亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        VMD-Hilbert變換在揚(yáng)聲器異常聲檢測中的應(yīng)用

        2020-05-09 08:57:50周靜雷顏婷房喬楚
        聲學(xué)技術(shù) 2020年2期
        關(guān)鍵詞:變分時(shí)頻揚(yáng)聲器

        周靜雷,顏婷,房喬楚

        VMD-Hilbert變換在揚(yáng)聲器異常聲檢測中的應(yīng)用

        周靜雷,顏婷,房喬楚

        (西安工程大學(xué)電子信息學(xué)院,陜西西安 710600)

        針對(duì)基于時(shí)頻分析的揚(yáng)聲器異常聲檢測方法中短時(shí)傅里葉變換、小波包變換存在的不足,提出了一種基于變分模態(tài)分解-希爾伯特(Variational Mode Decomposition and Hilbert, VMD-Hilbert)變換的揚(yáng)聲器異常聲檢測方法。首先通過仿真信號(hào)分析,研究了VMD-Hilbert變換的時(shí)頻特性,并與其他三種時(shí)頻分析進(jìn)行了對(duì)比,結(jié)果表明VMD-Hilbert變換具有更好的自適應(yīng)性、能量聚焦性與時(shí)頻分辨率。然后,對(duì)實(shí)測揚(yáng)聲器聲響應(yīng)信號(hào)進(jìn)行VMD-Hilbert變換,求得被測揚(yáng)聲器單元的時(shí)頻矩陣與標(biāo)準(zhǔn)時(shí)頻矩陣之間的特征距離,并與其它三種時(shí)頻分析下的特征距離進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,VMD-Hilbert變換下的類間特征距離的離散度較大,便于更好地設(shè)定閾值,從而驗(yàn)證了VMD-Hilbert變換能更好地表征異常聲的時(shí)頻特征,以及其在處理非線性、非平穩(wěn)的揚(yáng)聲器聲響應(yīng)信號(hào)時(shí)的優(yōu)越性。

        揚(yáng)聲器異常聲檢測;時(shí)頻分析;變分模態(tài)分解;Hilbert變換;特征距離

        0 引言

        無論是在揚(yáng)聲器的設(shè)計(jì)、生產(chǎn)階段,還是維護(hù)階段,異常聲檢測都是一個(gè)至關(guān)重要的環(huán)節(jié),尤其是現(xiàn)今人們對(duì)聽音品質(zhì)的要求越來越高。人工聽音雖對(duì)揚(yáng)聲器潛在故障較為敏感,但受聽音員的主觀因素影響較大,難以做到檢測結(jié)果的重現(xiàn)性和可比性[1]。揚(yáng)聲器異常聲檢測的自動(dòng)化、快速化、高靈敏度以及檢測結(jié)果的高準(zhǔn)確性,一直是國內(nèi)外廣大揚(yáng)聲器異常聲檢測研究者所追求的。

        揚(yáng)聲器檢測時(shí)的聲響應(yīng)信號(hào)是非線性、非平穩(wěn)的聲頻信號(hào)[2],其時(shí)域特征較為微弱[3-4],難以被檢測,若只進(jìn)行頻域特征檢測,又會(huì)損失振動(dòng)特征,因此利用時(shí)頻分析的方法來檢測揚(yáng)聲器異常聲是一種更為有效的方法。Davy等[5]利用科思(Cohen)類時(shí)頻分析的方法,得到聲響應(yīng)信號(hào)的時(shí)頻矩陣,然后計(jì)算科爾莫洛夫(Kolmogorov)距離來實(shí)現(xiàn)揚(yáng)聲器的異常聲檢測。Brune等[6]利用短時(shí)傅立葉變換對(duì)揚(yáng)聲器聲響應(yīng)信號(hào)進(jìn)行時(shí)頻分析,發(fā)現(xiàn)合格揚(yáng)聲器的時(shí)頻圖中只有基波和少量的低階諧波出現(xiàn),而故障揚(yáng)聲器具有較寬的頻譜。Ruiz等[7]對(duì)所測得的揚(yáng)聲器工作時(shí)兩端的電流信號(hào)進(jìn)行趙-阿特拉斯-馬克斯分布(Zhao-Atlas-Marks Distribution, ZAMD)變換,再對(duì)獲得的時(shí)頻圖進(jìn)行分割,求取與正常揚(yáng)聲器時(shí)頻圖之間的馬氏距離,實(shí)驗(yàn)表明,隨著揚(yáng)聲器故障程度的加深,對(duì)應(yīng)的馬氏距離也在增加。

