CN101426168B - 一种发声体异常音检测方法及*** - Google Patents

Abstract

本发明提出了将高阶微弱信号提取及人耳听觉心理模型等一系列技术综合应用于常规音频测量仪器，测量发声体异常音的方法及***。本发明采用特殊信号激励被测发声体，通过测量发声体两端电流信号和声压信号，并对这两种信号做时域跟踪高通滤波或EMD处理后得到异常音曲线，其后考虑人听觉心理模型对声响应的异常音曲线进行后处理得到最后的声响应异常音曲线，结合电响应异常音曲线和声响应异常音曲线就能综合判断发声体是否有异常音。该方法可以快速准确的检测发声体是否有异常音，适合产线使用。

Description

一种发声体异常音检测方法及***

技术领域

本发明涉及发声体异常音检测的方法及测试***。在给被测发声体激励特殊信号得到发声体电响应和声响应后，通过对两种信号做时域跟踪高通滤波或EMD处理后得到异常音曲线，其后考虑人听觉心理模型对声响应的异常音曲线进行后处理得到最后的声响应异常音曲线，结合电响应异常音曲线和声响应异常音曲线就能综合判断发声体是否有异常音。

背景技术

测量发声体异常音的意义：

发声体的异常音通常会出现在发声体的研发和批产两个阶段，在研发阶段时由于没有正确的设计发声体结构或选择合适的材料，导致在发声体振动发声时产生异常音。在批产阶段时由于在发声体大批量生产和制造中存在一些不可预料的情况，例如：磁回路中混入杂质、线圈安装位置不正确，个别材料质量不合格、部分位置粘结不好等情况。都会使生产出的发声体发出异常音，而这些情况一般在产线大批量生产发声体时不能完全避免，这些发声体在激励正常音频时会发出让人不能接受的刺耳的声音。作为残次品，发声体生产企业是不能将这些有异常音的产品交付给他们的客户的。这时传统的做法是完全依赖于企业生产线的音质听测工人靠耳朵评判，由于工人的熟练程度不同、每个工人的耳朵对音质的主观感受不同，加之工人的一些主观的因素，使得很难用一个客观标准来统一工人对发声体的纯音音质的评判，导致企业生产效率和产品质量难以提高。同时，由于业界没有统一的标准，生产厂家和客户之间关于异常音的纠纷时有发生，异常音的客观评判，一直是业界难以解决的问题。

现有的技术和方法：

A)人耳听觉结构模型法，美国专利5884260中提到一种基于人耳听觉结构模型来检测发声体异常音的方法。该方法将测量到的信号输入一个具有多个并联分支的滤波器组，每一个分支都包括串联链接的一个带通滤波器，一个整流器以及一个低通滤波器。各带通滤波器的通带以及各低通滤波器的时间常数对应于人耳听觉结构***的各项特性。各带通滤波器在它们的通带以外具有足够的衰减，以便从谐波中分离出基波分量。各带通滤波器的振幅与相位响应以及各个低通滤波器的时间常数改变这被分析信号的波形，并受到限制，以便检测出持续时间短但振幅很大的畸变。这个方法提供了一种与人耳听觉结构模型相关的检测方法，但是不能与其他测量方法进行比较，并且从物理客观的观点来说是难以解释的。

B)离散频率激励及检测方法，Pascal Brunet等人在第115次[国际]音频工程学会大会发表的论文《扬声器松散结构检测》(Loose Particle Detection in Loudspeaker)中提出了使用离散频率激励发声体，得到声响应后使用普通高通滤波器进行滤波，对滤波后信号通过某种算法计算RMS值来检测被测发声体是否有异常音。该方法的不足在于1、采用离散频率激励信号就说明不是在整个设定频段内产生激励信号，这样就有可能使一些只在特定频率才被触发的异常音在这样的激励下并不被触发。2、简单的一个高通，而不是跟踪基频变化的高通滤波使得该方法在区分正常谐波失真和高次异常音时无能为力。3、该方法在检测精度和测试速度上有很大矛盾。

