Page 52 - 《应该声学》2022年第2期

220 2022 年 3 月

໚ฉ٨C2 ᭤ጳভ Яඐጺᑊവی
CF
˗᏿໚ฉ٨ ໚ฉ٨C1 ᭤ጳভ Ͱᤰ໚ฉ
ܦηՂ S զᝀηՂ
CF
f↼τ C1↽ Ғᯠ଍҄᡹य़

CF ᭤ጳভ Ͱᤰ໚ฉ ࡇए᎖ஊ
଍҄᡹य़
໚ฉ٨ ܱඐጺᑊവی
图 4 听觉外周模型原理图
Fig. 4 Schematic diagram of the auditory-periphery model

指定特征频率 CF 之后，将预处理后的声信号 采集的声信号经过听觉外周模型的多特征频
输入听觉外周模型进行处理。其具体过程如下：首 率分析处理后获得听觉谱，不同预紧力工况下的听
先，中耳滤波器对声信号中不同频率成分进行不同 觉谱如图5所示。由图5可知，不同预紧力工况下的
程度的放大或衰减；然后，将其输入基底膜模型获取 变压器声信号经过听觉外周模型处理之后，各特征
特征频率处的声压成分，并且在此过程中基底膜模 频率的听觉信号具有较大差异。一方面，随着预紧
型不断受到外毛细胞模型的主动反馈作用；最后，使 力的降低，听觉信号各频带的幅值有所升高，且高频
用内毛细胞模型将声压转化电压，即可实现对给定 成分幅值差异较大。另一方面，听觉信号能有效捕
特征频率处听觉信号的提取。该模型仅提取了单一 捉不同预紧力工况下变压器声信号的时域差异。
特征频率处的听觉信号，而变压器声信号包含多个 3.2 特征提取
频率成分，因此需要对采集的声信号进行多特征频
为获得表征听觉谱的特征向量，分别计算各
率分析，以构成听觉谱。由于变压器噪声信号在频
特征频率听觉信号的 7 类统计特征，将它们融合
域上是连续变化的，且同一临界频率带内的声音特
成为特征向量称为听觉谱特征(Auditory spectrum
性差别不大，所以本文采用临界频率带划分标准进
features, ASF)。上述听觉谱共包含 20 个特征频率，
行频带划分 [24−27] 。同时，考虑到变压器声信号在
则这7类统计特征计算方法如下：
100 Hz 及其倍频上分布较大的振动能量，在划分子
(1) 听觉谱能量 (Auditory spectrum energy,
带噪声信号时，在子带分割点上错开该频率，以保证
ASE)，各特征频率听觉信号的能量E i 为
子带信号分割的完整性。具体子带噪声信号划分标 N
∑ 2
准如表1所示，在0∼6390 Hz 的频率范围内，共划分 E i = |x i (k)| , i = 1, 2, · · · , 20, (5)
了20个特征频率。 k=1
式 (5) 中，x i (k) 为第 i 个特征频率所对应的听觉信

表 1 子带噪声及其对应序号 号，N 为第i个听觉信号采样点数。归一化听觉谱能
Table 1 Characteristic frequencies and 量构成特征向量ASE：
their corresponding serial numbers / 20
∑
ASE = [E 1 , E 2 , · · · , E 20 ] E i . (6)
临界频带 Z/bark 频率 f/Hz 临界频带 Z/bark 频率 f/Hz
i=1
1 0 ∼ 90 11 1270 ∼ 1480
(2) 听觉谱能量熵 (Auditory spectrum energy
2 90 ∼ 190 12 1480 ∼ 1720
entropy, ASEE)，能量熵反映了能量在特征频率内
3 190 ∼ 290 13 1720 ∼ 1990
分布的均匀性和有序性，能量熵越大表示听觉信号
4 290 ∼ 390 14 1990 ∼ 2320
5 390 ∼ 510 15 2320 ∼ 2690 在该特征频率内类随机性越强。各特征频率听觉信
6 510 ∼ 630 16 2690 ∼ 3150 号的能量熵ASEE i 为
7 630 ∼ 770 17 3150 ∼ 3690 N 2 ( 2 )
∑ |x i (k)| |x i (k)|
8 770 ∼ 920 18 3690 ∼ 4390 ASEE i = − · ln , (7)
E i E i
9 920 ∼ 1080 19 4390 ∼ 5290 k=1
10 1080 ∼ 1270 20 5290 ∼ 6390 式(7)中，E i 为第i个听觉信号的能量。