摘要：声学检测是通过感知和分析待测物的声音信号，进行待测物品质、状态、缺陷等信息无损辨识的技术，具有成本低、非接触式检测等优点。当前的声学检测系统一般是针对检测目标，实现特定的声音采集和识别功能，从而完成特定的检测任务，通用性不足。设计了一套基于数字信号处理DSP的声学检测系统，包含声学采集模块和声学分析软件，具有声学数据收集、显示、分析以及声学检测功能，能按无线或有线方式传输声学数据，可满足声音采集和分析需要分离的情况，适用于广泛的检测场景。该系统还允许使用者设计声学分析模型库，然后可在声学分析软件界面从库中灵活选用合适的声学模型集成至检测程序，以执行检测任务。通过对声学检测系统的声音采集、显示和声学检测等主要功能进行测试，验证了该系统的有效性。

　　关键词：声学检测；声学分析；声音采集；DSP

　　0引言

　　任何物体都可以主动或受激励后被动发出声音，此声音蕴含了物体自身的状况信息。从轻微的呼吸声到强烈的机器运转声，这些声波都是周围世界状态的真实反映。因此，通过检测物体发出的声音就可以分析其状况，即声学检测。声学检测是通过感知和分析待测物的声音信号，进行待测物品质、状态、缺陷等信息无损辨识的技术，具有成本低、非接触式检测等优点，正逐渐在心音智能听诊、罐装食品质检、电机质检、设备状态监测、电力设备巡检等领域被研究和应用。

　　广东省科学院智能制造研究所韩威等提出利用电磁脉冲激励罐盖使其发声，然后通过分析此声音，对罐装瓶装食品真空合格或不合格进行判别。五邑大学程华利等对声音信号的幅频特征进行PCA降维后输入一分类SVM，进行电机产品的电磁异音、轴承异音、摩擦异音、松动异音等的诊断。Glowacz等则尝试采用最近邻分类器、高斯混合模型根据低维声音特征进行电机故障判别。Cheng等在抛光打磨场景，根据砂带与被加工件的摩擦声，来识别砂带磨损情况和剩余寿命。宁夏大学郝洪涛等利用声音信号来监测自动化产线上托辊的运行状况。贵州大学李少波等通过将4个声学传感器布置在不同测量点位以获取不同敏感度的故障信息，再以卷积神经网络作为融合手段，进行齿轮故障诊断。赵君成等应用声成像技术搭建了变电站电力设备声纹成像噪声测量系统，并将该系统用于电力设备噪声源识别。Xiao等在水管上安装声学传感器，以监测水管是否有泄漏。在城市交通管理中逐渐广泛应用的鸣笛抓拍也是采用声学检测技术。此外，还有路正道等提出利用超声波检测海洋工程钢结构焊缝。

　　目前的声学检测系统一般是先采集声学数据，然后通过特征匹配、SVM、ANN、CNN等建模方法对声学数据进行处理、识别，以完成特定对象或功能的检测，缺乏通用性。本文设计了一套基于数字信号处理（Digital Signal Processor，DSP）的声学检测系统，包含声学采集模块、声学分析软件，具有声学信号采集、传输、存储、分析和检测功能，可通过无线或有线方式进行声学数据传输，能实时显示声音波形、设置声音采集参数、自定声学分析模型库，允许使用者从库中灵活选用声学模型，以进行检测任务程序的编写。本文设计的声学检测系统在数据传输、样本收集、任务程序编写等方面具有较好的灵活性、便捷性。

　　1系统总体设计

　　声学检测系统由声学采集模块和PC端的声学分析软件构成，如图1所示。声学采集模块用于实现声音的采集、预处理以及声学数据的传输。声学分析软件用于声音样本收集、声音波形显示、执行声学检测任务等。

　　2声学采集模块设计

　　声学采集模块主要由麦克风、声音采集单元、DSP处理单元及通信单元组成，其实物如图2所示。

　　2.1声音采集单元

　　声音采集单元用于对声音信号进行编码，实现数字化，主要由声音编码芯片及其外围电路（包括模拟声音输入电路、声音播放电路、晶振电路等）组成，如图3所示。声音编码芯片选用TI公司的TLV320AIC23BIPW，其采样速率可达96 kHz、采样精度32 bit/s，具有立体声线路输入和模数转换器的多种输入（立体声线路输入和麦克风输入）、立体声线路输出、内含静音功能的模拟音量控制功能、带有高效率线性耳机放大器。