        在國內(nèi),于德敏等[8]從圖像的角度,研究了不同故障揚(yáng)聲器在短時(shí)傅里葉變換、小波包變換下的3種特征距離,實(shí)現(xiàn)了揚(yáng)聲器異常聲的檢測。李宏斌等[9]將經(jīng)短時(shí)傅里葉變換后獲得的時(shí)頻圖進(jìn)行分割,并計(jì)算與黃金樣品對(duì)應(yīng)矩陣的Kolmogorov距離,從而判斷揚(yáng)聲器是否存在異常聲。李云紅等[10]利用希爾伯特黃變換(Hilbert Huang Transform, HHT)對(duì)建立的幾種揚(yáng)聲器異常聲模型進(jìn)行了分析,得出不同的異常聲種類,其Hilbert譜呈現(xiàn)出不同的特征規(guī)律。周曉東等[11]研究了短時(shí)傅里葉變換下,不同窗函數(shù)對(duì)揚(yáng)聲器異常聲檢測的影響,確定所研究的8種窗函數(shù)中,最佳窗函數(shù)為平頂窗。

        在基于時(shí)頻分析的揚(yáng)聲器異常聲檢測中,相關(guān)學(xué)者主要采用了短時(shí)傅里葉變換(Short-Time Fourier Transform, STFT)與小波包變換(Wavelet Packet Transformation, WPT),其中WPT所選擇的小波函數(shù)主要為dmey小波,分解層數(shù)為6層,但并沒有對(duì)不同的時(shí)頻分析方法進(jìn)行對(duì)比分析。STFT與WPT在分析非線性、非平穩(wěn)信號(hào)時(shí),都具有一定的局限性。STFT雖在一定程度上克服了傅里葉變換不具備局部分析能力的缺陷,但它實(shí)際上是一種單一分辨率的變換,即窗函數(shù)一旦確定,時(shí)頻分辨率也隨之確定。WPT雖具有多分辨率的特點(diǎn),但它實(shí)質(zhì)上是一種窗口可調(diào)的傅里葉變換,仍受測不準(zhǔn)原理的限制,且存在能量泄露、小波函數(shù)以及分解層數(shù)難以選擇的問題,不具有良好的自適應(yīng)性。而經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)在處理非線性、非平穩(wěn)信號(hào)時(shí)雖具有自適應(yīng)性,但其本質(zhì)上屬于遞歸式模態(tài)分解,包絡(luò)估計(jì)誤差經(jīng)多次遞歸分解而被放大,易出現(xiàn)模態(tài)混疊,且其頻率分辨率受限,分解結(jié)果受采樣率的影響較大[12]。

        針對(duì)EMD存在的問題,Dragomiretskiy等[13]提出了一種非遞歸式的、自適應(yīng)的、具有多分辨率的信號(hào)分解方法——變分模態(tài)分解(Variational Mode Decomposition, VMD)。VMD在很大程度上克服了EMD的模態(tài)混疊、誤差累積等問題[14-15],其本質(zhì)上是一系列自適應(yīng)的維納濾波器,具有很好的噪聲魯棒性。賈亞飛等[16]利用VMD-WVD聯(lián)合分析高壓電器設(shè)備局部放電信號(hào),有效地解決了Wigner-Ville分布的交叉項(xiàng)干擾問題,并保證了較高的能量聚集性和很好的時(shí)頻分辨率。向玲等[17]利用VMD-Hilbert變換與HHT處理轉(zhuǎn)子故障信號(hào),實(shí)驗(yàn)結(jié)果表明,VMD-Hilbert變換更能準(zhǔn)確地提取出轉(zhuǎn)子故障特征。VMD已經(jīng)在處理非線性、非平穩(wěn)故障信號(hào)中得到了廣泛的應(yīng)用,并能很好地提取故障特征。

