融合注意力机制卷积神经网络的扬声器异常声分类.pdf

西 安 工 程 大 学 学 报J o u r n a l o f X ia n P o l y t e c h n i c U n i v e r s i t y 第3 8卷第2期(总1 8 6期)2 0 2 4年4月V o l.3 8,N o.2(S u m.N o.1 8 6)引文格式:周静雷,王晓明,李丽敏.融合注意力机制卷积神经网络的扬声器异常声分类J.西安工程大学学报,2 0 2 4,3 8(2):1 0 1-1 0 8.Z HOU J i n g l e i,WAN G X i a o m i n g,L I L i m i n.D i a g n o s i s o f a b n o r m a l s o u n d i n l o u d s p e a k e r s b y i n t e g r a t e d a t t e n t i o n m e c h a n i s m c o n v o l u t i o n a l n e u r a l n e t w o r kJ.J o u r n a l o f X ia n P o l y t e c h n i c U n i v e r s i t y,2 0 2 4,3 8(2):1 0 1-1 0 8.收稿日期:2 0 2 3-0 9-1 4 修回日期:2 0 2 3-1 2-0 5 基金项目:国家自然科学基金(6 2 2 0 3 3 4 4);陕西省技术创新引导专项(2 0 2 0 C G X N X-0 0 9);陕西省自然科学基础研究计划(2 0 2 2 J M-3 2 2)通信作者:周静雷(1 9 7 8),男,副教授,博士,研究方向为电声测量虚拟仪器工发、嵌入式系统在声信号处理中的应用、声频信号处理。E-m a i l:w q p 2 0 2 1 0 8 1 41 6 3.c o m融合注意力机制卷积神经网络的扬声器异常声分类周静雷,王晓明,李丽敏(西安工程大学 电子信息学院,陕西 西安 7 1 0 0 4 8)摘要 针对扬声器异常声非线性、非平稳且易受外部噪声干扰,以及因特征冗余而导致扬声器异常声识别率偏低的问题,提出一种基于变分模态分解(v a r i a t i o n a l m o d e d e c o m p o s i t i o n,VMD)和一维卷积循环注意力网络(1 D C NN-B i L S TM-A t t e n t i o n)相结合的扬声器异常声分类方法。首先,采集不同类型异常声信号,采用VMD对异常声信号进行分解并提取扬声器异常声特征,构建标签化的初始数据;其次,将特征数据输入至1 D C NN-B i L S TM网络中进行初始化特征提取,利用注意力机制自适应优化网络对异常声特征的学习权重,提升网络对特征鉴别能力,并优化D r o p o u t抑制网络在训练过程中存在的过拟合问题,构成1 D C NN-B i L S TM-A t t e n t i o n分类网络;最后,将所提方法应用于扬声器异常声分类中。实验结果表明:该方法可以有效提取到扬声器异常声中的关键特征,平均分类准确率为9 9.1 7%,与VG G 1 6、R F和D C NN相比,其准确率分别提高了1 3.1 4%、0.5 6%,1 2.3 4%。关键词 异常声分类;变分模态分解;卷积神经网络;注意力机制开放科学(资源服务)标识码(O S I D)中图分类号:T N 6 4 3 文献标志码:AD O I:1 0.1 3 3 3 8/j.i s s n.1 6 7 4-6 4 9 x.2 0 2 4.0 2.0 1 3D i a g n o s i s o f a b n o r m a l s o u n d i n l o u d s p e a k e r s b y i n t e g r a t e d a t t e n t i o n m e c h a n i s m c o n v o l u t i o n a l n e u r a l n e t w o r kZHO U J i n g l e i,WANG X i a o m i n g,L I L i m i n(S c h o o l o f E l e c t r o n i c s a n d I n f o r m a t i o n,X ia n P o l y t e c h n i c U n i v e r s i t y,X ia n 7 1 0 0 4 8,C h i n a)A b s t r a c t I n r e s p o n s e t o t h e p r o b l e m o f t h e n o n-l i n e a r,n o n-s t a t i o n a r y n a t u r e o f s p e a k e r a b n o r-m a l s o u n d,a s w e l l a s t h e