C)时频分析法：中国专利申请公开书200610011612.6、200610014967.0、200710178411.X都采用了对检测得到的信号做时频分析的方法来处理，并再做一些后处理，如统计数据处理、模式学习和模式分类等。不同的是它们有的采用了短时傅立叶变换，有的采用了小波变换法。

发明内容

本发明的目的是提出一种快速在线测试发声体异常音的的方法，该方法在给被测发声体激励特殊信号得到发声体电响应和声响应后，通过分别做检测而更加可靠和准确的检测发声体异常音。检测方法首先可以选择采用时域跟踪高通滤波器法将一定阶数以上的谐波提取出来，或者选择采用改良的HHT快速算法对响应信号做经验模态分解(EMD)，提取一定阶数以上的分解信号，其后对从电信号响应中提取的高次微弱信号直接做门限检测判断是否有异常音，而对声信号中提取出的高次微弱信号先结合人耳听觉心理模型将人耳真正能敏感听到的异常音信号提取出来，再做门限检测判断是否有异常音。这样结合两个通道的信号处理，同时又考虑人听觉心理模型的检测和判断方法可以快速、稳定和准确的判断出被测发声体是否有异常音。

本发明要解决的就是如何在线、快速、可靠的判断出被测发声体是否有异常音。原有的采用离散频率作为激励信号的检测方法势必会忽略一些潜在的发声体异常音，并且该方法在测试结果准确和测试效率上存在矛盾，不适合产线使用，原有的一些采用频率域的处理方法如：时频分析法等，由于其计算复杂度问题也不适合产线使用。

本发明的目的是这样实现的：

本发明所述的发声体异常音检测方法，具体为：建立如图1所示的测试***，用特殊的测试信号(测试信号的时域波形图如图2所示，时频图如图3所示)激励被测发声体，在得到被测发声体两端电压、流经发声体的电流、发声体发出的声压信号后，按照图4做信号处理，首先用信噪比检测模块(19)对所得的三个信号做检测，其次根据检测后得到的信号通过高阶微弱信号提取模块(20)提取被测发声体的电信号和声信号中的高阶微弱信号，再次电信号门限检测模块(21)利用电信号门限生成模块(25)生成的门限对提取的电信号高次微弱信号做是否包含异常音的判断，而对声信号的高次微弱信号先进入听觉心理模型处理模块(22)中根据人耳听觉心理模型将人耳真正能敏感听到的异常音信号提取出来后，再进入声信号门限检测模块(23)结合声信号门限生成模块(26)生成的门限对其声响应中是否包含异常音进行判断，最后将电信号门限检测模块(21)的检测结果和声信号门限检测模块(23)的检测结果输入到异常音综合判断模块(24)中进行综合判断，给出被测发声体是否有异常音的最后判断并输出判断结果。

本发明所述的发声体异常音检测方法的测试***包括：PC机或专属设备(6)、数据采集卡(5)、带电流检测功能的恒压功放(4)、消音箱或仿真耳(3)、测量麦克风或麦克风阵列(2)；PC机或专属设备(6)通过程序控制数据采集卡(5)发射激励测试信号(7)，该测试信号(7)经过带电流检测功能的恒压功放(4)功率放大后加载在被测发声体(1)两端，同时将此放大电压信号(8)和流经发声体的电流信号(9)输入到数据采集卡(5)中，在消音箱或仿真耳(3)中使用测量麦克风或麦克风阵列(2)将被测发声体(1)在激励信号下发出的声压信号(10)采集并输入到数据采集卡(5)，专属设备(6)包括具有控制功能和显示功能的工控机、独立嵌入式设备，数据采集卡(5)用于完成模/数和数/模转换。

由于本发明采用了上述的技术方案，故具有以下优点：

1)测试***搭建方便，成本低，测试***将不仅能用于发声体异常音的测量，还可以用于其他参数的测量。例如：频响测试、总谐波失真测试、相位测试、阻抗测试和发声体线性参数测试等。