        針對(duì)STFT、WPT方法在處理非線性、非平穩(wěn)信號(hào)時(shí)的局限性,以及EMD存在的模態(tài)混疊等問題,本文首次將VMD-Hilbert變換應(yīng)用于揚(yáng)聲器的異常聲檢測中。首先,基于仿真信號(hào),對(duì)STFT、WPT、HHT、VMD-Hilbert變換的時(shí)頻特性展開了對(duì)比研究。然后,在實(shí)測信號(hào)的基礎(chǔ)上,對(duì)實(shí)測信號(hào)進(jìn)行時(shí)頻變換,求得幾種不同時(shí)頻變換下的特征距離,對(duì)比分析了特征距離之間的離散度,以期為揚(yáng)聲器異常聲檢測引入一種新的、有效的時(shí)頻分析方法,提高檢測的準(zhǔn)確率。

        1 理論分析

        1.1 變分模態(tài)分解

        VMD以各模態(tài)帶寬和最小為原則,采用乘法算子交替方向法(Alternate Direction Method Multiplires, ADMM),將復(fù)雜信號(hào)分解成具有有限帶寬的一系列調(diào)幅調(diào)頻信號(hào),即變分模態(tài)函數(shù)(Variational Mode Function, VMF),且所有分量滿足固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)的定義。

        1.1.1 變分問題的構(gòu)建

        最后,通過L2范數(shù)梯度的平方估計(jì)出各個(gè)模態(tài)的帶寬,構(gòu)建出如下變分約束問題:

        1.1.2 變分問題的求解

        式(3)的增廣拉格朗日函數(shù)為

        從而式(3)的最小值優(yōu)化問題轉(zhuǎn)變成了式(4)中求一系列迭代子優(yōu)化中的增廣拉格朗日函數(shù)的鞍點(diǎn)問題,即ADMM。

        VMD中的ADMM優(yōu)化算法步驟:

        (2) 迭代循環(huán)=+1;

        (5) 直到滿足收斂條件:

        1.2 特征距離計(jì)算

        由于Kolmogorov距離具有良好的歸一化特性以及計(jì)算速度快的特點(diǎn)[9],本文采用Kolmogorov特征距離,其計(jì)算過程如下:

        2 仿真信號(hào)分析

        為研究VMD-Hilbert變換、HHT、WPT、STFT的時(shí)頻特性,構(gòu)造如式(11)所示的仿真信號(hào):

        圖1 仿真信號(hào)及其各分量時(shí)域圖

        表1 仿真信號(hào)不同值對(duì)應(yīng)的中心頻率 (Hz)

        圖2 VMD分解后各模態(tài)時(shí)域圖

        圖3 VMD分解后各模態(tài)頻譜圖

        圖4 仿真信號(hào)的VMD-Hilbert時(shí)頻譜

        圖7 仿真信號(hào)的HHT時(shí)頻譜

        圖8 仿真信號(hào)的6層WPT時(shí)頻譜

        圖9 仿真信號(hào)的7層WPT時(shí)頻譜

        圖10 仿真信號(hào)的STFT時(shí)頻譜(平頂窗、窗長512)

        綜上所述,VMD-Hilbert變換具有更好的自適應(yīng)性、能量聚焦性與時(shí)頻分辨率,而EMD存在模態(tài)混疊現(xiàn)象,WPT、STFT都受測不準(zhǔn)原理的限制,難以兼顧時(shí)頻分辨率。

        圖11 仿真信號(hào)的STFT時(shí)頻譜(平頂窗、窗長1 024)

        3 實(shí)測信號(hào)分析

        3.1 實(shí)驗(yàn)測量

        為分析VMD-Hilbert變換、HHT、WPT、STFT4種不同的時(shí)頻分析方法對(duì)異常聲檢測的影響,設(shè)計(jì)了如下測量實(shí)驗(yàn):測量對(duì)象為32個(gè)1511型微型揚(yáng)聲器單元,編號(hào)為1~32號(hào),其中1~13號(hào)為良品,14~32號(hào)為不良品。該款揚(yáng)聲器單元的諧振頻率為1 000 Hz。相對(duì)于從低頻到高頻掃描的方式,從高頻到低頻掃描的方式,可減小揚(yáng)聲器單元測量時(shí)的穩(wěn)定時(shí)間[18],而異常聲主要出現(xiàn)在諧振頻率附近,因此,本實(shí)驗(yàn)采用頻率為10 000~100 Hz的連續(xù)對(duì)數(shù)掃頻信號(hào)激勵(lì)被測揚(yáng)聲器單元。測量原理如圖12所示。

