基于时频分析的扬声器故障在线检测方法研究

论文摘要

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-M BP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。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景和选题意义
• 1.2 国内外扬声器故障检测方法研究概况
• 1.3 扬声器故障自动检测技术综述
• 1.4 扬声器故障检测的技术难点
• 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
• 1.5.2 结合实际开展研究的意义
• 1.6 论文组织
• 1.7 本章小结
• 2 扬声器检测系统的工作原理
• 2.1 扬声器检测系统的性能要求
• 2.2 本文采用的检测方法及关键技术
• 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
• 2.3.2 扬声器故障检测方法的总体流程
• 2.4 本章小结
• 3 扬声器故障类型及检测系统
• 3.1 扬声器的种类及电动式扬声器的故障类型
• 3.1.1 扬声器的种类
• 3.1.2 电动式扬声器的故障类型
• 3.2 电动扬声器的工作原理
• 3.3 扬声器的主要性能指标
• 3.4 基于声音信号的扬声器故障检测系统的构成
• 3.4.1 扬声器故障检测系统的硬件
• 3.4.2 扬声器故障检测系统软件
• 3.5 本章小结
• 4 基于扬声器响应信号的时频分析及其特征提取方法
• 4.1 扬声器响应信号时频分析的理论基础
• 4.2 扬声器响应信号的等周期截取
• 4.3 时频分布的基本性质要求
• 4.4 扬声器故障检测时频分析方法
• 4.4.1 扬声器响应信号的短时傅立叶变换（STFT）
• 4.4.1.1 STFT的定义
• 4.4.1.2 扬声器响应信号的短时傅立叶变换的MATLAB实现
• 4.4.1.3 基于STFT的扬声器响应信号特征提取方法
• 4.4.2 扬声器响应信号的小波变换和小波包变换
• 4.4.2.1 小波变换及其优点
• 4.4.2.2 小波包变换
• 4.5 本章小结
• 5 基于人工神经网络的扬声器故障检测方法
• 5.1 人工神经网络简述
• 5.1.1 人工神经网络的基本特征和性质
• 5.1.2 神经网络的故障检测能力
• 5.1.3 人工神经网络的学习规则
• 5.2 BP神经网络
• 5.2.1 BP网络的拓扑结构及学习过程
• 5.2.2 BP网络的具体学习过程
• 5.2.3 BP算法存在的缺陷
• 5.2.4 Levenberg-Marquardt算法
• 5.2.5 各种训练算法的比较验证
• 5.3 扬声器故障检测神经网络模型结构的设计
• 5.3.1 输入节点和输出节点的确定
• 5.3.2 隐含层数和层内节点的确定
• 5.3.2.1 隐含层数的确定
• 5.3.2.2 隐含层节点数的确定
• 5.3.3 学习效率的确定
• 5.3.4 神经元激活函数的确定
• 5.3.5 网络权值和阈值的确定
• 5.4 基于L-M神经网络扬声器故障检测实验验证
• 5.4.1 扬声器故障检测神经网络参数与模型
• 5.4.2 人工神经网络检测与识别
• 5.4.3 结论
• 5.5 本章小结
• 6 基于支持向量机的扬声器故障检测方法
• 6.1 支持向量机理论介绍
• 6.1.1 支持向量机简述
• 6.1.2 SVM方法的特点
• 6.1.3 最优分类面及支持向量机的求解
• 6.1.4 核函数
• 6.1.5 支持向量机模型的构建
• 6.1.6 可分支持向量分类机（C-支持向量分类机）算法实现
• 6.2 基于支持向量机的扬声器故障检测
• 6.2.1 支持向量机故障检测步骤
• 6.2.2 基于C-SVM算法故障检测实验和模型的确定
• 6.2.2.1 核函数的确定
• 6.2.2.2 参数的确定
• 6.3 本章小结
• 7 检测系统运行实验及误差分析
• 7.1 整体设计
• 7.1.1 基于人工神经网络的模式识别系统设计
• 7.1.2 基于支持向量机的模式识别系统设计
• 7.2 实验及误差分析
• 7.2.1 实验
• 7.2.2 误差分析
• 7.3 本章小结
• 8 结论及展望
• 8.1 本文的主要工作和创新点
• 8.2 存在的问题及以后研究的方向
• 9 参考文献
• 10 攻读硕士学位期间发表论文情况
• 11 致谢