2)测试信号的选择，决定了其在保证能激励出所有可能发声体异常状态的前提下，测试时间尽可能的短。

3)采用两种不同的高阶微弱信号提取方法能保证不遗漏的将一些微弱异常信号提取出来，保证了异常音检测准确性。

4)对声信号的高阶微弱信号进行有关人耳听觉心理模型的处理，可以模拟人耳在听音阶段的处理过程，将人耳真正能敏感听到的异常音信号提取出来，这样的得到的结果和实际使用人工听出的结果一致，进一步提高检测的准确度。

5)综合电信号和声信号两路信号的异常音检测可以更加全面、可靠、细致和准确的对发声体是否有异常音进行检测和判断，使结果更加可信。

附图说明

图1测试***图。

图2测试激励信号时域波形图。

图3测试激励信号时频图。

图4信号处理流程图。

图5改良HHT快速算法流程图。

图6测得的电流信号时域波形图。

图7测得的声压信号时域波形图。

图8电响应异音曲线及门限图。

图9声响应高阶微弱信号图。

图10声响应异音曲线及门限图。

图11没有异常音样品的声响应EMD分解图。

图12有异常音样品的声响应EMD分解图。

图13没有异常音样品的声响应瞬时频率图。

图14有异常音样品的声响应瞬时频率图。

具体实施方式

下面结合附图及实施例对本发明作进一步的说明。

按照图1搭建测试***，该测试***包括：PC机或专属设备(6)、数据采集卡(5)、带电流检测功能的恒压功放(4)、消音箱或仿真耳(3)、测量麦克风或麦克风阵列(2)，专属设备(6)包括具有控制功能和显示功能的工控机、独立嵌入式设备，数据采集卡(5)用于完成模/数和数/模转换。在该测试***中，PC机或专属设备(6)通过程序控制数据采集卡(5)发射激励测试信号(7)，该测试信号(7)经过带电流检测功能的恒压功放(4)功率放大后加载在被测发声体(1)两端，同时将此放大电压信号(8)和流经发声体的电流信号(9)输入到数据采集卡(5)中，在消音箱或仿真耳(3)中使用测量麦克风或麦克风阵列(2)将被测发声体(1)在激励信号下发出的声压信号(10)采集并输入到数据采集卡(5)。这里所有信号处理流程在PC或专属设备(6)中进行，利用PC或专属设备(6)内的程序完成。

在PC或专属设备(6)中设有信噪比检测模块(19)、高阶微弱信号提取模块(20)、电信号门限检测模块(21)、听觉心理模型处理模块(22)、声信号门限检测模块(23)、异常音综合判断模块(24)、电信号门限生成模块(25)和声信号门限生成模块(26)。

所述的信噪比检测模块(19)对输入的电压信号(8)、电流信号(9)、声压信号(10)的信噪比情况做检测判断，在信噪比小于10dB(此值根据选择的不同被测发声体类型有所不同)时将给出警告，表示此时采集信号不适合进行后面的运算，如果信噪比大于等于10dB，则可以进行进一步的计算；

所述的高阶微弱信号提取模块(20)将采用可选的两种不同算法对检测得到的电流信号和声压信号做高阶微弱信号的提取，一种算法采用时域跟踪高通滤波器，按照设定的阶数对输入的电信号或声信号做跟踪基频的时域高通滤波，只保留高阶微弱信号部分；另一种算法采用改良的HHT快速算法，对输入的电信号和声信号做经验模态分解(EMD)，分离出相对与激励测试信号的各种经验模态，并输出指定阶数以上的经验模态总和。

所述的高阶微弱信号提取模块(20)中改良的HHT快速算法得到信号经验模态分解(EMD)的算法流程如下，流程图如图5所示：

(1)初始化：r₀＝x(t)，i＝1；

(2)如果i<＝N(N表示需要分析的阶数)，进行(3)处理，否则算法结束，输出当前计算结果。

(3)筛选第i个本征模函数(IMF)函数，具体步骤是：

(a)初始化：h₀(t)＝r_i(t)，k＝1；

(b)抽取h_k-1(t)的局部极大值与极小值；

(c)对局部极大值与局部极小值分别进行3次样条插值，得到h_k-1(t)的上下包络线；

(d)计算h_k-1(t)的上下包络线的均值m_k-1(t)；

(e)计算h_k(t)＝h_k-1(t)-m_k-1(t)；

(f)若满足停止条件，即连续两次筛选结果的标准差 $\mathrm{SD}=\underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}\frac{{|h_{k-1}\left(t\right)-h_k\left(t\right)|}^2}{h_{k-1}{\left(t\right)}^2}$ 在典型值0.2至0.3之间时，则令C_i(t)＝h_k(t)，否则令k＝k+1，继续第(b)步。

