论文部分内容阅读
在扬声器的生产过程中,所有制造商都希望他们在装配线上生产出高品质、高质量的产品。扬声器异常声检测显得格外重要,虽然国内外也生产出一些检测设备,但是具有价格贵、检测速度慢等不足,不适合在线检测,致使大多数企业检测是依赖人工使用扫频仪通过纯音检听进行判断。此方法需要单独设立听音工位,不仅在生产线等环境嘈杂的场所容易出现误判,而且如果长期耐受大功率驱动下的扬声器所产生的高声压级信号,还会对人的听力造成严重损伤。在目前劳动力日益短缺、工人身心健康更加被关注,以及自动化技术不断取得进步的今天,研究一种稳定可靠的扬声器异常声检测技术迫在眉睫。鉴于此缺陷,国内外学者也提出了很多关于扬声器异常声检测的方法,均可以有效地进行检测,但这些研究只是单纯的区分出扬声器有无异常,并没有对扬声器异常声信号进行有效分类,因此要进一步检测出扬声器异常声类型和程度,是个难点,也是一个新的研究方向。检测出异常程度是为了可以根据不同故障情况,去选择取舍问题,对于那些严重故障的扬声器可以直接返厂生产,轻微故障的扬声器可以进行一些简单的处理和修正之后再做检验直到为合格品为止;检测出异常类型是为了可以根据检测出来的异常类型,有针对性的对产品进行故障检修,提高产品生产质量。本论文就是针对扬声器异常声检测这一研究缺陷和空白,在前人的基础上进行更深一步的研究其异常声信号的分类和异常程度的识别。论文首先介绍了扬声器的基本知识以及异常声信号类型,之后给出了扬声器异常声检测的整体流程图以及各模块的流程图,然后就异常声门限和异常声类型进行了着重分析,异常声门限判定包括两部分:一是异常门限检测,主要是通过对电、声响应信号用模式识别方法进行综合判断,当且仅当两部分信号都符合要求才说明扬声器是无异常的;二是异常程门限度模块,是通过对扬声器的响应信号做短时傅里叶变换求时频图,再对时频图的每一列求高阶频率能量均值特征曲线,通过多个正常样品重复绘制特征曲线,得到标准特征曲线的上下门限,根据对被测扬声器的特征曲线偏离标准曲线门限的距离来判断异常程度,最后用MATLAB软件仿真出各类异常程度和标准曲线门限的对比图;对于异常类型模块,主要是模拟各类异常信号,通过对心理声学模型提取出的可听的异常声信号进行小波包分解,求出能量并归一化作为特征值,输入到BP神经网络中进行学习和训练,将被测扬声器的特征能量输入到BP网络中,得出识别结果。通过实验验证,此方法可以有效地对扬声器的异常声类型和异常门限进行检测。