la misura o la stima della temperatura dell’altoparlante e delle sue parti.

- Sensori di temperatura della camera dell’altoparlante.

- Sensori di umidità della camera dell’altoparlante.

- Sensore di pressione all’interno della camera dell’altoparlante.

- Accelerometro.

- Giroscopio.

Il processamento e la combinazione dei diversi segnali permettono di avere degli indici relativi all’invecchiamento, all’usura ed ai danni accidentali relativi all’altoparlante nel suo relativo cabinet.

Processo di misura

Tutte le tecniche di acquisizione dei segnali sotto opportuni stimoli e tutte le tecniche di processamento dei segnali al fine di evidenziare le informazioni relative all’altoparlante rientrano nel processo di misura, blocco PM di fig.2a.

Per far ciò, secondo una caratteristica peculiare dell’invenzione, si intende considerare l’altoparlante come un sistema dinamico non lineare il cui ingresso è rappresentato dalla tensione applicata e la sua uscita dalla corrente che scorre in esso. Di conseguenza la funzione di trasferimento di tale sistema rappresenta la curva d’impedenza dell’altoparlante. (Vedi: La misura del comportamento dinamico e delle non-linearità in ([2] W. Klippel, «Nonlinear Large-Signal Behavior of Electrodynamic Loudspeakers at Low Frequencies,» J. Audio Eng. Soc. Vol. 40 N. 6, June 1992.)

A sua volta, la procedura di misura consiste in una serie di stimoli erogati dall’amplificatore ai quali corrispondono delle risposte nel segnale di corrente. I segnali acquisiti vengono inviati ad un’unità di elaborazione digitale la quale tramite algoritmi appositamente realizzati sarà in grado di condizionare gli stessi, estrapolare le grandezze utili in seguito descritte e, a partire da queste, estrarre delle feature. Le grandezze misurate possono essere assimilate a due categorie: relative al dominio della frequenza, come la curva d’impedenza, e relative al dominio del tempo come la risposta al gradino. A loro volta esse possono essere suddivise in misure della risposta lineare e misure delle nonlinearità.

Nello specifico vengono applicati dei segnali appartenenti a tre categorie principali:

- Stepped Sine Sweep [3]

- Continuous Exponential Sine Sweep [3] (vedi: Muller e P. Massarani, «Transferfunction measurement with sweeps» J. Audio Eng. Soc., pp. vol.49, pp. 443-471, June 2001.)

- Step Response Square Wave.

La prima tipologia – Stepped Sine Sweep è costituita da un insieme di segnali sinusoidali a frequenza crescente, a titolo di esempio non limitativo per 1/12 di ottava, a partire da una frequenza minima di 10Hz riprodotti consecutivamente fino alla copertura completa della banda audio. Ogni porzione di segnale contenente una sinusoide ad una specifica frequenza viene detto step. Per ogni step può essere calcolata l’impedenza a quella relativa frequenza, la fase tra la tensione e la corrente ed infine la misura di THD+N (Total Harmonic Distortion plus Noise, cioè la distorsione armonica totale più il rumore) relativa al segnale di corrente. Quest’ultima è una misura delle non-linearità che l’altoparlante introduce per via della sua natura. Un’evoluzione di quest’ultima misura è quella di intermodulazione ed è ottenuta aggiungendo allo sweep un tono fisso alla frequenza di risonanza consentendo di accentuare le non linearità legate alla posizione della bobina rispetto alla posizione di riposo.

La seconda tipologia di misure-Continuous Exponential Sine Sweep - si basa sull’estrazione della risposta all’impulso a partire da un segnale di tipo chirp. (Un chirp è un segnale periodico la cui frequenza varia linearmente con il tempo, crescendo (up-chirp) o decrescendo (downchirp)). Vedi: [4]. (A. Farina, «Simultaneous measurement of impulse response and distortion with a swept-sine technique» in 110th AES Convention, Paris, 2000, February).

Lo sweep in frequenza di tipo continuo ed esponenziale è generato secondo la relazione analitica:

Tale sweep parte dalla frequenza angolare ω1 fino alla frequenza angolare ω2 impiegando un tempo T.