(4)定义r_i(t)＝r_i-1(t)-C_i(t)。

(5)如果r_i(t)仍有两个以上的极值点，有i＝i+1，转至第(3)步。否则，分解过程完成，r_i(t)即为所需N次分解后得到的高阶谐波分量。

这样的分解过程最终将原始信号由这些分解出的IMF分量和一个均值或趋势项(高阶谐波分量)表示，具体表达式如下：

$X\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_j\left(t\right)+R_n\left(t\right)$

检验这种检测方法的是否有效的方法如下：

可以采用对其中IMF分量先做HIilbert变换：

$\widetilde{C_j\left(t\right)}=\frac{1}{\mathrm{\&pi;}}\&Integral;\frac{C_j\left(\mathrm{\&tau;}\right)}{t-\mathrm{\&tau;}}\mathrm{d\&tau;}$

再求得解析信号的相位函数：

${\mathrm{\&theta;}}_j={\tan }^{-1}\frac{\widetilde{C_j\left(t\right)}}{C_j\left(t\right)}$

最后得到其瞬时频率值：

$W_j\left(t\right)=\frac{d{\mathrm{\&theta;}}_j}{\mathrm{dt}}$

对W_j(t)做检测就可以清晰的看出检测结果是否准确。

所述的电信号门限检测模块(21)对已经计算得到的电信号高阶微弱信号(即电信号异常音曲线)和设定的门限进行比较，有超出门限的情况就输出为0，表示在被测发声体电信号中有异常音，没有超过门限就输出1，表示被测发声体电信号中无异常音。

所述的电信号门限生成模块(25)根据输入信息可以选择设定一个绝对值，也可以将人工听测肯定没有异常音的样品先进行一次或多次本发明的测试并把其得到的电响应高阶微弱信号结果做一个统计平均，再参考适当余量后设定出相应的门限。计算公式如下：

${\mathrm{Limit}}_c=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}C\left(i\right)+{m\arg \mathrm{in}}_c$ 或Limit_c＝Max{C(i)}+margin_c

其中Limit_c表示计算得到电响应门限，N表示人耳听测肯定没有异常音样品的个数，C(i)表示人耳听测肯定没有异常音样品经过本发明测试得到的电响应高阶微弱信号结果，margin_c表示考虑产品检测冗余度而适当增加的门限余量。两个公式可以根据需要任意选择，但是在设定时需要注意对设定门限的样品要求严格，这就需要有一个剔除机制将测试结果明显与其他测试结果不一致的样品测试结果剔除掉而不进行统计门限的生成。在本发明中采用了Chauvenet标准或Peirce标准。

所述的听觉心理模型处理模块(22)根据人耳听觉心理模型对输入的声信号高阶微弱信号做后处理，将人耳真正能敏感听到的异常音信号提取出来得到声响应异常音曲线。这里人耳听觉心理模型包括：时域掩蔽效应，频域掩蔽效应，人耳听觉响度模型等。具体来说时域掩蔽效应主要模拟发生在不同时刻的两个或多个异音信号的相互掩蔽的效果，频域掩蔽效应主要模拟在同一时刻基频和低次谐频对异音信号的掩蔽效果，而人耳听觉响度模型主要模拟人耳在不同条件下对不同频率响度的加权特性。

所述的声信号门限检测模块(23)对声响应异常音曲线和设定的门限进行比较，有超出门限的情况就输出为0，表示在被测发声体声信号中有异常音，没有超过门限就输出1，表示被测发声体声信号中无异常音。

