Page 80 - 《应该声学》2022年第2期

248 2022 年 3 月

由表 1 ∼ 2 可初步分析得出，对企业影响较大
3 实验及结果分析 的异常声扬声器误判为合格品仅占 0.15%，待进一

步人工确定的中间态扬声器占比 1.78%，有效检出
以图 9 所示原理图搭建检测系统，采集所需数
率为 97.63%，异常声检测效果明显。根据表 3 检测
据并完成调试验证工作；在本实验系统中，每支待测
结果可初步判定，本文所采用检测方法对扬声器异
扬声器样本仅需提取 207 个特征点进行分析处理。
常声分类精度可达95%。
先后对已知合格性的 3 批某型号扬声器共 676 支进
行检测，扬声器样本属性如表 1 所示，检测结果如 表 3 分类检测结果
表 2所示。 Table 3 Classification detect result

擦声圈 开胶 小声 其他故障
Ҫဋஊܸ٨ 故障类型
஝
ᝠ ૶ ੴܦ٨ 样本/支 样本/支 样本/支 样本/支
ካ ᧔
఻ ᬷ 初始结果 20 20 20 20
ӵ ͜
฾᧚ஊܸ٨ ܦ
· ๗ 检出结果 19 20 18 19
٨
ܦ
ኸ
结果分析：相较于文献 [7] 所述检测方法，检测
图 9 实验检测原理图 449 支扬声器样本，中间态样本占 182 支，有效检出
Fig. 9 Schematic diagram of experimental mea- 率仅约 60%；同样基于短时傅里叶变换所得时频图
surement 进行分析，本文所构建扬声器异常声检测模型对于
异常声扬声器的有效检出率约 97%，远高于文献 [7]
表 1 扬声器样本属性
所述能量均值法；初步验证本文所述特征提取算法
Table 1 Properties of loudspeakers
可降低短时傅里叶变换自身误差对检测系统的影
响。对本实验中的误判扬声器样本进行了特征分
批次 合格样本/支 异常声故障样本/支
析，发现其特征曲线仅有小部分特征点差异性较大，
第一批 180 29
未达到系统设定检测阈值；其成因为检测模型构建
第二批 85 182
过程中，对该类型异常声故障样本的特征提取较少，
第三批 100 100
未能充分提取其异常声故障特征，造成检测过程中

表 2 检测结果 被误判为合格样本。文献 [13] 所述变分模态分解能
Table 2 Detection result 量熵算法对于扬声器异常声故障的平均识别率为
96.3%，而本文所述时频特征提取算法的识别率最
合格样本 故障样本 合格样本 故障样本 高为 95%，相较变分模态分解能量熵算法存在一定
批次
误判/支 误判/支 中间态/支 中间态/支
差距；其成因主要为基于短时傅里叶变换的时频分
第一批 1 1 3 1
析法存在系统误差，本文所述特征提取算法虽进一
第二批 0 0 1 0
步降低了其影响，但仍存在部分系统误差对检测系
第三批 2 0 4 3
统识别精度的干扰。
表 2 中合格样本误判：将合格扬声器判断为异
4 结论
常声产品；故障样本误判：将异常声扬声器判断为合
格品；合格样本中间态：未判断出合格性的合格扬声 本文基于改进 SIFT 算法对扬声器时频图提取
器样本；故障样本中间态：未判断出合格性的异常声 特征点，分析处理后构建特征点法，并将其应用于扬
扬声器样本。 声器异常声的检测。经过初步实验验证，可得出如
先后对某型号已知故障类型为开胶、擦声圈、 下结论：
小声以及未知故障类型扬声器各 20 支进行分类检 (1) 特征点法可应用于扬声器异常声检测系统，
测，结果如表3所示。 并进行部分故障的分类。