i r s u s c e p t i b i l i t y t o e x t e r n a l n o i s e i n t e r f e r e n c e,a n d t h e l o w r e c o g n i t i o n r a t e s,a s p e a k e r a b n o r m a l s o u n d c l a s s i f i c a t i o n m e t h o d w i t h v a r i a t i o n a l m o d e d e c o m p o s i t i o n(VMD)a n d 1 D c o n v o l u t i o n a l r e c u r r e n t a t t e n t i o n n e t w o r k(1 D C NN-B i L S TM-A t t e n t i o n)w a s p r o-p o s e d.F i r s t l y,d i f f e r e n t t y p e s o f a b n o r m a l s o u n d s i g n a l s w e r e c o l l e c t e d,a n d VMD w a s u s e d t o d e c o m p o s e t h e s i g n a l s a n d e x t r a c t t h e f e a t u r e s o f s p e a k e r a b n o r m a l s o u n d,c o n s t r u c t i n g l a b e l e d i n i t i a l d a t a.S e c o n d l y,t h e f e a t u r e d a t a w a s i n p u t i n t o t h e 1 D C NN-B i L S TM n e t w o r k f o r i n i t i a l f e a t u r e e x t r a c t i o n.T h e a t t e n t i o n m e c h a n i s m w a s e m p l o y e d t o a d a p t i v e l y o p t i m i z e t h e n e t w o r k s l e a r n i n g w e i g h t s f o r a b n o r m a l s o u n d f e a t u r e s,e n h a n c i n g t h e n e t w o r k s d i s c r i m i n a t i v e c a p a b i l i t y.A d d i t i o n a l l y,d r o p o u t w a s o p t i m i z e d t o s u p p r e s s o v e r f i t t i n g d u r i n g t h e t r a i n i n g p r o c e s s,r e s u l t i n g i n t h e c o n s t r u c t i o n o f t h e 1 D C NN-B i L S TM-A t t e n t i o n c l a s s i f i c a t i o n n e t w o r k.F i n a l l y,t h e p r o-p o s e d m e t h o d w a s a p p l i e d t o s p e a k e r a b n o r m a l s o u n d c l a s s i f i c a t i o n.T h e e x p e r i m e n t a l r e s u l t s d e m o n s t r a t e t h a t t h i s m e t h o d e f f e c t i v e l y e x t r a c t s k e y f e a t u r e s f r o m s p e a k e r a b n o r m a l s o u n d s,w i t h a n a v e r a g e a c c u r a c y o f 9 9.1 7%.C o m p a r e d t o VG G 1 6,R F,a n d D C NN,t h e a c c u r a c y h a s b e e n i m p r o v e d b y 1 3.1 4%,0.5 6%,a n d 1 2.3 4%r e s p e c t i v e l y.K e y w o r d s a b n o r m a l s o u n d c l a s s i f i c a t i o n;v a r i a t i o n a l m o d e d e c o m p o s i t i o n;c o n v o l u t i o n a l n e u r a l n e t w o r k;a t t e n t i o n a l m e c h a n i s0 引 言 扬声器作为电声换能的核心器件,广泛应用于声学相关的各大领域。