　　2.2 DSP处理单元

　　DSP处理单元用于控制心音采集和数据传输，主要由DSP处理器、控制声音编码芯片的电路、晶振电路、复位电路等组成，如图4所示。DSP处理器选用ADI公司的ADSP-21489BSWZ-4A，其提供以音频中心的独特外设，例如：数字应用接口、串行端口、精密时钟发生器、S/PDIF收发器、异步采样速率转换器、输入数据端口等。该处理器工作频率可达400 MHz、有硬件浮点运算能力、有硬件FIR、IIR滤波器功能、有硬件傅里叶变换（FFT）运算功能、有5 Mbit片内RAM等。在400 MHz主频时，1 024点FFT仅需23μs。因此，其具有良好的音频信号处理、数据运算性能。

　　2.3通信单元

　　通信单元能通过蓝牙模块、RS232接口、TTL接口进行数据传输，实现声学采集模块与PC端声学分析软件的通信，能将声音数据实时上传，其电路原理如图5所示。

　　3声学分析软件设计

　　声学分析软件运行在PC端，能对声音采集模块进行参数配置，可实现声音样本收集、同步播放、时频域波形显示、声学分析、分析结果显示等功能，软件界面如图6所示。

　　软件各部分功能为：样本收集用于将若干时长的声音信号保存为一个样本，可连续保存，样本可用于声学模型的训练和测试；声学模型用于选择使用者设计的声学模型，并将其集成至检测程序；采集参数用于设置声音采集模块的采样频率、放大系数等参数；同步播放用于选择是否将接收到的声音数据进行同步播放，可以选择开启或关闭同步播放；时频域波形显示用于实时显示接收到的声音数据的时域波形，以及傅里叶频谱波形；分析结果用于运行声学检测程序，以对声音信号进行处理和识别，得到并显示分析次数、检测结果，可以选择开启或关闭声学分析。

　　4系统测试

　　声学检测系统的测试环境由声源、声学采集模块、声学分析软件组成。声学分析软件采用Python3.8编写，运行于Windows10系统。由声学采集模块将声源发出的声音采集后，通过蓝牙通信传送至声学分析软件进行波形显示和信号分析。本文主要对声学检测系统的声音采集及波形显示功能、声学检测功能的测试情况进行介绍。

　　4.1声音采集及波形显示功能

　　用安装有声音信号发生软件的手机作为声源，播放某一频率的声音信号，以测试声学检测系统的声音采集及波形显示功能，测试环境如图7所示。

　　分别播放频率为200 Hz和400 Hz的正弦声音信号，声音被采集、传输后在声学分析软件中的波形显示效果如图8~9所示。图中上部分为声音时域信号波形图，横轴表示时间，纵轴表示信号幅值，为了显示清晰，对数据进行抽样后再显示；下部分为对应声音时域信号的频谱图，横轴表示信号频率，纵轴表示能量。

　　4.2声学检测功能

　　变压器是电力系统输变电过程中的常用关键设备，其运行状态能反映整个电力系统的工作状态。大多数变压器几乎是全时运行，随着使用年限的增长，易出现铁心松动、绕组松动及绕组变形等机械故障，此外负载波动也会影响变压器工作状态，这些现象在变压器发出的声音中都会体现，因此可通过监测变压器运行声音，以识别其运行状态，从而进一步分析电力系统的工作状态。为了测试本文系统的声学检测功能，选择变压器作为测试对象，变压器声学检测的目的是判断变压器运行是否出现异常，用大功率电阻作为变压器负载，测试环境如图10所示。

　　变压器声学检测面临着正负样本不均衡问题，此问题的一般表现为：能采集到的正常样本比异常样本数量显著多、异常样本种类多且不易采集。异常检测是解决正负样本不均衡问题的常用方法，它旨在识别数据中的异常。因此，本文将变压器声学检测视为异常检测。目前异常检测一般采用无监督方法，如聚类、One Class SVM、自动编解码器等，本文选用变分自编码器作为声学模型进行变压器声学检测。声学模型训练时只需学习正常声音数据；声学模型预测时将与正常声音差异大的情况判为异常。

　　测试采用的变压器标称输出值为功率200 W、电压24 V，将负载为1 000 W/5R电阻、1 000 W/2R电阻、空载分别视为负载正常、过载、欠载，将负载正常视作变压器运行正常，过载和欠载都视作变压器运行异常。在变压器正常运行情况下，连续采集3 000个时长为1秒的声音样本，对每个样本提取声学特征的过程为：采用窗长为25 ms、步长为10 ms的滑动窗将时长为1 s的声音信号分割为99个数据块；按Mel刻度将每个数据块划分为26个频段，计算每个频段的Mel频率倒谱系数（Mel-Frequency Cepstrum Coefficients，MFCCs），选择前15个MFCCs作为数据块的信号特征；将每个数据块的特征按时间顺序连接在一起，则得到一个大小为99×15的MF⁃CCs特征图，即为一个样本的声学特征。采用样本的声学特征训练声学模型，将训练后的声学模型集成到声学分析软件，进行在线测试。变压器负载为1 000 W/2R电阻时，进行连续运行测试，测试结果如图11所示，从图中可以看出检测结果为异常，检测结果正确。