Gli inventori sono partiti dalla constatazione che se tale tipo di segnale viene applicato ad un altoparlante e viene registrata la risposta di un parametro, che si intende interpretare come uscita, esso conterrà l’informazione relativa alle ripetizioni temporali, al rumore ed alle non-linearità. Per questo motivo si è scelto di utilizzare tale tipo di segnale al fine di estrarre la risposta del sistema avente il segnale di corrente come variabile di uscita. Le informazioni a cui si fa riferimento possono essere ricavate attraverso l’operazione di convoluzione della risposta del sistema al suddetto stimolo con il segnale inverso di quest’ultimo. Per segnale inverso si intende quel segnale che convoluto con il segnale di origine dà come risultato un impulso di Dirac (impulso ideale).

La fig. 4 mostra un diagramma a blocchi del processo di estrazione della risposta all'impulso attraverso l'utilizzo del segnale di chirp sinusoidale con andamento esponenziale. La convoluzione della risposta del sistema dinamico non lineare con il segnale inverso del segnale dello stimolo ha come risultato la risposta all’impulso del sistema.

Il segnale ottenuto da questo tipo di operazione gode della proprietà di separabilità della risposta lineare da quella non lineare permettendo di analizzare le due separatamente al fine di definire delle variabili legate a fenomeni diversi [4].

Infine, la risposta al gradino viene misurata attraverso l’applicazione di un segnale ad onda quadra con frequenza molto minore della frequenza di risonanza del sistema, tale che la durata del periodo relativo a tale frequenza sia maggiore della durata della risposta transitoria del sistema entro i limiti di errore stabiliti a priori. La misura di tale risposta per diversi livelli di tensione dello stimolo applicato permette di valutare la variabilità della dinamica del campione misurato in funzione dell’ampiezza dello stimolo stesso.

Estrazione delle feature

Il processo di estrazione delle feature è un passo condiviso sia dalla fase di modellizzazione che di diagnosi. Esso consiste nell’estrarre dalle misure effettuate soltanto le grandezze che si pensano siano legate alla varianza che si vuole indagare. Tale processo permette di ridurre la dimensionalità del problema che altrimenti sarebbe eccessiva per l’applicazione di alcune tecniche di riconoscimento del modello (pattern recognition).

Per altre tecniche di apprendimento automatico come il “deep learning”, invece, questo processo viene bypassato poiché tali architetture prevedono di utilizzare l’informazione completa, e quindi l’intero set di misure effettuate su ogni campione.

Queste informazioni riguardano grandezze caratteristiche derivate dalla curva d’impedenza, dalla risposta all’impulso, dai test di non-linearità:

• a) Feature della curva del modulo dell’impedenza: feature relative alla curva d’impedenza misurata con il metodo stepped sine sweep (spazzolatura in frequenza a gradini mediante una sinusoide) quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, fattori di merito dei picchi e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.

• b) Feature della curva di fase dell’impedenza: feature relative alla curva d’impedenza misurata con il metodo stepped sine sweep quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, frequenza dei punti a fase nulla e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.

• c) Feature curva THD+N: feature relative allo spettro di THD+N misurato con il metodo stepped sine sweep quali coordinate dei picchi della curva, distribuzione dei picchi in frequenza, media della frequenza dei picchi ed ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.

• d) Feature risposta all’impulso: feature relative alla risposta all’impulso misurata con il metodo continuous exponential sweep (spazzolatura in frequenza di tipo continua mediante una sinusoide) quali frequenza di oscillazione, numero di oscillazioni, tempo di assestamento ed ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.

• e) Feature spettro risposta all’impulso lineare: feature relative allo spettro della risposta all’impulso lineare misurata con il metodo continuous exponential sweep quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, fattori di merito dei picchi e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.

• f) Feature spettri di risposta all’impulso non lineare: feature relative agli spettri di risposta all’impulso non lineare misurata con il metodo continuous exponential sweep quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, fattori di merito dei picchi e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.

• g) Feature risposta al gradino: feature relative alla misura della risposta a gradino in funzione della ampiezza del segnale di onda quadra quali overshoot, peak time, rise time, settling time, ed ogni grandezza descrittiva di queste in funzione dell’ampiezza del segnale d’ingresso.

La combinazione delle feature derivanti da tutte le misure costituisce il set di grandezze necessario ai processi di analisi multivariata per la generazione del modello e l’utilizzo dello stesso.

Analisi multivariata

L’analisi multivariata delle grandezze estratte consente di distinguere la difettosità di un altoparlante attraverso un modello matematico generato a partire da un database di misure relative a quel singolo modello di diffusore acustico comprensivo di tutte le sue parti. Tale approccio risulta necessario ove il numero di variabili da tenere contemporaneamente in considerazione è significativo [5].