由于生产工艺的原因,导致扬声器发生故障。不合格扬声器流入市场,轻则影响消费者的体验感,重则造成听觉损伤。为避免上述情况的发生,精确检测扬声器的状态类别对于扬声器生产而言十分重要1。传统的扬声器异常声检测方法是以人耳听音检测的方式进行检测,人耳检测的精度容易受主观评定、身体状态等影响,导致出现错检、误检和漏检。传统的检测方法在精度、时效性等方面已无法满足市场需求。扬声器异常声通常表现出非线性、非平稳的特征2,对这类信号分析最佳方法就是采用时频分析的方法来提取特征。特征提取的方法有傅里叶变换(F o u r i e r t r a n s f o r m,F T)3、短时傅里叶变换(s h o r t-t i m e F o u r i e r t r a n s f o r m,S T F T)4、经验模 态 分 解(e m p i r i c a l m o d e d e c o m p o s i t i o n,EMD)5、小波包分解(w a v e l e t p a c k e t d e c o m p o s i-t i o n,WP D)6等。S T F T分辨率单一,自适应性差;WP D可以保留时域和频域的信息,但是其分解效果易受小波函数的选取、分解层数的影响且存在能量泄露。EMD可将任何复杂信号都可以由若干分量叠加而成,产生一系列包含不同特定固有模态函数(i n t r i n s i c m o d e f u n c t i o n,I MF)7。但分解过程并不能将同频信号分离,分解的各模态函数存在模态混叠 现 象。D R AGOM I R E T S K I Y8等 提 出VMD算法,VMD广泛应用于轴承故障诊断领域,并且通过镜像延拓的方式避免端点效应的产生。异常声分类方法有S VM9-1 0、X G B o o s t1 1等,而分 类 准 确 率 相 对 较 低。近 年 来 深 度 学 习 的 方法1 2在轴承故障诊断领域取得了很好的效果。文献1 3 采用卷积神经网络加门控循环单元(c o n v o-l u t i o n a l n e u r a l n e t w o r k p l u s g a t e d r e c u r r e n t u n i t,C NN-G RU)网络进行异常声分类。但在上述方法中,参数量过多容易引起分类模型出现过拟合现象。分类模型对VMD提取的异常声特征无差别的学习,并不能提高扬声器异常声的分类精度。在异常声特征中,并不是所有的特征数据重要性相同。注意力机制广泛应用于视觉分析和图像分类领域,可在有限的视觉范围提取到重要特征。因此在分类网络中引入注意力机制来优化网络对扬声器异常声重要特征的权重分配。针 对 上 述 方 法 的 不 足,提 出 基 于VMD与C NN-B i L S TM-A t t e n t i o n相结合的扬声器异常声分类方法。首先,对扬声器异常声信号进行VMD分解,提取每个模态中的特征构成数据集;其次引入B i L S TM模型的前后双向运算,有效提升网络对数据特征的提取能力;同时通过注意力机制自适应调节分类网络模型对关键特征的学习权重,降低特征冗余对分类精度的影响。并且采用t r i a l-a n d-e r r o r方法对网络模型中的学习率进行最优选取,通过对优化器、D r o p o u t值以及激活函数的最优选取来改善分类网络的泛化性能,降低模型的梯度消失现象,201 西安工程大学学报 第3 8卷得到改进后的1 D C NN-B i L S TM-A t t e n t i o n分类网络。实验结果表明,本文所提方法能够有效提取异常特征,提升扬声器异常声的分类精度。1 理论分析由于异常声信号是一种非线性、非周期性的信号,如果直接对异常声信号进行分类,检测精度较低。本文所提方法主要包含2个阶段。第一阶段需要通过时频分析的方式,将异常声信号进行分解并提取每个分量中的时频域特征,第二阶段是对采集的数据进行标签处理,按比例分为训练集、测试集,根据所提特征数据由分类网络进行分类。1.1 VMD理论VMD是一种自适应、非递归式信号分解方法。在处理非线性、非平稳的异常声信号方面具有良好的性能,可有效避免能量泄露、过分解等问题。此方法主要是通过求解变分问题的最优解来确定中心频率和带宽,在保证各模态分量带宽和最小的情况下,将扬声器异常声信号分解为K个分量。采用VMD算法将扬声器 异常声信 号分解 到 不 同 频 带 下 的I MF分量1 4。在求解I MF的过程中,采用镜像延拓的方式1 5有效避免端点效应问题。分解完成之后,从每个分量中提取峭度、波峰因子以及峰峰值等特征构成原始特征数据集。