所述的声信号门限生成模块(26)根据输入信息可以选择设定一个绝对值，也可以将人工听测肯定没有异常音的样品先进行一次或多次本发明的测试并把其得到的声响应高阶微弱信号结果做一个统计平均，再参考适当余量后设定出相应的门限。计算公式如下：

${\mathrm{Limit}}_A=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}A\left(i\right)+{m\arg \mathrm{in}}_A$ 或Limit_A＝Max{A(i)}+margin_A

其中Limit_A表示计算得到电响应门限，N表示人耳听测肯定没有异常音样品的个数，A(i)表示人耳听测肯定没有异常音样品经过本发明测试得到的声响应高阶微弱信号结果，margin_A表示考虑产品检测冗余度而适当增加的门限余量。两个公式可以根据需要任意选择，但是在设定时需要注意对设定门限的样品要求严格，这就需要有一个剔除机制将测试结果明显与其他测试结果不一致的样品测试结果剔除掉而不进行统计门限的生成。在本发明中采用了Chauvenet标准或Peirce标准。

所述的异常音综合判断模块(24)对输入的电信号门限检测结果和声信号门限检测结果做一个综合判断，只有当两个检测都通过时才给出发声体无异常音的检测判断，当有任意一个检测不通过时给出被测发声体有异常音的检测判断，实际使用中可以更加灵活的对检测结果的逻辑组合进行判断，组合表如下：

 

电信号门限检测结果	声信号门限检测结果	综合检测结果
			有异常音	有异常音	有异常音
无异常音	有异常音	有异常音或不定注
			无异常音	无异常音	无异常音
有异常音	无异常音	有异常音

注：此时可能是周围声环境对声信号门限检测结果有影响，可以考虑重新再检测一次，以得到确定的结果。

上面所述的信号流程图在实际使用中是可以考虑重新配置的，比如只检测电信号或声信号通道来对被测发声体是否有异常音做判断。

本发明对发声体线性参数测量的具体过程为：

测试***由PC机或专属设备(6)根据用户设定产生一个激励测试信号(7)，该激励测试信号(7)是连续对数扫频信号，定义如下式：

$\mathrm{Stim}\left(t\right)=U\sin \left[\frac{{\mathrm{\&omega;}}_{1}T}{\ln \left(\frac{{\mathrm{\&omega;}}_2}{{\mathrm{\&omega;}}_1}\right)}(e^{\frac{t}{T}\ln \left(\frac{{\mathrm{\&omega;}}_2}{{\mathrm{\&omega;}}_1}\right)}-1)\right]$

其中：U是测试信号幅度，T是测试信号时间，ω₁是测试信号的起始频率，ω₂是测试信号(7)的终止频率，时域波形如图2所示，时频图如图3所示。该测试信号(7)，具有频率连续变化、测试时间可控等特点，选择这种激励信号的好处是：1、该扫频形式将激励设定频率段中的所有频率而不是对数跳变的选择一些离散频率，这样就能在整个频段内检测被测发声体是否有异常音而不会因为激励的信号的问题导致一些潜在的异常音没有被激励出来。2、可以在保证测试精度和准确度的条件下，最大限度的加快测试速度。

通过数据采集卡(5)将测试信号(7)输入到功率放大器(4)中并将输出的放大电压信号(8)同时输入到被测发声体(1)和数据采集卡(5)，并将流经被测发声体(1)的电流信号(9)输入到数据采集卡(5)中，将被测发声体(1)在消音箱或仿真耳(3)中发射的声信号，用测量麦克风或麦克风阵列(2)采集声信号(10)并输入到数据采集卡(5)中。

在测得所需信号(8)、(9)、(10)后，将这些信号进行如图4所示的信号处理，检测被测发声体的是否有异常音，具体如下：首先将测得的电压信号(8)、电流信号(9)和声压信号(10)输入到信噪比检测模块(19)中判断测试的所得的信号的信噪比是否满足要求，如果小于10dB(此值根据选择的不同被测发声体类型有所不同)，输出警告信号(17)，提示测试信号信噪比不足，此时需要采取增加测试信号幅度、降低噪声等措施；如果检测信噪比大于10dB，将电压信号(8)、电流信号(9)和声压信号(10)输入到高阶微弱信号提取模块(20)中。本例中测得的电流信号(9)如图6所示，声压信号(10)如图7所示