La costruzione di un database consiste nell’acquisizione di un numero statisticamente significativo di misure che permette di evidenziare la relazione causasintomo che costituisce intrinsecamente il modello matematico in grado di effettuare la diagnosi.

Per ogni misura effettuata su un campione vengono collezionate un certo numero di grandezze. Esse tengono conto sia dell’informazione utile ai fini della diagnosi sia dei fattori che aggiungono del rumore quali ad esempio le condizioni ambientali. Gestire questa mole di informazioni e capirne le relazioni risulta fondamentale. Ciò è possibile se vengono utilizzate tecniche di analisi multivariata, ovvero tecniche statistiche che si basano sull’analisi simultanea di più variabili.

Il modello matematico che viene utilizzato è selezionato a partire da un set di metodi e modelli inclusi nelle seguenti categorie appartenenti tutte alle macroaree del Machine Learning e dell’Artificial Intelligence:

- Cluster Analysis (analisi di gruppo)

- Unsupervised Learning (apprendimento non supervisionato)

- Supervised Learning (Classificatori lineari come la Fisher Discriminant Analysis, Partial Least Square Discrimininant Analysis, etc.)

- Neural Networks (Reti neurali)

- Deep Learning architecture (apprendimento profondo)

- Genetic Algorithms

- Rule-based Machine Learning

La selezione dei modelli viene effettuata a partire dai risultati ottenuti nella fase di modellizzazione poiché la scelta dell’utilizzo di un modello o la combinazione di più modelli cade nel compromesso performance-risorse di calcolo poiché questi dovranno essere implementati in una configurazione embedded. (integrata) La fase di modellizzazione prevede anche il processo di “feature selection” [6], ovvero la selezione, attraverso tecniche opportune, delle sole feature che garantiscono l’accuratezza adeguata del modello al fine di ridurre la dimensionalità del problema di modellizzazione e di limitare all’indispensabile il processo di misura.

Fasi operative

A livello operativo l’invenzione prevede due fasi. La prima fase riguarda il processo di creazione del modello e la validazione dello stesso.

La seconda fase è quella della diagnosi vera e propria. Ovvero il processo di identificazione di eventuali guasti o anomalie di un diffusore generico a partire dal modello costruito nella fase di modellizzazione.

Modellizzazione dello stato dell’altoparlante

La fase di modellizzazione prevede l’utilizzo dei dataset di train e test sopradescritti al fine di generare il modello. Lo stato degli altoparlanti presi come campioni, essendo conosciuto a priori, permette di affinare i processi di misura, dell’estrazione delle feature e del modello stesso.

Tale processo non è generalizzato per ogni altoparlante ma deve essere ripetuto per ogni modello di altoparlante che si vuole modellizzare.

–In fig. 2a il diagramma a blocchi del processo di modellizzazione prevede di misurare l'errore tra la risposta del modello e lo stato reale del sistema al fine di ottimizzare i vari processi di misura, estrazione feature, selezione feature ed uso del modello per raggiungere il grado di accuratezza desiderato.

Diagnosi dell’altoparlante

A livello operativo la diagnosi di corretto funzionamento consiste nel riprodurre gli stimoli sopradescritti e registrare le risposte dei segnali di tensione e corrente. In seguito, attraverso il processamento di tali dati grezzi e successivamente del processo di estrazione delle feature, queste informazioni vengono rese disponibili al modello che si occuperà di fornire in uscita la diagnosi del sistema stesso. Tale diagnosi consiste nell’identificazione del mancato rispetto delle condizioni di operatività standard dell’altoparlante e delle possibili cause. La conoscenza di queste informazioni consente di avvertire il personale responsabile e/o di modificare autonomamente le condizioni di funzionamento.

La fig. 2b mostra un diagramma a blocchi del processo di diagnosi che prevede l'attuazione in maniera sequenziale di tre processi: processo di misura, di estrazione delle feature e applicazione del modello. L'informazione d'uscita di tali processi può essere utilizzata all’interno del diffusore per modificare le condizioni di lavoro oppure può essere comunicata dall’unità di controllo digitale ad un supervisore esterno.

Questa tecnologia è facilmente integrabile nei sistemi digitali di processamento audio (DSP) già presenti a bordo dei sistemi di diffusione sonora. Ogni diagnosi viene registrata dal dispositivo in una memoria integrata in modo tale da poter essere utilizzata per valutare l’andamento dello stato del sistema durante la sua vita.