1.2 异常声分类网络传统的扬声器异常声分类方法大多采用机器学习的方法进行分类。而在分类过程中模型无法快速提取重要特征、容易忽略数据之间的相关性,且分类准确率容易受网络参数的影响导致分类精度较低。因此,本文提出了基于卷积循环注意力的扬声器异常声分类网络。该模型由C NN、B i L S TM和A t t e n-t i o n网络组成,能够学习到更深层次的异常声特征。引入B i L S TM双向结构来加深特征提取的层次。同时将注意力机制结合到分类模型中,使其自适应地调整模型学习异常声特征的权重,提升分类网络的整体性能。为了降低卷积的参数量,在网络中添加深 度 可 分 离 卷 积 层,优 化 模 型 的 算 力。引 入D r o p o u t方法对分类网络训练过程中的部分单元置零的方式来降低模型出现过拟合,提高模型的泛化能力。1.2.1 卷积神经网络卷积神经网络是一种具有局部感知的前馈神经网络,其采用不同大小的卷积核更好地学习局部特征,并通过网络层数的加深挖掘更丰富的数据信息。最早应用于图像处理领域,卷积神经网络主要包含卷积层和池化层。卷积层的作用是提取数据特征,计算公式为f=(W*x+b)(1)式中:x为异常声数据;W为卷积核矩阵;b为偏置量;为激活函数;*为卷积操作。在卷积神经网络中,训练次数的提升导致网络待优化参数增多,易出现过拟合现象。池化层主要对卷积后的异常声特征进行降采样,异常声分类过程中采用最大值池化。激活函数对分类网络的精度有较大的影响,容易在迭代过程中产生梯度弥散的情况,而R e L U激活函数能够提升网络的迭代速度,有效避免梯度弥散情况。C NN在提取输入数据的空间特征后,特征值会随着时间的积累而形成序列。空间特征值随时间变化,其波形能反映扬声器异常声状态的变化。C NN只能检测局部变化的幅度,对输入数据的顺序不敏感。1.2.2 双向长短时记忆网络长短时记忆网络1 6(l o n g s h o r t t e r m m e m o r y,L S TM)是 循 环 神 经 网 络(r e c u r r e n t n e u r a l n e t-w o r k,R NN)的一种改进型网 络模型。有效避免R NN存在的短期记忆问题,它在内部结构中引入了“门”结构,可以调节信息流。其中包含输出门、输入门和遗忘门。输入门、输出门负责数据的输入和输出,遗忘门是对重要信息进行保留,删除冗余信息。B i L S TM1 7可将C NN学习到的数据特征进行时序编码,建立时序上的特征向量,通过构建的前、后两个方向上的L S TM提取特征信息,充分学习数据的时序特征1 8。有效避免L S TM遗漏信息的缺陷进而提升信息之间的交流。双向长短时记忆网络的公式为ht=f(wxt+vht-1+b)ht=f(wxt+vht-1+b)yt=f(atht+btht+c)(2)式中:xt为t时刻的输入;ht-1为上一时刻的输出;w、v为前向L S TM权重矩阵;b、b为前后向偏置;w、v为后向L S TM权重矩阵;at、bt为前后向权重;c为计算偏置;f为激活函数。通过对当前时刻输入和前一时刻的输出赋予不同权重进行计算可得出长短时记忆网络的前向输出ht,同理可得到后向输出ht;用yt表示将每一时刻前后向输出叠加得到B i L S TM的输出。301第2期 周静雷,等:融合注意力机制卷积神经网络的扬声器异常声分类1.2.3 注意力机制在分类过程中,网络对特征无差别的学习并不能有效提升分类网络的收敛速度和分类的精度,需要对每种类型中的重要特征的权重进行更新,引入注意力机制网络。注意力机制1 9最初应用于图像处理、自然语言处理等领域。其核心功能是模拟人类的视觉功能,快速从众多的信息中选择出对目前任务最关键的信息。在扬声器异常声特征数据当中,并不是所有特征都有利于扬声器异常声分类。为了获取更具有判别性的异常声特征并且提升这类特征数据的权重,本文在分类网络中引入注意力机制模块来提升模型对特征数据的权重配比,进而提升分类网络的整体性能。注意力机制理论是以经过C NN-B i L S TM网络训练得到的各类型的异常声特征的输出为注意力机制层的输入,然后将特征数据与权重相乘,加上神经元的偏差计算,其公式为ui=t a n h(Wihi+bi)(3)ai=e x p(ui)Ni=1e x p(ui)(4)Fc=Ni=1aihi(5)式中:t a n h()为双曲正切函数;hi为异常声特征的输入;Wi为神经元权重;bi为偏置;ai为权重系数;Fc为最终输出。通过对不同特征与各项权重相乘实现不同特征的权重分配,使网络整体关注到更加重要和关键的异常声特征,有利于提升分类网络的精度。2 扬声器异常声分类实验验证2.1 数据采集平台本次实验采用动圈式扬声器,其型号为3 5 8 0-3型,谐振频率为1 8 0 H z。实验共测试良品、异物、缺胶、碰圈、脱盆架、音小、纸盆声共7类,每种类型的扬声器单元各1 4个。单条数据不能表征扬声器单元的所有特征,所以每个扬声器单元各采集2 0条数据。