　　5结束语

　　本文设计了一套具有较好通用性的声学检测系统，包含声音采集模块和声学分析软件，具有声音采集和显示、声音样本收集、声学检测等功能。声音数据可以通过蓝牙模块传输，能很好地适用于声音采集和声音分析需要分离的情况，例如需要避免交叉干扰的心音听诊、需要小体积的声学检测场景等；声学分析软件允许使用者灵活选用声学分析模型集成至检测程序，以完成检测任务，在软件界面即可观察检测结果，从而让该系统适用于广泛的声学检测场景。未来将结合实际需求，利用该系统开展声学处理和识别方法的研究，并进行推广应用。此外，鉴于声音采集模块中DSP具有很强的浮点数据运算能力，还将研究把声学检测程序移入声音采集模块，使该模块兼具声音采集和声学检测功能，提升系统便携性，更好满足检测需要。

　　参考文献：

　　[1]周紫薇,徐浩然,李永勤,等.基于STM32单片机的蓝牙听诊系统设计[J].医疗卫生装备,2024,45(5):22-27.

　　[2]王志,陈始圆,陆嘉文,等.适用于智能听诊的心肺音、心电同步采集设备设计与研制[J].中国医学物理学杂志,2023,40(3):361-368.

　　[3]韩威,李昌,周松斌,等.基于NMF的罐装食品真空度声学检测方法[J].自动化与信息工程,2019,40(2):1-4,29.

　　[4]韩威,周松斌,刘忆森,等.基于麦克风阵列的罐装食品真空度在线检测[J].中国测试,2019,45(7):128-133.

　　[5]程华利,樊可清.异音检测的机器学习方法及其在电机质检中的应用[J].测控技术,2015,34(4):55-58,62.

　　[6]GLOWACZ A,GLOWACZ W,GLOWACZ X,et al.Early fault di⁃agnosis of bearing and stator faults of the single-phase induction motor using acoustic signals[J].Measurement,2018,113:1-9.

　　[7]汪欣,毛东兴,李晓东.基于声信号和一维卷积神经网络的电机故障诊断研究[J].噪声与振动控制,2021,41(2):125-129.

　　[8]CHENG Can,LI Jianyong,LIU Yueming,et al.Deep convolution⁃al neural network-based in-process tool condition monitoring in abrasive belt grinding[J].Computers In Industry,2019,106:1-13.

　　[9]郝洪涛,倪凡凡,丁文捷.基于声音信号的托辊故障诊断方法[J].噪声与振动控制,2019,39(3):187-192.

　　[10]李少波,姚勇,桂桂,等.基于CNN与多通道声学信号的齿轮故障诊断[J].中国测试,2019,45(10):1-5.

　　[11]赵君成,覃启铭,张志富,等.基于声成像技术的变电站电力设备噪声源识别技术研究[J].电气技术与经济,2023(8):90-92.

　　[12]方晓强,刘元庆,张啸天,等.基于移动麦克风阵列的换流站异常声源定位方法[J].浙江电力,2024,43(1):108-116.

　　[13]覃启铭,王云承,张振兴,等.电力设备声学成像和声源定位技术的研究与系统实现[J].大众用电,2023,38(6):40-41.

　　[14]司文荣,傅晨钊,徐鹏,等.基于声学成像及图像处理的变压器铁心松动检测研究[J].高压电器,2021,57(11):180-186.

　　[15]XIAO Rui,HU Qunfang,LI Jie.Leak detection of gas pipelines using acoustic signals based on wavelet transform and support vector machine[J].Measurement,2019,146:479-489.

　　[16]ZHAO Zheng,CHEN Weihai,SEMPRUN K A,et al.Design and evaluation of a prototype system for real-time monitoring of ve⁃hicle honking[J].IEEE Transactions on Vehicular Technology,2019,68(4):3257-3267.

　　[17]路正道,蒋桂通,贾刘仁,等.超声波检测法辨别焊缝中微细裂纹[J].机电工程技术,2024,53(5):222-225.

　　[18]吴国鑫.变压器故障声纹检测与诊断方法研究[D].北京:华北电力大学(北京),2021.

　　[19]向志昊,魏华.基于声纹特征识别的电力变压器运维检测技术研究[J].电子设计工程,2023,31(20):114-118.

　　[20]张仁杰,陈伟,杭梦鑫,等.基于变分自编码器的不平衡样本异常流量检测[J].计算机科学,2021,48(7):62-69.

　　[21]江连吉,陈玉明,钟才明,等.无监督异常检测的深度变分自编码高斯混合模型[J].厦门理工学院学报,2023,31(5):49-57.