[1]郭　庆　陈秀荣　苏海涛　徐翠锋.基于LMD-LSSVM的扬声器异音故障诊断方法研究[J].大众科技,2021,23(4):1-4.
　Research on Loudspeaker Abnormal Sound Fault Diagnosis Method Based on LMD and LSSVM[J].Popular Science & Technology,2021,23(4):1-4.
点击复制

基于LMD-LSSVM的扬声器异音故障 诊断方法研究()
分享到：

《大众科技》[ISSN:1008-1151/CN:45-1235/N]

卷:
23
期数:
2021年4
页码:
1-4
栏目:
信息技术与通信
出版日期:
2021-04-20

文章信息/Info

Title:
Research on Loudspeaker Abnormal Sound Fault Diagnosis Method Based on LMD and LSSVM
作者:
郭　庆1; 2　陈秀荣2　苏海涛1; 2　徐翠锋1; 2
（1.广西自动检测技术与仪器重点实验室，广西 桂林 541004； 2.桂林电子科技大学电子工程与自动化学院，广西 桂林 541004）
关键词:
扬声器故障诊断; 局部均值分解; 能量熵; 最小二乘支持向量机
Keywords:
fault diagnosis of loudspeaker;  local mean decomposition;  energy entropy;  least squares support vector machine
文献标志码:
A
摘要:
文章采用局部均值分解（Local mean decomposition，LMD）和最小二乘支持向量机（Least squares support vector machine，LSSVM）相结合的方法进行扬声器异音故障诊断的研究。首先，选取正常扬声器与漏气、铁粉杂质、小音三种故障类型的扬声器作为研究对象，在实验平台上对上述四种类型扬声器施加激励信号。然后，获得不同类型的响应信号并对其进行LMD分解，得到一系列乘积函数（Product function，PF），求出它们的能量熵，构成特征向量。最后，将提取的特征值作为LSSVM模拟分类器的输入量进行训练和识别，诊断出扬声器的故障类型。实验结果表明，该方法可以有效地对扬声器异音进行故障诊断分类，诊断准确率平均达93.42%。
Abstract:
In this paper, the method of combining local mean decomposition (LMD) and least squares support vector machine (LSSVM) is used to study the speaker abnormal sound fault diagnosis. Firstly, the normal speakers and the speakers with air leakage, iron powder impurities and small sound faults are selected as the research objects, and the excitation signals are applied to the above four types of speakers on the experimental platform. Then, different types of response signals were obtained and LMD decomposition was carried out to obtain a series of product functions (PF), and their energy entropies were calculated to form eigenvectors. Finally, the extracted eigenvalues are used as the input of LSSVM simulation classifier for training and recognition, and the fault types of loudspeakers are diagnosed. The experimental results show that this method can effectively diagnose and classify speaker abnormal sound, and the average diagnostic accuracy is 93.42%.

参考文献/References:

[1]　董艳芳. 微型扬声器异音故障检测方法研究[D]. 天津: 天津科技大学，2014. [2]　杨潘. 基于局部特征尺度分解的滚动轴承故障诊断方法[D]. 长沙: 湖南大学，2014. [3]　肖燕彩. 支持向量机在变压器状态评估中的应用研究[D]. 北京: 北京交通大学，2008. [4]　肖莎丽. 基于支持向量机的温度控制系统研究[D]. 武汉: 武汉科技大学，2010. [5]　罗茜. 基于优化EMD分解和GA-BP神经网络的滚动轴承故障诊断研究[D]. 长沙: 湖南大学，2017. [6]　胡标，王晓光，吴素敏，等. 基于局部均值分解的电压暂降检测新方法[J]. 计量学报，2015，36(6): 622-627. [7]　程军圣，杨怡，张亢，等. 基于局部均值分解的循环频率和能量谱在齿轮故障诊断中的应用[J]. 振动工程学报，2011，24(1): 78-83. [8]　赵海洋，王金东，刘树林，等. 基于神经网络和支持向量机的复合故障诊断技术[J]. 流体机械，2008(1): 39-42，73. [9]　曾磊. 附不等式约束平差模型的理论与方法[D]. 长沙: 中南大学，2011. [10] 刘静. 基于小波分析的支持向量机车牌识别技术研究与实现[D]. 西安: 西北大学，2010.

备注/Memo

备注/Memo:
【收稿日期】2021-02-09 【基金项目】广西科技基地和人才专项“电动扬声器异音智能检测与自动分类系统开发”（桂科AD19110026）。 【作者简介】郭庆（1962－），男，广西自动检测技术与仪器重点实验室、桂林电子科技大学教授，硕士生导师，研究方向为信号与信息处理技术。
更新日期/Last Update: 2021-07-14