其中异物是指在扬声器单元中有小颗粒金属等,缺胶是指再生产过程中防尘帽和压边之间由于胶体涂抹不均匀导致部分区域存在胶少的情况,脱盆架是指盆架之间出现松动导致在运行过程中产生的振动声影响扬声器音质,而音小是在上胶过程中胶液流入振膜,纸盆声是指纸盆分裂。扬声器异常声采集平台如图1所示。图 1 异常声采集原理图F i g.1 S c h e m a t i c d i a g r a m o f a b n o r m a l s o u n d c o l l e c t i o n从图1可知,首先将上位机发出的激励信号经过异常声分析模块进行滤波处理,经功率放大器将激励信号进行放大,激励扬声器发声,其次由传声器将采集到的声频信号送入异常声分析模块进行调理,由音频分析仪进行数据记录,最后由上位机实现扬声器异常声信号的特征提取和分类实验。2.2 实验设置本文采用G o o g l e研发的t e n s o r f l o w 2.0深度学习框架。实验所用硬件配置:AMD R y z e n 7 3 7 0 0 X 8-C o r e P r o c e s s o r C P U 3.5 9 GH z,G P U为NV I D I A G e F o r c e G T X 1 6 6 0 S U P E R,1 6 G i B运行内存。在实验过程中,为了使模型训练结果达到最优,根据实际情况对模型中优化器、学习率进行设定。为了避免实验过程中存在的随机情况,本文进行多次实验,确定以上参数。2.2.1 优化器选择优化器是用来更新影响网络训练的重要参数,使其无限逼近最优值。优化器选用对于异常声分类实验的精度和损失值有一定影响。本文选用N a d-a m、A d a m a x和A d a m 3种优化器进行实验,结果如表1所示。表 1 不同优化器准确率T a b.1 A c c u r a c y o f d i f f e r e n t o p t i m i z e r s 优化器准确率/%损失值A d a m9 9.1 70.0 7 5N a d a m8 8.0 60.4 7 4A d a m a x9 7.9 40.1 1 4从表1的结果可以得出,A d a m优化器在异常声数据集上的分类准确率为9 9.1 7%,损失值为0.0 7 5,与其他2种优化器相比性能更优。充分体现出A d a m优化器在分类网络中,可以根据历史梯度信息完成当前时刻的梯度更新,避免在更新过程中陷入局部最优。从而可以精准计算出损失函数的最401 西安工程大学学报 第3 8卷优值,提升分类网络的整体性能。2.2.2 学习率选择学习率直接影响模型的学习速度和准确率,是影响参数模型性能的重要参数。学习率过大导致权重更新过大,学习率过小导致学习速度缓慢。在实验过程中采用t r i a l-a n d-e r r o r2 0,对学习率进行最优选取。实验其他参数设置b a t c h为1 8,训练次数为1 0 0,不同学习率条件下训练1 0次的准确率和损失值如表2所示。表 2 不同学习率实验结果T a b.2 E x p e r i m e n t a l r e s u l t s o f d i f f e r e n t l e a r n i n g r a t e s学习率准确率/%损失值0.0 0 0 19 3.40.1 2 50.0 0 1 09 8.7 50.0 3 50.0 0 2 09 7.0 30.0 50.0 1 0 09 6.7 00.1 2 8从表2可以得到,学习率为0.0 0 1时准确率最高,此时损失值最低。因此网络模型学习率大小选取为0.0 0 1。本文最优模型参数设置如表3所示。表 3 分类网络参数T a b.3 C l a s s i f i c a t i o n n e t w o r k p a r a m e t e r s网络层尺寸步长输出尺寸C o n v 114125 54C o n v 218122 88P o o l 118121 48C o n v 311 61271 6P o o l 216 41216 4C o n v 411 2 81211 2 8B i L S TM6 416 4A t t e n t i o n1 2 81 2 8S o f t m a x7 07表3中,分类网络模型主要由C NN、B i L S TM和A t t e n t i o n级联组成,其中“”为无步长,每次训练的批处理大小为1 8,D r o p o u t值为0.5,填充方式为s a m e,池化类型为最大池化。通过多层卷积池化的方式提升网络对深层特征的提取能力,并通过在两者之间添加R e L U激活函数的方式对梯度数据进行更新,避免网络出现梯度消失的情况,最后由S o f t m a x函数实现对扬声器异常声类型的分类。2.3 扬声器异常声模式识别为验证本文所提扬声器异常声分类方法的有效性,本文对不同数据集采用不同分类模型进行分类实验及本文模型的消融实验,验证此模型的可行性。