2、声学监测基础：声音的物理特性、数字音频表示、常见声学事件类型与监测场景

在TinyML低功耗声学监测系统的设计中，对声学基础的理解直接决定了前端传感器选型、采样策略制定以及事件检测算法的有效性。声音作为一种机械纵波，在空气中传播时表现为压力随时间的周期性变化。与图像或振动信号不同，声学信号具有宽动态范围（从20μPa的听阈到20Pa的痛阈，跨度达120dB）、强环境依赖性以及丰富的时频特征。本章将系统梳理声音的物理本质、数字音频的表示方法、典型声学事件类型及其对应的监测场景，为后续间歇采样与事件触发策略的设计奠定物理与信号层面的基础。

2.1 声音的物理特性与感知度量

声音的本质是弹性介质中传播的机械振动，在空气中表现为疏密相间的纵波。声波的主要物理参数包括频率（f）、波长（λ）、声速（c）和振幅（A），它们之间的关系为 c = f × λ。在标准大气压和20℃环境下，空气中声速约为343m/s。频率决定了声音的音调，人耳可听范围通常为20Hz至20kHz，低于20Hz为次声波，高于20kHz为超声波。振幅则对应声音的响度，工程上常用声压级（SPL）来度量，其定义为：

SPL(dB) = 20 × log10(P / P_ref)

其中P为实测声压有效值，P_ref为参考声压（空气中取20μPa）。声压级每增加20dB，代表声压增大10倍；每增加6dB，声压增大2倍。在TinyML声学监测中，理解声压级的意义在于：不同应用场景的目标事件声压级差异巨大，例如安静的办公室环境约40-50dB SPL，正常对话约60-70dB SPL，工业设备异常噪声可达90-110dB SPL。这直接影响麦克风增益设置和动态范围设计。

2.2 数字音频表示：从模拟到离散

将连续的模拟声波转换为数字信号需要经过采样、量化和编码三个步骤。采样率（fs）决定了时间分辨率，根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍才能无失真重建。对于声学监测应用，采样率的选择需要权衡频率覆盖范围和功耗：

采样率	可覆盖频率范围	典型应用场景	数据量（16bit单声道）
8 kHz	0-4 kHz	语音通信、VAD	16 KB/s
16 kHz	0-8 kHz	语音识别、关键词唤醒	32 KB/s
32 kHz	0-16 kHz	环境声事件、工业监测	64 KB/s
48 kHz	0-24 kHz	高保真声学分析	96 KB/s

量化位深决定了信号的动态范围。每增加1bit，动态范围增加约6dB。16bit量化提供约96dB动态范围，足以覆盖从安静环境到较强噪声的监测需求。24bit量化常用于专业声学测量，但会显著增加数据量和处理开销。在TinyML场景中，16bit是功耗与精度之间的合理折中。

数字音频在嵌入式系统中通常以帧为单位进行处理。一帧数据包含N个采样点，帧长一般取10-50ms。例如在16kHz采样率下，30ms帧对应480个采样点。帧与帧之间常设置50%重叠（hop size = 帧长/2），以减少窗函数引起的频谱泄漏。常用的窗函数包括汉明窗（Hamming）、汉宁窗（Hann）和布莱克曼窗（Blackman），其中汉宁窗在频率分辨率和旁瓣抑制之间表现均衡，适合大多数声学监测场景。

2.3 常见声学事件类型与特征

声学事件可以按照时域和频域特征分为三大类：瞬态事件、准稳态事件和调制事件。瞬态事件持续时间短（通常小于100ms），频谱宽且能量集中，典型代表包括玻璃破碎声、枪声、撞击声和拍手声。准稳态事件持续时间较长（数百毫秒至数秒），频谱具有稳定的谐波结构，如电机运转声、空调压缩机声和风扇噪声。调制事件则表现为周期性或随机性的幅度/频率调制，例如鸟鸣声、警报声和语音音节。

从特征提取的角度，不同事件需要不同的前端处理策略：

• 瞬态事件：适合使用短时能量（STE）和过零率（ZCR）进行快速检测，帧长可缩短至10-20ms，响应速度快。
• 准稳态事件：需要分析频谱包络和谐波结构，常用梅尔频率倒谱系数（MFCC）或梅尔谱图作为特征，帧长取30-50ms。
• 调制事件：需要关注幅度调制频率和频谱随时间的变化，可采用谱通量（Spectral Flux）或子带能量比作为特征。

