1　引　　言

声波是信息和能量的载体。随着信息技术发展日新月异，对传感器探测声信号时的灵敏度和带宽提出了越来越高的要求。近年来，光声传感技术逐渐成为声传感研究的热点之一。

光纤声传感技术在20世纪70年代产生并迅速发展起来，相比传统的电声传感器，由于光波检测精度高、光纤工作频带宽、传输损耗小等优势，光纤声传感器具有灵敏度高、信噪比高、频带响应宽、动态范围大等优点^［1］。由于不受电磁干扰，加上各类新型光纤材料（如蓝宝石光纤、塑料光纤）的出现，光纤声传感器可用于传统电声传感器难以正常工作的高温、高压、强辐射、强电磁等环境。因此，光纤声传感器在**安全^［2］、核电站安全监控^［3］、医疗诊断^［4］、油气分离检测^［5］等领域有广泛应用。

对比各类光纤声传感器，光纤法布里-珀罗（F-P）传感结构在灵敏度、动态范围、微型化等方面优势明显^［6］。光纤F-P声传感器可分为本征型（IFPI）和非本征型（EFPI），其中膜片式F-P声传感器是EFPI最常见的结构，不同材料的膜片对声音有着不同的检测效果和频率响应，特质的膜片式F-P声传感器可检测频率小于20 Hz的次声信号^［7］。随着石墨烯及衍生材料的兴起，许多课题组开始研究石墨烯及衍生材料作为声压敏感膜片制成的F-P声传感器。Ma等^［8］利用石墨烯薄膜，加工得到直径为25 μm的EFPI结构，灵敏度为39.4 nm/kPa。2016年，Ganye等^［9］利用石墨烯制成微型光纤声压传感器，第一次对声学超材料的声场分布进行了测试。

在此背景下，本文对具有F-P微腔结构的光纤声传感系统进行了研究。

2　F-P微腔传感头原理及制作

二氧化硅、金属、硅胶聚合物、石墨烯等材料作为声压薄膜广泛应用于F-P光纤声传感器中^［10］。其中石墨烯的衍生材料GO制备工艺简单，因其良好的亲水性和分散性，可用于制备能与任意衬底集成的石墨烯薄膜^［11］。由溶液沉积法制备的GO薄膜的机械性能卓越，其单层的GO杨氏模量为207.6 GPa，极限强度为76.8 MPa^［12］。

将氧化锆（ZrO₂）管作为传感头载体，管中间是直径为0.126 mm的狭道，插入去除涂覆层的单模光纤，一端镂空，再贴上GO薄膜，就组成膜片式非本征型F-P微腔光纤声传感器，如图1所示。相比于传统玻璃传感头，氧化锆结构的EFPI具备高强度、耐高温的优良特性^［13］，更适应恶劣的工作环境。

图 1. 传感头结构。(a)主视图；(b)左视图

Fig. 1. Sensor head structure. (a) Main view; (b) left view

下载图片 查看所有图片

2.1　F-P微腔传感原理

图2为F-P微腔传感原理图。光纤端面与GO薄膜形成F-P微腔，腔内介质为空气，折射率约为1。光在光纤端面的反射率R大约为4%，即满足R<<1，1-R2≈1，此时多光束干涉可近似看作为双光束干涉。在光纤F-P微腔中，光近乎垂直入射端面，当光在光纤端面的强度与GO薄膜反射的光强相同时，反射光强可表示为

图 2. F-P微腔传感原理图

Fig. 2. Schematic of F-P microcavity sensing

下载图片 查看所有图片

式中：L为微腔腔长；λ为光源波长；IR为反射光强；I0为入射光强。

声波引起GO薄膜振动，从而引起腔长L改变，由（1）式可知，IR就会发生改变，只要检测IR的变化就可以解调出声音信号。

2.2　传感头制作

首先利用溶液沉积法制作面积为0.25 cm²的正方形的GO薄膜^［14］，如图3所示，将其置于去离子水中。采用体积比为150 mL/L的GO水溶液，制成的薄膜厚度在340 nm左右。在配置GO水溶液时，应注意要使用纯净去离子水且使GO充分溶解，这样制成的GO薄膜才更稳定，不易散。