        圖12 實(shí)驗(yàn)測量原理圖

        3.2 數(shù)據(jù)處理與分析

        下面通過對(duì)比不同時(shí)頻分析方法下的特征距離的離散度,來驗(yàn)證VMD-Hilbert變換時(shí)頻分析方法在處理非線性、非平穩(wěn)的揚(yáng)聲器響應(yīng)信號(hào)時(shí)的有效性。

        依據(jù)前人的研究,本實(shí)驗(yàn)選取dmey小波對(duì)揚(yáng)聲器聲響應(yīng)信號(hào)進(jìn)行6層小波包分解[7];STFT的窗函數(shù)選擇窗長為1 024的平頂窗[11]。依據(jù)上述方法求取4種不同時(shí)頻分析下的Kolmogorov距離,其分布圖如圖13所示。縱坐標(biāo)的1、2、3、4分別代表VMD-Hilbert變換、HHT、WPT、STFT。

        表2 實(shí)測信號(hào)不同值對(duì)應(yīng)的中心頻率 (Hz)

        圖13 4種時(shí)頻分析下的Kolmogorov距離分布圖

        由圖13和表3可知,良品與不良品在HHT下的Kolmogorov距離出現(xiàn)了混淆,無法完全區(qū)分良品與不良品;VMD-Hilbert變換下的類間Kolmogorov距離離散度最大,便于更好地設(shè)定閾值,以區(qū)分良品與不良品,而WPT、STFT下的類間Kolmogorov距離離散度相對(duì)較小,這也驗(yàn)證了VMD-Hilbert變換在處理非線性非平穩(wěn)揚(yáng)聲器響應(yīng)信號(hào)時(shí)的有效性,而WPT、STFT受測不準(zhǔn)原理的限制,在處理非線性、非平穩(wěn)信號(hào)時(shí)具有一定的局限性。

        表3 4種時(shí)頻分析下的

        4 結(jié)論

        本文首次將一種新的時(shí)頻分析方法VMD-Hilbert變換應(yīng)用于揚(yáng)聲器的異常聲檢測中,結(jié)論如下:

        (1) 通過仿真信號(hào)分析得出:VMD能自適應(yīng)地將多頻率分量分解到多個(gè)模態(tài)中,克服了EMD中的模態(tài)混疊現(xiàn)象,相較于STFT、WPT、HHT,VMD-Hilbert變換具有更好的時(shí)頻分辨率、能量聚集性與自適應(yīng)性。

        (2) 通過實(shí)測揚(yáng)聲器聲響應(yīng)信號(hào)分析得出:與STFT、WPT、HHT相比,VMD-Hilbert變換下的類間特征距離離散度較大,能更好地設(shè)定閾值,更有利于實(shí)現(xiàn)揚(yáng)聲器異常聲檢測。實(shí)驗(yàn)結(jié)果表明,VMD-Hilbert變換能更好地表征揚(yáng)聲器異常聲在時(shí)頻域上的特征。

        [1] STEFAN I, KLIPPEL W. Fast and sensitive end-of-line testing[C]//Audio Engineering Society Convention 144. Audio Engineering Society, 2018: 9927-9937.

        [2] NOVAK A, SIMON L, KADLEC F, et al. Nonlinear system identification using exponential swept-sine signal[J]. IEEE Transactions on Instrumentation and Measurement, 2010, 59(8): 2220-2229.

        [3] STEVE T, PASCAL B. Enhancements for loose particle detection in loudspeakers[C]//Audio Engineering Society Convention 116, 2004: 6164-6175.

        [4] IRRGANG S, KLIPPEL W, SEIDEL U. Loudspeaker testing at the production line[C]//Audio Engineering Society Convention 120, 2006: 6845-6858.