事件类型	典型实例	持续时间	主要频段	推荐特征
瞬态	玻璃破碎、枪声	<100ms	1-8kHz	STE、ZCR、谱通量
准稳态	电机异响、泵体振动	0.5-10s	50Hz-3kHz	MFCC、谐波比
调制	鸟鸣、警报声	0.2-2s	1-6kHz	子带能量、调制谱
语音	人声、关键词	0.1-1s	300Hz-3.4kHz	MFCC、基频F0

2.4 监测场景分析与系统设计约束

声学监测场景的差异决定了系统设计的核心约束。以工业设备预测性维护为例，监测对象通常是旋转机械（电机、轴承、齿轮箱），目标事件是异常磨损或故障产生的声学特征变化。这类场景的特点是：背景噪声稳定但强度较高（80-100dB SPL），目标事件为周期性或准周期性的谐波变化，监测周期长（数月），对误报率要求严格。因此系统需要采用高动态范围麦克风，采样率16-32kHz，特征提取侧重频谱包络和谐波分析，事件触发策略需要结合历史基线进行自适应阈值调整。

相比之下，智能家居中的玻璃破碎检测则完全不同：环境相对安静（40-50dB SPL），目标事件是持续时间极短的瞬态信号，要求极低的响应延迟（<200ms），且需要区分真实玻璃破碎与类似频响的干扰声（如钥匙掉落、金属碰撞）。此时系统应优先采用低功耗唤醒电路，麦克风持续监听但MCU处于深度睡眠，通过模拟比较器或简单能量检测电路触发MCU唤醒，再进行完整的特征分析和分类。

2.5 案例拆解：工业电机异响监测系统的声学前端设计

某制造企业需要对车间内的20台三相异步电机进行预测性维护，目标是通过声学监测提前发现轴承磨损和转子不平衡故障。电机额定转速为1450rpm（约24Hz），轴承故障特征频率通常在50Hz-2kHz范围内。车间背景噪声约85dB SPL，主要来自其他设备的运转和环境通风。

初始现象与目标：传统振动传感器需要接触安装，且成本较高。企业希望采用非接触式声学监测方案，单台电机监测成本控制在200元以内，误报率低于5%，漏报率低于1%。

关键参数分析：根据电机转速和轴承几何参数，计算得到外圈故障特征频率（BPFO）约为87Hz，内圈故障特征频率（BPFI）约为131Hz，滚动体故障特征频率（BSF）约为57Hz。这些频率均低于2kHz，因此采样率选择16kHz即可满足奈奎斯特要求。考虑到车间背景噪声较强，麦克风需要选择灵敏度不低于-38dBV/Pa的MEMS麦克风，并配置20dB前置增益。

实际操作步骤：

1. 在每台电机正前方30cm处安装防水防尘的MEMS麦克风模块，模块内置前置放大器和16bit ADC，通过I2S接口与ESP32-S3微控制器连接。
2. 设置采样率16kHz，帧长40ms（640采样点），帧移20ms（50%重叠），使用汉宁窗进行加窗处理。
3. 每帧提取13维MFCC特征（含第0维能量），并额外计算频谱质心和带宽作为补充特征。
4. 在正常工况下采集24小时数据作为基线，计算每个特征维度的均值和标准差，建立高斯分布模型。
5. 实时监测时，计算当前帧特征与基线模型的马氏距离，当距离超过3σ阈值时触发异常事件。
6. 事件触发后，MCU唤醒并连续采集2秒音频，通过轻量级CNN模型（参数量约50K）进行故障类型分类。

结果对比与复盘：系统运行3个月后，成功预警了2起轴承早期磨损故障，实际拆机验证与预警一致。误报率为3.2%，低于5%的目标。但初期出现了1次漏报，原因是电机在重载工况下转速波动导致特征频率偏移，基线模型未能覆盖该工况。复盘后增加了转速归一化预处理，将特征频率除以基频后再建模，漏报率降至0.5%。