图 3. 制作的GO薄膜

Fig. 3. Fabricated GO diaphragm

下载图片 查看所有图片

用去掉涂覆层的单模光纤清除ZrO₂管内细小灰尘，然后将镂空的一端用纯乙醇擦拭干净，用镊子夹住ZrO₂管缓慢向下移动，使悬浮的GO薄膜贴在ZrO₂管端面的正中央。当水分蒸发后，由于范德瓦耳斯力，薄膜会紧紧贴合在ZrO₂管上。

将去掉涂覆层并切割好的单模光纤插入固定在安装座上的ZrO₂管中，去除涂覆层部分的光纤长度控制为10 mm，以免裸露光纤暴露在空气中，容易断裂。光纤后端固定在型号为Zolix APFP-XYZL的位移台上，通过调节距离，精确控制微腔腔长。宽带光源发出的光束进入环形器到达F-P传感器，将光纤的另一端接入光谱仪，实时观测最佳的干涉对比度，确定合适的腔长。当干涉对比度达到最高时，将适量无机高温胶涂在光纤和ZrO₂管插口处，缓慢调整位移台，消除胶水风干时造成的光纤微小移动，使干涉对比度始终保持最大。

由图4（a）光谱仪所示，干涉对比度为25 dB，相邻两波峰分别为λ1=1540.90nm，λ2=1553.78nm。根据条纹计数法^［15］公式：

图 4. 传感头封装。(a)干涉对比度最大时的光谱仪显示；(b)封装好的F-P传感头

Fig. 4. Packaged sensor head. (a) Spectrometer display at the maximum interference contrast; (b) encapsulated F-P sensor head

下载图片 查看所有图片

可得该传感头腔长L=92.943 μm。

3　基于F-P微腔结构的光纤声传感系统搭建

用手机播放一段诗歌朗诵音频，放在正对传感头0.1 m位置处。单频激光器输出的1550 nm激光经光纤环形器到达F-P微腔传感头，光纤端面的反射光与GO膜片的反射光发生双光束干涉效果，干涉光经光纤环形器进入光电探测器。由现场可编程逻辑门阵列（FPGA）控制的模数转换（AD）芯片采集光电探测器的输出电压，并将其暂存在先进先出存储器（FIFO）中，再通过UART串口读取FIFO数据并向上位机发送数据，上位机利用LabVIEW开发软件接收数据并调用MATLAB程序联合编程进行语音信号处理，系统框图如图5所示。

图 5. 基于F-P微腔结构的光纤声传感器系统

Fig. 5. Optical fiber acoustic sensor syQstem based on F-P microcavity structure

下载图片 查看所有图片

采集系统选用型号为EP4CE10F17C8的FPGA芯片，AD采集芯片型号为AD7606，系统采样率设置为11025 Hz。AD7606位数为16，最高位为符号位，实际数据位有15，采集的模拟电压为-5~5 V，采样精度为0.153mV。

选取一段系统采集的语音信号，并进行幅值归一化处理，如图6所示。

图 6. 系统采集的语音信号

Fig. 6. Speech signals collected by the system

下载图片 查看所有图片

4　基于小波包的维纳滤波语音信号处理

本系统运用改进后的基于小波包变换的维纳去噪算法进行语音信号处理。小波分析^［16］把信号X分解成低频信息a₁和高频信息d₁两部分，在分解过程中，低频信息a₁中失去的信息由高频信息d₁捕获；在下一层的分解中，又将a₁分解成低频a₂和高频d₂两部分，低频a₂中失去的信息由高频d₂捕获；依此类推，可以进行更深层的分解。但是，小波分析仅仅对每一层的低频信号进行进一步分解，而高频信号则被保留，这使得小波分析后的信号频率分辨率随着频率的升高而降低。

在这种情况下，小波包分解的出现解决了这种缺陷，它不仅对低频部分进行分解，对高频部分也实施了分解，如图7所示。

图 7. 小波包分解树

Fig. 7. Wavelet packet decomposition tree

下载图片 查看所有图片

对采集的语音信号小波包进行分解时发现，在第2分解层中，语音波形显示最明显，因此只需把小波包分解层数设定为2。

维纳滤波是一种基于最小方均误差准则、对平稳过程进行最优估计的估计器。传统的维纳去噪算法中的前导无话帧时间需要根据主观判断进行手动设置，在实时处理中，前导无话帧时间随着实际情况变化而变化，不是固定的。本文提出一种多帧比较法，选取相邻的多帧信号的功率谱，并对其和平均功率谱进行比较，自动识别无话帧。如图8所示，其中，FFT为快速傅里叶变换。