2.3.1 消融实验为了验证本文分类模型在引入B i L S TM和注意力机制的有效性,将VMD提取时频域特征在C NN、C NN-B i L S TM、C NN-B i L S T N-A t t e n t i o n 3种网络模型中分别进行消融实验2 1。为了保证实验的公正性,共同网络模块的参数相同,实验结果图2所示。图 2 不同模型准确率F i g.2 A c c u r a c y o f d i f f e r e n t m o d e l s图2表明,有注意力机制、B i L S TM的网络模型准确率曲线在训练3 0轮之前就达到稳定状态,说明引入的A t t e n t i o n网络能够快速学习到异常声中最具鉴别能力的重要特征,B i L S TM网络通过门限控制概念,将有效信息保留下来,双向结构加深对特征数据的全面学习,提高模型分类的准确性。同时,可以从图中分析得到,C NN-B i L S TM网络前期的收敛速度较 慢,分 类 精 度 相 对 本 文 提 出 的C NN-B i L-S T N-A t t e n t i o n也略有偏低。而C NN网络的整体性能相对偏 低,并在训练9 0轮之后 出现了过拟合2 2的情况。混淆矩阵可以看出每种类型的扬声器在测试过程中真实属性和预测结果。将良品、异物、缺胶、碰圈、拖盆架、音小、纸盆声,分别用1、2、3、4、5、6、7表示,其混淆矩阵结果如图3所示。图 3 混淆矩阵F i g.3 C o n f u s i o n m a t r i x从图3可知,将良品误判为碰圈和纸盆声的比例之和为1 0%,而将缺胶误判为碰圈的比例为3%。501第2期 周静雷,等:融合注意力机制卷积神经网络的扬声器异常声分类其余类别的异常声的分类准确率为1 0 0%。从混淆矩阵的结果中进一步证明了本文所提分类网络能够学习到特征之间的差异性,能够准确地完成扬声器异常声的分类。2.3.2 不同分类网络对比分析同时,为了证明本文所建C NN-B i L S T N-A t t e n-t i o n网络模型在扬声器异常声分类方面的优势,选取目前在分类方面使用较为广泛D C NN2 3、VG G-1 62 4、随机森林2 5(r a n d o m f o r e s t,R F)分类网络,在训练集与测试集比例为55、73两种数据集下进行分类实验。为了保证实验的公正性,选取最优参数,使其分类性能达到最佳状态。同时为了避免偶然情况的出现,实验重复1 0次取平均值,其结果如图4所示。图 4 不同模型的分类效果F i g.4 C l a s s i f i c a t i o n e f f e c t o f d i f f e r e n tm o d e l s图4表明,在训练集与测试集比例为55的数据集下,只有C NN-B i L S T N-A t t e n t i o n、R F 2个分类网络的精度为9 6.6 7%、9 2.7 3%,分类结果相对较好;而D C NN、VG G-1 6的分类精度为7 7.2 7%、7 3.9 4%,分类结果较差。训练集和测试集的比例为73时,4种分类网络的精度都有一定的提升,其中C NN-B i L S T N-A t t e n t i o n的 分类精 度 为9 9.1 7%,在2种不同比例的数据集下本文模型的分类精度都最高,说明本文模型在异常声分类方面具有一定的优势。2.4 不同分解方法对比分析为了证明本文所提方法在异常声分类方面的优势。对7种类型的扬声器进行集合经验模态分解(e n s e m b l e e m p i r i c a l m o d e d e c o m p o s i t i o n,E E-MD)2 6,并 且 提 取 每 个 子 集 的 特 征。最 后 使 用C NN-B i L S T N-A t t e n t i o n、R F 2个分类网络对E E-MD和VMD所提特征进行分类实验。为了避免分类实验存在偶然性,分类实验重复1 0次取均值,实验结果如表4所示。表 4 不同分解方法结果对比T a b.4 C o m p a r i s o n o f r e s u l t s o f d i f f e r e n t d e c o m p o s i t i o n m e t h o d s方法音频分解时长/s模型AVG/%VMD7.2本文R F9 9.1 79 8.6 1E EMD3 5.4本文R F9 4.9 28 9.9 6从表4可以看出,E EMD在分解异常声信号中分解时间相比于VMD多出2 8.2 s。由VMD提取的特征在C NN-B i L S T N-A t t e n t i o n、R F 2种分类模型中都可以取得相对较高的分类精度,即9 9.1 7%和9 8.6 1%。与E EMD相比,提出的特征鉴别性更高。从分类的网络精度方面分析,E EMD虽有效避免EMD网络存在端点效应,但是引入的白噪声并无法全部抵消,存在的噪声对异常声分类精度造成影响。为了验证C NN-B i L S TM-A t t e n t i o n模型的整体性能,对其分类耗时进行分析。信号分解方法采用VMD与R F分类网络进行对比。