        [5] DAVY M, DONCARLI C. A new nonstationary test procedure for Improved Loudspeaker Fault Detection[J]. Journal of the Audio Engineering Society, 2002, 6: 458-469.

        [6] BRUNET P, CHAKROFF E, TEMME S. Loose particle detection in loudspeakers[C]//Audio Engineering Society Convention 115, 2003: 5883-5893.

        [7] RUIZ I G, SALA C V, DELGADO P M, et al. Loudspeaker Rub fault detection by means of a new nonstationary procedure test[C]//Audio Engineering Society Convention 129, 2010: 8283-8290

        [8] 于德敏, 李小明, 許增樸. 基于時(shí)頻分析的揚(yáng)聲器異音故障診斷方法[J]. 電聲技術(shù), 2007, 31(11): 24-27.

        YU Demin, LI Xiaoming, XU Zengpu. Loudspeaker fault diagnosis method based on time-frequency transform of acoustic signal[J]. Audio Engineering, 2007, 31(11): 24-27.

        [9] 李宏斌, 徐楚林, 溫周斌. 基于短時(shí)傅里葉變換的異常音檢測方法[J]. 聲學(xué)技術(shù), 2014, 33(2): 145-149.

        LI Hongbin, XU Chulin, WEN Zhoubin. A STFT based method for detecting Rub & Buzz defects of loudspeaker and its application research[J]. Technical Acoustics, 2014, 33(2): 145-149.

        [10] 李云紅, 李小英, 周靜雷, 潘楊. 基于HHT算法的揚(yáng)聲器異常音檢測技術(shù)[J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(11): 212-217.

        LI Yunhong, LI Xiaoying, ZHOU Jinglei, et al. Loudspeaker detection technology based on HHT algorithm[J]. Computer Engineering and Applications, 2015, 51(11): 212-217.

        [11] 周曉東, 沈勇, 薛政, 等. 窗函數(shù)在揚(yáng)聲器異常聲客觀檢測中的影響[J].應(yīng)用聲學(xué), 2018, 37(3): 373-377.

        ZHOU Xiaodong, SHEN Yong, XUE Zheng, et al. The selection of window functions in loudspeaker Rub & Buzz detection[J]. Journal of Applied Acoustics, 2018, 37(3): 373-377.

        [12] LIU T, LUO Z J, HUANG J H, et al. A comparative study of four kinds of adaptive decomposition algorithms and their applications[J]. Sensors, 2018, 18(7): 2120-2171.

        [13] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531-544.

        [14] ZAROUR D, MEZIANI S, KEDADOUCHE M, et al. Faulty bearing features by variational mode decomposition[J]. Vibroengineering PROCEDIA, 2017, 16: 29-34.

        [15] GUO Y F, ZHANG Z S, GONG T, et al. Generalized variational mode decomposition for interlayer slipping detection of viscoelastic sandwich cylindrical structures[J]. Measurement Science and Technology, 2018, 29(9): 1-24.

        [16] 賈亞飛, 朱永利, 王劉旺. 基于VMD和Wigner-Ville分布的局放信號(hào)時(shí)頻分析[J]. 系統(tǒng)仿真學(xué)報(bào), 2018, 30(2): 569-578.

        JIA Yafei, ZHU Yongli, WANG Liuwang, Time-frequency analysis of partial discharge signal based on VMD and Wigner-Ville distribution[J]. Journal of System Simulation, 2018, 30(2): 569-578.

        [17] 向玲, 張力佳. 變分模態(tài)分解在轉(zhuǎn)子故障診斷中的應(yīng)用[J]. 振動(dòng)、測試與診斷, 2017, 37(4): 793-799, 847.

        XIANG Ling, ZHANG Lijia. Application of variational modal decomposition in rotor fault diagnosis[J]. Journal of Vibration, Measurement & Diagnosi, 2017, 37(4): 793-799, 847.

        [18] TEMME S, DOBOS V. Evaluation of audio test methods and measurements for end-of-line automotive loudspeaker quality control[C]//Audio Engineering Society Convention 142, 2017: 1-10.