Tale diagnosi consiste nell’identificazione del mancato rispetto delle condizioni di operatività standard dell’altoparlante e delle possibili cause. La conoscenza di queste informazioni consente di avvertire il personale responsabile e/o di modificare autonomamente le condizioni di funzionamento.

Bibliografia

[1] W. Klippel, «Prediction of Speaker Performance at High Amplitudes»

in Audio Eng. Soc. Convention Paper 5418, New York, 2001.

[2] W. Klippel, «Nonlinear Large-Signal Behavior of Electrodynamic Loudspeakers at Low Frequencies,» J. Audio Eng. Soc. Vol. 40 N. 6, June 1992.

[3] S. Muller e P. Massarani, «Transferfunction measurement with sweeps,» J. Audio Eng. Soc., pp. vol.49, pp. 443-471, June 2001.

[4] A. Farina, «Simoultaneous measurement of impulse response and distortion with a swept-sine technique,» in 110th AES Convention, Paris, 2000, February.

[5] J. F.MacGregor, «Multivariate Statistical Approaches to Fault Detection and Isolation,» IFAC Proceedings Volumes, vol. 36, n. 5, pp. 549-554, 2003 June.

[6] I. Guyon e A. Elisseeff, «An Introduction to Variable and Feature Selection,» Journal of Machine Learning Research 3, pp. 1157-1182, 2003.

Claims (10)