高阶微弱信号提取模块(20)将根据输入的算法控制信息(18)选择两种不同算法之一对检测得到的电流信号和声压信号做高阶微弱信号的提取。

一种算法是采用时域跟踪高通滤波器，按照设定的阶数对输入的电信号或声信号做跟踪基频的时域高通滤波，只保留高阶微弱信号部分，并将处理完的结果分别输入到电信号门限检测模块(21)和听觉心理模型处理模块(22)。本例中该算法处理电流信号(9)得到的电信号高阶微弱信号(即电信号异常音曲线)(11)如图8所示，处理的声压信号(10)得到的声信号高阶微弱信号(13)如图9所示。

所述的电信号门限生成模块(25)可以选择直接设定一个绝对值，也可以将人工听测肯定没有异常音的样品先进行一次或多次本发明的测试并把其得到的电响应高阶微弱信号结果做一个统计平均，再参考适当余量后设定出相应的门限。计算公式如下：

${\mathrm{Limit}}_c=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}C\left(i\right)+{m\arg \mathrm{in}}_c$ 或Limit_c＝Max{C(i)}+margin_c

其中Limit_c表示计算得到电响应门限，N表示人耳听测肯定没有异常音样品的个数，C(i)表示人耳听测肯定没有异常音样品经过本发明测试得到的电响应高阶微弱信号结果，margin_c表示考虑产品检测冗余度而适当增加的门限余量。两个公式可以根据需要任意选择，但是在设定时需要注意对设定门限的样品要求严格，这就需要有一个剔除机制将测试结果明显与其他测试结果不一致的样品测试结果剔除掉而不进行统计门限的生成。在本例中对输入样品电信号(19)采用了Chauvenet标准采用以上公式生成了电信号异音曲线门限(22)(如图8所示)，并将其输入到电信号门限检测模块(21)。

电信号门限检测模块(21)对已经计算得到的电信号高阶微弱信号(即电信号异常音曲线)(11)和设定的电信号异音曲线门限(22)进行比较，输出电信号判断结果(12)到异常音综合判断模块(24)。有超出门限的情况就输出为0，表示在被测发声体电信号中有异常音，没有超过门限就输出1，表示被测发声体电信号中没有异常音。本例中测试结果如图8所示，输出的结果为1，被测发生体的电信号中没有异常音。

听觉心理模型处理模块(22)依据输入的模型控制信息(27)根据人耳听觉心理模型对输入的声信号高阶微弱信号(13)做后处理，将人耳真正能敏感听到的异常音信号提取出来得到声响应异常音曲线(14)。这里人耳听觉心理模型包括：时域掩蔽效应，频域掩蔽效应，人耳听觉响度模型等。具体来说时域掩蔽效应主要模拟发生在不同时刻的两个或多个异音信号的相互掩蔽的效果，频域掩蔽效应主要模拟在同一时刻基频和低次谐频对异音信号的掩蔽效果，而人耳听觉响度模型主要模拟人耳在不同条件下对不同频率响度的加权特性。本例处理前声信号高阶微弱信号(13)结果如图9所示，经过听觉心理模型处理模块(22)处理后得到声响应异音曲线(14)结果如图10所示。

声信号门限生成模块(26)可以选择直接设定一个绝对值，也可以将人工听测肯定没有异常音的样品先进行一次或多次本发明的测试并把其得到的声响应高阶微弱信号结果做一个统计平均，再参考适当余量后设定出相应的门限。计算公式如下：

${\mathrm{Limit}}_A=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}A\left(i\right)+{m\arg \mathrm{in}}_A$ 或Limit_A＝Max{A(i)}+margin_A