        The application of VMD-Hilbert transform in loudspeaker Rub & Buzz detection

        ZHOU Jinglei, YAN Ting, FANG Qiaochu

        (School of Electronics and Information, Xi’an Polytechnic University, Xi’an 710048, Shaanxi, China)

        In view of the shortcomings of loudspeaker Rub & Buzz detection based on time-frequency analysis, such as short-time Fourier transform and wavelet packet transform, a method of loudspeaker Rub & Buzz detection based on variational mode decomposition and Hilbert (VMD-Hilbert) transform is proposed. Firstly, the time-frequency characteristics of the VMD-Hilbert transform are studied by simulation signal analysis, and compared with the other three time-frequency analysis methods. The results show that the VMD-Hilbert transform has better adaptability, energy focus and time-frequency resolution. Then, the sound response signals of measured loudspeakers are processed with VMD-Hilbert transform to obtain the feature distances between the measured loudspeakers. The comparative analysis of feature distances obtained by different time-frequency analysis methods is made. The experimental results show that the dispersion of the feature distances between classes under VMD-Hilbert transform is larger, which is beneficial for setting the appropriate threshold. It is verified that the VMD-Hilbert transform can better represent the time-frequency characteristics of Rub & Buzz, and its superiority in dealing with nonlinear and nonstationary loudspeaker sound responses is also verified.

        loudspeaker Rub & Buzz detection; time-frequency analysis; variational mode decomposition; Hilbert transform; feature distance

        TN912

        A

        1000-3630(2020)-02-0200-08

        10.16300/j.cnki.1000-3630.2020.02.013

        2019-04-15;

        2019-06-15

        周靜雷(1978-), 男, 陜西西安人, 博士, 研究方向?yàn)榍度胧剑娐晫W(xué)。

        顏婷,E-mail: yantingannie@163.com

        猜你喜歡
        變分時(shí)頻揚(yáng)聲器
        薄如紙張的揚(yáng)聲器
        Focal&Naim同框發(fā)布1000系列嵌入式揚(yáng)聲器及全新Uniti Atmos流媒體一體機(jī)
        逆擬變分不等式問題的相關(guān)研究
        求解變分不等式的一種雙投影算法
        大地震 正式發(fā)布Cinenova系列揚(yáng)聲器
        關(guān)于一個(gè)約束變分問題的注記
        一個(gè)擾動(dòng)變分不等式的可解性
        自制手機(jī)揚(yáng)聲器
        基于時(shí)頻分析的逆合成孔徑雷達(dá)成像技術(shù)
        對(duì)采樣數(shù)據(jù)序列進(jìn)行時(shí)頻分解法的改進(jìn)
        加勒比av在线一区二区| 亚洲AV成人无码久久精品老人 | 中文字幕人妻熟女人妻洋洋| 一级免费毛片| 91亚洲精品久久久蜜桃| 亚洲日本欧美产综合在线| 亚洲美女av一区二区| 亚洲一区二区日韩精品在线| 又粗又硬又大又爽免费视频播放 | 性人久久久久| 国产麻豆md传媒视频| 亚洲人妻无缓冲av不卡| 亚洲福利网站在线一区不卡| 午夜人妻久久久久久久久| 久久久日韩精品一区二区三区| 国产精品麻花传媒二三区别| 国产av天堂亚洲国产av麻豆| 精品极品视频在线观看| 欧美激情一区二区三区| 国产精品一区二区久久| 看全色黄大色大片免费久久久 | 国产精品专区第一页天堂2019| 欧美最猛黑人xxxx| 4444亚洲人成无码网在线观看| 在线视频一区二区日韩国产| 日韩精品一区二区在线视 | 亚洲色成人WWW永久在线观看| 无码国产精品一区二区免费网曝| 亚洲国产av剧一区二区三区| 狠色人妻丝袜中文字幕| 一区二区三区国产| 免费成人福利视频| 加勒比一区二区三区av| 美女扒开屁股让男人桶| 亚洲av无码成人黄网站在线观看 | 久久这里只精品国产免费10| 亚洲黄片久久| 亚洲一区二区日韩专区| 国产成人无码a区在线观看视频| 女同啪啪免费网站www| 有码中文字幕一区二区|