1. RIVENDICAZIONI 1) Metodo per la diagnosi preventiva sullo stato di un sistema di diffusione sonora comprendente uno o più altoparlanti caratterizzato dal fatto che prevede di monitorare detto sistema di diffusione sonora, considerando ogni altoparlante come un sistema dinamico non lineare il cui ingresso è rappresentato dalla tensione applicata e la sua uscita dalla corrente che scorre in esso, e verificando il suo stato reale mediante un processo di misura che prevede di: a) applicare all’amplificatore di potenza di ciascun altoparlante costituente il sistema, una serie di stimoli ai quali corrispondono dei segnali di corrente in uscita; b) inviare tali segnali ad una unità di elaborazione digitale in grado di condizionare detti segnali, estrapolare le misure contenenti la o le informazioni relative allo stato di salute dell’altoparlante e del sistema nella sua completezza al quale dette informazioni sono riferite e, a partire da queste estrarre le grandezze utili che si pensano siano legate alla feature che si vuole indagare; confrontare le grandezze estratte con quelle presenti in un modello statistico basato su misure che contengono l’informazione relativa allo stato di salute dell’altoparlante e del sistema nella sua completezza, effettuate su campioni in diversi stati di usura ed in diverse condizioni di lavoro, ed ottenute in una precedente fase di modellizzazione.
2. 2) Metodo come alla riv. 1 caratterizzato dal fatto che detta fase di modellizzazione prevede: la creazione di un dataset formato dalle grandezze ottenute dalla porta di accesso elettrica e dallo stato reale di altoparlanti di riferimento misurato attraverso l’uso di sensori quali: a. Sensori di temperatura della camera dell’altoparlante, b. Sensori di umidità della camera dell’altoparlante, c. Sensore di pressione all’interno della camera dell’altoparlante, d. Accellerometro, e Giroscopio e la validazione dello stesso dataset, separando il set di dati originale in un set di training ed in un set di testing contenente campioni non inclusi nel dataset di training.
3. 3) Metodo come ad una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che il modello matematico generato a partire dal database di misure relative a ciascun modello di diffusore acustico comprensivo di tutte le sue parti è selezionato in un set di metodi e modelli inclusi nelle seguenti categorie appartenenti alle macroaree del Machine Learning e dell’Artificial Intelligence: a) Cluster Analysis b) Unsupervised Learning c) Supervise Learning (Classificatori lineari come la Fisher DiscriminantAnalysis, Partial Least Square Discriminant Analysis, and like) d) Neural Networks e) Deep Learning architecture f) Genetic Algorithms g) Rule-based Machine Learning.
4. 4) Metodo come ad una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che dopo il processo di creazione del modello, e la validazione dello stesso, la diagnosi vera e propria prevede un processo di identificazione di eventuali guasti o anomalie di un diffusore generico a partire dal modello costituito nella fase di modellizzazione e basato sulla misura delle sole grandezze misurabili dalla porta di accesso dell’altoparlante.
5. 5) Metodo come ad una qualunque delle rivendicazioni precedenti caratterizzato dal fatto che i segnali applicati sono appartenenti a tre categorie: a. Stepped Sine Sweep b. Continuous Exponential Sine Sweep c. Step Response Square Wave da cui si possono ricavare grandezze caratteristiche assimilate a due categorie: relative al dominio della frequenza, come la curva di impedenza, e relative al dominio del tempo, come la risposta al gradino.
6. 6) Metodo come alla rivendicazione 5 , in cui la prima tipologia – Stepped Sine Sweepè costituita da un insieme di segnali sinusoidali a frequenza a partire da una frequenza minima di 10Hz riprodotti consecutivamente fino alla copertura completa della banda audio, dove per ogni porzione di segnale contenente una sinusoide ad una specifica frequenza, o step, viene calcolata l’impedenza a quella relativa frequenza, la fase tra la tensione e la corrente ed infine la misura di THD+N relativa al segnale di corrente, quest’ultima risultando una misura delle non-linearità che l’altoparlante introduce per via della sua natura, da tale metodo potendosi estrarre le feature della curva del modulo dell’impedenza, quali: • Feature della curva di fase dell’impedenza: feature relative alla curva d’impedenza misurata con il metodo stepped sine sweep quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, frequenza dei punti a fase nulla e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.; e • Feature curva THD+N: feature relative allo spettro di THD+N misurato con il metodo stepped sine sweep quali coordinate dei picchi della curva, distribuzione dei picchi in frequenza, media della frequenza dei picchi e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.
7. 7) Metodo come alla rivendicazione 5 in cui la seconda tipologia di misure – Continuous Exponential Sine Sweep- si basa sull’estrazione della risposta all’impulso a partire da un segnale di tipo chirp, lo sweep in frequenza di tipo continuo ed esponenziale, da tale metodo potendosi estrarre le seguenti feature di risposta all’impulso: feature relative alla risposta all’impulso misurata con il metodo continuous exponential sweep quali frequenza di oscillazione, numero di oscillazioni, tempo di assestamento ed ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema; • • Feature spettro risposta all’impulso lineare: feature relative allo spettro della risposta all’impulso lineare misurata con il metodo continuous exponential sweep (passo esponenziale continuo) quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, fattori di merito dei picchi e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema. • •Feature spettri di risposta all’impulso non lineare: feature relative agli spettri di risposta all’impulso non lineare misurata con il metodo continuous exponential sweep quali coordinate dei picchi della curva, pendenze nei vari tratti della curva, fattori di merito dei picchi e ogni feature che possiede una variabilità statistica adeguata alla descrizione del problema.
8. 8) Metodo come alla rivendicazione 5 in cui la terza tipologia di misura si basa sull’applicazione di un segnale ad onda quadra con frequenza molto minore della frequenza di risonanza del sistema, tale che la durata del periodo relativo a tale frequenza sia maggiore della durata della risposta transitoria del sistema entro i limiti di errore stabiliti a priori; la misura di tale risposta per diversi livelli di tensione dello stimolo applicato permettendo di valutare la variabilità della dinamica del campione misurato in funzione dell’ampiezza dello stimolo stesso, da tale metodo potendosi estrarre le feature di risposta al gradino: feature relative alla misura della risposta a gradino in funzione della ampiezza del segnale di onda quadra quali overshoot, peak time, rise time, settling time, ed ogni grandezza descrittiva di queste in funzione dell’ampiezza del segnale d’ingresso.
9. 9) Apparato per l’esecuzione della fase di modellizzazione del metodo di diagnosi preventiva dello stato di un sistema di diffusione sonora, secondo la rivendicazione 1 caratterizzato dal fatto che comprende, per ogni cassa acustica del sistema di dissuasione sonora da modellizzare: - Sensori ottici o a contatto per la misura o la stima della temperatura dell’altoparlante e delle sue parti; - Sensori di temperatura della camera dell’altoparlante; - Sensori di umidità della camera dell’altoparlante; - Sensore di pressione all’interno della camera dell’altoparlante; - Accelerometro; - Giroscopio, ed un dispositivo elettronico avente la funzione di registrare i dati di un certo numero di segnali provenienti dall’amplificatore di potenza e da detti sensori.
10. 10) Apparato per l’esecuzione del metodo di diagnosi preventiva sullo stato di un sistema di diffusione sonora, secondo la rivendicazione 1, caratterizzato dal fatto che comprende, èper ogni cassa acustica interessata alla diagnosi un dispositivo elettronico avente la funzione di datalog per la registrazione di dati di un certo numero di segnali provenienti dall’amplificatore di potenza.