其中Limit_A表示计算得到电响应门限，N表示人耳听测肯定没有异常音样品的个数，A(i)表示人耳听测肯定没有异常音样品经过本发明测试得到的声响应高阶微弱信号结果，margin_A表示考虑产品检测冗余度而适当增加的门限余量。两个公式可以根据需要任意选择，但是在设定时需要注意对设定门限的样品要求严格，这就需要有一个剔除机制将测试结果明显与其他测试结果不一致的样品测试结果剔除掉而不进行统计门限的生成。在本例中对输入样品声信号(21)采用了Chauvenet标准依据以上公式生成了声信号异音曲线门限(22)(如图10所示)，并将其输入到声信号门限检测模块(23)。

声信号门限检测模块(23)对声响应异音曲线(14)和输入的声信号异音曲线门限(23)进行比较，输出声信号判断结果(15)到异常音综合判断模块(24)。有超出门限的情况就输出为0，表示在被测发声体声信号中有异常音，没有超过门限就输出1，表示被测发声体声信号中无异常音。本例中测试结果如图10所示，输出的结果为0，被测发生体的声信号中有异常音。

所述的异常音综合判断模块(24)对输入的电信号门限检测结果(12)和声信号门限检测结果(15)做一个综合判断，只有当两个检测都通过时才给出发声体有异常音的检测判断，当有任意一个检测不通过是给出被测发声体有异常音的检测判断，实际使用中可以更加灵活的对检测结果的逻辑组合进行判断，组合表如下：

 

电信号门限检测结果	声信号门限检测结果	综合检测结果
			有异常音	有异常音	有异常音
无异常音	有异常音	有异常音或不定注
			无异常音	无异常音	无异常音
有异常音	无异常音	有异常音

注：此时可能是周围声环境对声信号门限检测结果有影响，可以考虑重新再检测一次，以得到确定的结果。

本例中再次测量情况依旧，说明被测发声体确实有异常音。

高阶微弱信号提取模块(20)中的另一种算法采用改良的HHT快速算法，对输入的电信号和声信号做经验模态分解(EMD)，分离出相对与激励测试信号的各种经验模态，并输出指定阶数以上的经验模态总和。

所述的高阶微弱信号提取模块(20)中改良的HHT快速算法得到信号的经验模态分解(EMD)算法流程如下，流程图如图5所示：

(1)初始化：r₀＝x(t)，i＝1；

(2)如果i<＝N(N表示需要分析的阶数)，进行(3)处理，否则算法结束，输出当前计算结果。

(3)筛选第i个本征模函数(IMF)函数，具体步骤是：

(a)初始化：h_O(t)＝r_i(t)，k＝1；

(b)抽取h_k-1(t)的局部极大值与极小值；

(c)对局部极大值与局部极小值分别进行3次样条插值，得到h_k-1(t)的上下包络线；

(d)计算h_k-1(t)的上下包络线的均值m_k-1(t)；

(e)计算h_k(t)＝h_k-1(t)-m_k-1(t)；

(f)若满足停止条件，即连续两次筛选结果的标准差 $\mathrm{SD}=\underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}\frac{{|h_{k-1}\left(t\right)-h_k\left(t\right)|}^2}{h_{k-1}{\left(t\right)}^2}$ 在典型值0.2至0.3之间时，则令C_i(t)＝h_k(t)，否则令k＝k+1，继续第(b)步。

(4)定义r_i(t)＝r_i-1(t)-C_i(t)。

(5)如果r_i(t)仍有两个以上的极值点，有i＝i+1，转至第(3)步。否则，分解过程完成，r_i(t)即为所需N次分解后得到的高阶谐波分量。

这样的分解过程最终将原始信号由这些分解出的IMF分量和一个均值或趋势项(高阶谐波分量)表示，具体表达式如下：

$X\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_j\left(t\right)+R_n\left(t\right)$

本例中选择一个没有异常音的样品和有异常音的样品分别通过该算法做提取5次IMF分解，结果分别如图11和图12所示。

检验这种检测方法的是否有效的方法如下：

可以采用对其中IMF分量先做HIilbert变换；

$\widetilde{C_j\left(t\right)}=\frac{1}{\mathrm{\&pi;}}\&Integral;\frac{C_j\left(\mathrm{\&tau;}\right)}{t-\mathrm{\&tau;}}\mathrm{d\&tau;}$