图 8. 多帧比较法

Fig. 8. Multiple-frame comparison method

下载图片 查看所有图片

当有一半及以上的信号功率谱与平均功率谱之差的绝对值大于平均功率谱的20%，则判断选取的多帧为有话帧；当小于20%时，则为无话帧，并帧移选取下一多帧信号进行判断，直至选出一段无话帧进行维纳滤波处理。此方法以20%阈值自动判别有话帧和无话帧，大大减小了偶然误差。

接下来对系统采集到的语音信号进行处理。系统在采集数据时，由于温度变化、光源抖动、电路噪声等原因，语音信号存在趋势项。针对这种现象，采用最小二乘法消除趋势项^［17］，如图9所示。

图 9. 最小二乘法消除趋势项。(a)系统采集的语音信号；(b)消除趋势项后的语音信号

Fig. 9. Trend term eliminated by least square method. (a) Speech signals collected by the system; (b) speech signals after elimination trend terms

下载图片 查看所有图片

从图9可以看出，信号趋势项已基本消除。采用维纳去噪算法对已消除趋势项的语音信号进行降噪处理，如图10所示。

图 10. 维纳去噪前后的信号。（a）语音信号;（b）维纳去噪后的语音信号

Fig. 10. Signal before and after Wiener denoising. （a） Speech signal;（b） speech signal after Wiener denoising

下载图片 查看所有图片

从图10可看出，经维纳去噪算法处理后，信号噪声明显减小，经计算，维纳去噪后语音信号的信噪比为6.7997 dB。图11是消除趋势项后的语音信号经维纳去噪前后的语谱图。

图 11. 维纳去噪前后的语谱图。（a）语谱图；（b）维纳去噪后的语谱图

Fig. 11. Speech spectra before and after Wiener denoising. （a） Speech spectrum； （b） speech spectrum after Wiener denoising

下载图片 查看所有图片

语谱图反映语音信号的动态频谱特性，灰度条纹代表各个时刻的语音短时谱，颜色深浅代表数据能量大小^［18］。由图11可看出：维纳去噪前，语音信号的语谱图中声纹杂乱，在各个地方存在杂点；维纳去噪后，可清楚看到谐波的结构，频率分辨率好，声纹清晰。

采用基于小波包变换的维纳去噪算法对消除趋势项的语音信号进行处理，先对语音信号进行小波包分解，分解层数为2，小波函数选用“db2”，熵标准采用“Shanon”。小波包分解后，对时间序列分解的一维小波包系数3，4，5，6进行重构，图像如图12所示。

图 12. 一维小波包系数重构图

Fig. 12. Reconstructed graphs of one-dimensional wavelet packet coefficient

下载图片 查看所有图片

对一维小波包系数3，4，5，6分别进行维纳去噪处理，结果如图13所示。

图 13. 维纳去噪后的一维小波包系数

Fig. 13. One-dimensional wavelet packet coefficient after Wiener denoising

下载图片 查看所有图片

将维纳去噪后的一维小波包系数3，4，5，6作为小波包树的底层，对其进行一维小波包分解重构，得到基于小波包变换的维纳去噪算法处理后的信号图和语谱图，如图14所示。

图 14. 基于小波包变换的维纳去噪法处理后语音信号图和语谱图。（a）语音信号图；（b）语谱图

Fig. 14. Speech signal graph and speech spectrum graph obtained by Wiener denoising method based on wavelet packet transform. (a) Speech signal graph; (b) speech spectrum graph

下载图片 查看所有图片

经计算，采用基于小波包变换的维纳去噪方法处理后的语音信号信噪比为8.2766 dB，相比单纯采用维纳去噪的方法，信噪比提高了将近1.5 dB。从图14（b）可看出，经基于小波包变换的维纳去噪法处理后，语谱图中谐波结构、频率分辨率及声纹质量都更好。从主观人耳听觉辨识度上比较，其质量也是最好的。

5　结　　论

对基于F-P微腔结构的光纤声传感系统进行了研究，制作了性能优良的基于GO薄膜的光纤F-P微腔传感头。通过结合语音前导无话帧识别技术和小波包变换的维纳滤波算法，实现了较好的语音传感效果。该传感器可望在监狱监控、石油管道泄露监控、矿井风力测试等领域获得应用。