结果表明,在分类耗时上,本文所提模型单个声频分类耗时为0.4 2 5 s,而R F分类网络耗时为1.3 1 1 s,与R F分类网络相比单个音频分类耗时提升0.8 8 6 s。从分类精度、检测耗时两方面分析,充分说明本文所提方法相较于传统检测方法能更精准、更高效地识别扬声器异常声的类型。3 结 论1)本文采用信号处理算法对7种不同故障类型的扬声器进行特征提取。VMD有效避免E EMD在分解异常声过程中存在的噪声对特征提取的影响。2)通过引入注意力机制,优化C NN-B i L S TM分类模型,调节模型特征权重系数,可以关注到异常声中主要的故障特征,提高模型分类性能。3)提出的C NN-B i L S TM-A t t e n t i o n分类模型,采用不同的数据集以及不同样本比例的情况下分类的精度高,而且此模型有效降低C NN模型存在的过拟合情况。说明本文所提分类模型在扬声器异常声分类中具有更好的分类精度和泛化能力。在未来的研究过程中,针对良品的误判率较高以及如何实现复合式异常扬声器分类的问题,拟进一步研究。601 西安工程大学学报 第3 8卷参考文献(R e f e r e n c e s)1 宋华建,穆瑞林,周子奇.一种基于特征点提取的扬声器异常声检测方法J.应用声学,2 0 2 2,4 1(2):2 4 3-2 4 9.S ON G H J,MU R L,Z HOU Z Q.M e t h o d f o r d e t e c t i n g r u b&b u z z o f l o u d s p e a k e r b a s e d o n f e a t u r e p o i n t sJ.J o u r n a l o f A p p l i e d A c o u s t i c s,2 0 2 2,4 1(2):2 4 3-2 4 9.(i n C h i n e s e)2 B A I M R,HUANG C M.E x p e r t d i a g n o s t i c s y s t e m f o r m o v i n g-c o i l l o u d s p e a k e r s u s i n g n o n l i n e a r m o d e l i n gJ.T h e J o u r n a l o f t h e A c o u s t i c a l S o c i e t y o f Am e r i c a,2 0 0 9,1 2 5(2):8 1 9-8 3 0.3 苏永生,王永生,段向阳.一种基于改进的傅里叶变换的弱故障信号特征提取新方法研究J.振动与冲击,2 0 0 9,2 8(8):1 7 2-1 7 4.S U Y S,WANG Y S,D UAN X Y.N e w f e a t u r e e x t r a c-t i o n m e t h o d f o r w e a k f a u l t s i g n a l b a s e d o n i m p r o v e d F o u r i e r t r a n s f o r mJ.J o u r n a l o f V i b r a t i o n a n d S h o c k,2 0 0 9,2 8(8):1 7 2-1 7 4.(i n C h i n e s e)4 李宏斌,徐楚林,温周斌.基于短时傅里叶变换的异常音检测方法J.声学技术,2 0 1 4,3 3(2):1 4 5-1 4 9.L I H B,X U C L,WE N Z B.A S T F T b a s e d m e t h o d f o r d e t e c t i n g R u b&B u z z d e f e c t s o f l o u d s p e a k e r a n d i t s a p p l i c a t i o n r e s e a r c hJ.T e c h n i c a l A c o u s t i c s,2 0 1 4,3 3(2):1 4 5-1 4 9.(i n C h i n e s e)5 韦峻峰,杨益,温周斌,等.一种扬声器异常音的时域特征检测方法J.振动与冲击,2 0 1 1,3 0(1 0):1 2 2-1 2 8.WE I J F,YAN G Y,WE N Z B,e t a l.A d e t e c t i n g m e t h-o d f o r r u b a n d b u z z d e f e c t s o f a l o u d s p e a k e r i n t i m e d o m a i nJ.J o u r n a l o f V i b r a t i o n a n d S h o c k,2 0 1 1,3 0(1 0):1 2 2-1 2 8.(i n C h i n e s e)6 王鸿姗,周静雷,房乔楚.小波包样本熵的扬声器异常音特征提取方法J.西安工程大