再求得解析信号的相位函数：

${\mathrm{\&theta;}}_j={\tan }^{-1}\frac{\widetilde{C_j\left(t\right)}}{C_j\left(t\right)}$

最后得到其瞬时频率值：

$W_j\left(t\right)=\frac{d{\mathrm{\&theta;}}_j}{\mathrm{dt}}$

对W_j(t)做检测就可以清晰的看出检测结果是否准确。

本例中对分解得到的1阶IMF做瞬时频率值处理，结果分别如图13和图14所示，确实能发现图14中的有异常音样品的检测结果中低频部分有大量的异常音频率成分，而图13中好样品的检测结果就没有。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种发声体异常音检测方法，其特征在于：建立测试***，用特殊的测试信号激励被测发声体，在得到被测发声体两端电压、流经发声体的电流、发声体发出的声压信号后，首先用信噪比检测模块(19)对所得的三个信号做检测，其次根据检测后得到的信号通过高阶微弱信号提取模块(20)提取被测发声体的电信号和声信号中的高阶微弱信号，再次电信号门限检测模块(21)利用电信号门限生成模块(25)生成的门限对提取的电信号高次微弱信号做是否有异常音的判断，而对声信号的高次微弱信号先进入听觉心理模型处理模块(22)中根据人耳听觉心理模型将人耳真正能敏感听到的异常音信号提取出来后，再进入声信号门限检测模块(23)结合声信号门限生成模块(26)生成的门限对其声响应中是否包含异常音进行判断，最后将电信号门限检测模块(21)检测结果和声信号门限检测模块(23)的检测结果输入到异常音综合判断模块(24)中进行综合判断，给出被测发声体是否有异常音的最后判断并输出判断结果；

选择特殊的测试信号是连续对数扫频信号，定义如下式：

$\mathrm{Stim}\left(t\right)=U\sin \left[\frac{{\mathrm{\&omega;}}_{1}T}{\ln \left(\frac{{\mathrm{\&omega;}}_2}{{\mathrm{\&omega;}}_1}\right)}(e^{\frac{t}{T}\ln \left(\frac{{\mathrm{\&omega;}}_2}{{\mathrm{\&omega;}}_1}\right)}-1)\right]$

其中：U是测试信号幅度，T是测试信号时间，ω₁是测试信号的起始频率，ω₂是测试信号的终止频率。

2.根据权利要求1所述的发声体异常音检测方法，其特征在于：所述的被测发声体至少包括：动圈发声体单元、压电发声体单元、平板发声体单元、发声体闭箱***、发声体倒相箱***、受话器、麦克风***。

3.根据权利要求1所述的发声体异常音检测方法，其特征在于：所有信号处理流程在测试***中的PC或专属设备(6)中进行，利用PC或专属设备(6)内的程序完成。

4.根据权利要求1所述的发声体异常音检测方法的测试***，其特征在于：该建立的测试***包括：PC机或专属设备(6)、数据采集卡(5)、带电流检测功能的恒压功放(4)、消音箱或仿真耳(3)、测量麦克风或麦克风阵列(2)；PC机或专属设备(6)通过程序控制数据采集卡(5)发射激励测试信号(7)，该测试信号(7)经过带电流检测功能的恒压功放(4)功率放大后加载在被测发声体(1)两端，同时将此放大电压信号(8)和流经发声体的电流信号(9)输入到数据采集卡(5)中，在消音箱或仿真耳(3)中使用测量麦克风或麦克风阵列(2)将被测发声体(1)在激励信号下发出的声压信号(10)采集并输入到数据采集卡(5)，专属设备(6)包括具有控制功能和显示功能的工控机、独立嵌入式设备，数据采集卡(5)用于完成模/数和数/模转换；

PC或专属设备(6)中设有信噪比检测模块(19)、高阶微弱信号提取模块(20)、电信号门限检测模块(21)、听觉心理模型处理模块(22)、声信号门限检测模块(23)、异常音综合判断模块(24)、电信号门限生成模块(25)和声信号门限生成模块(26)。

Images