Source: https://jmrplens.github.io/phonometry/es/signals/sound-level-meter/
Un sonómetro no es un algoritmo, sino una breve cadena de ellos, e
IEC 61672-1 especifica cada etapa. phonometry implementa cada etapa como una
función independiente y componible; esta página las ensambla, en orden, en un
sonómetro funcional. Todos los fragmentos se ejecutan tal cual (las señales
se sintetizan para que la página sea autocontenida), y cada etapa enlaza con
la guía de fondo que la explica por completo.
Es la misma cadena que IEC 61672-1 dibuja para el instrumento físico: el
calibrador de clase 1 ancla el micrófono a 94 dB a 1 kHz, y cada etapa
posterior es una función de esta página.
Los fragmentos de esta página se apoyan unos en otros: ejecútalos de arriba
abajo en una misma sesión (o pega la página entera en un script).
## 1. El escenario
Un sonómetro necesita dos grabaciones de la *misma* cadena de entrada: el
tono de calibrador que ancla los números digitales a pascales, y la propia
medición. Aquí ambas se sintetizan para que puedas ejecutar la página en
cualquier parte; en una medición real proceden de tu micrófono.
```python
from phonometry import filters, metrology, signals
fs = 48000
# Tono de calibrador: 94 dB SPL = 1 Pa RMS a 1 kHz (IEC 60942).
# Sintetizado aquí; en campo, graba unos segundos de tu calibrador.
calibrator = np.sqrt(2) * np.sin(2 * np.pi * 1000 * np.arange(3 * fs) / fs)
# Medición "de calle": 10 s de ruido rosa de fondo más un evento de 1 s a
# 1 kHz, tipo bocina, para que los niveles estadísticos tengan algo que separar.
recording = signals.noise_signal(fs, 10.0, color="pink", rms=0.02, seed=7)
recording[4 * fs : 5 * fs] += 0.2 * np.sqrt(2) * np.sin(
2 * np.pi * 1000 * np.arange(fs) / fs
)
```
## 1b. Grabar los dos ficheros
Un sonómetro construido en software hereda todos los defectos del fichero que
se le entrega, y hay tres ajustes del grabador que deciden si los números de
abajo significan algo. **Fija la ganancia de entrada a mano y bloquéala.** El
control automático de ganancia, la limitación y la supresión de ruido mueven
todos ellos la sensibilidad que el paso siguiente mide una sola vez y que el
paso 4 aplica luego a todas las muestras, así que cualquiera de los tres anula
la calibración en silencio. **Graba PCM sin comprimir, a 24 bits y a 48 kHz o
más.** Un códec con pérdida redistribuye la energía en alta frecuencia que
informa la etapa de tercios de octava del paso 5, y un fichero a 44,1 kHz no
deja banda alguna por encima de 22 kHz sobre la que sostener la ponderación A de
clase 1 del paso 3 cerca de 16 kHz. **Elige la ganancia a partir del evento más
ruidoso que la medida tenga que poder demostrar**, dejando unos 12 dB de margen
por encima de su pico: el $L_\mathrm{Cpeak}$ del paso 4 lee el verdadero pico entre
muestras, y una sola racha saturada lo invalida, y con él el $L_\mathrm{Aeq}$.
Hay otras dos decisiones que son de la sesión y no del grabador. Graba el tono
del calibrador por esa misma cadena bloqueada inmediatamente antes *y*
inmediatamente después de la medición, para que el par acote la deriva que
comprueba el paso 7; un factor medido otro día, o después de mover un control de
ganancia, no es una calibración de este fichero. En exteriores, mantén el
paravientos puesto y apunta el micrófono en la dirección de referencia que
supone su calibración de campo libre.
Una hoja de campo que merece copiarse:
- Ganancia fijada a mano y anotada; AGC, limitador y supresión de ruido
desactivados.
- PCM sin comprimir, 24 bits, $f_\mathrm{s} \ge 48$ kHz, un canal por micrófono.
- Margen de pico de unos 12 dB sobre el evento más ruidoso previsto.
- Tono de calibrador antes y después, misma ganancia, misma cadena, misma
sesión.
- Paravientos puesto, micrófono en trípode, dirección de referencia hacia la
fuente.
- Frecuencia de muestreo, ajuste de ganancia e identificadores del micrófono y
del calibrador registrados.
## 2. Calibra: da significado físico a las muestras
Las muestras digitales son adimensionales; el **factor de sensibilidad** las
convierte a pascales. `sensitivity()` lo calcula a partir de la grabación del
calibrador y, de paso, valida la estabilidad a corto plazo de la grabación
igual que IEC 60942 cualifica el propio calibrador, de modo que un micrófono
mal acoplado se detecta aquí en lugar de corromper todos los niveles
posteriores.
```python
cal = metrology.sensitivity(calibrator, target_spl=94.0, fs=fs)
# cal está en Pa por unidad digital; todas las funciones de nivel lo aceptan
# como calibration_factor. Para este tono sintético vale ≈1,0.
```
Guía de fondo: [Calibración y dBFS](/phonometry/es/signals/metrology/calibration/), que
cubre la comprobación de estabilidad que esta llamada ejecuta sobre la grabación
del calibrador, la regla del formato entero y el modo digital dBFS que se usa
cuando no existe referencia física. Sin ningún calibrador, el factor puede
calcularse a partir de la sensibilidad nominal de la cadena en vez de medirse
— un micrófono de sensibilidad nominal $M$ mV/Pa a través de un preamplificador
de ganancia lineal $G$ hacia un convertidor cuyo fondo de escala es $V_\mathrm{FS}$
voltios da $S = V_\mathrm{FS} / (M G / 1000)$ pascales por unidad digital —, pero un
factor nominal arrastra la tolerancia de la hoja de características y no los ±0,4 dB de un
calibrador de clase 1, así que no puede informarse como una medición calibrada.
## 3. Pondera: frecuencia y tiempo (IEC 61672-1)
El sonómetro nunca muestra la presión en bruto. La señal pasa primero por la
**ponderación frecuencial A** (la curva de respuesta del oído de
IEC 61672-1), se eleva al cuadrado y se suaviza con el **detector
exponencial Fast** (constante de tiempo de 125 ms). El resultado es el nivel
móvil que sigue la pantalla de un sonómetro, $L_\mathrm{AF}(t)$:
```python
pressure = cal * recording # unidades digitales -> Pa
weighted = filters.weighting_filter(pressure, fs, curve="A")
envelope = filters.time_weighting(weighted, fs, mode="fast") # media cuadrática en Pa^2
laf_t = 10 * np.log10(np.maximum(envelope, 1e-12) / (2e-5) ** 2)
# laf_t alcanza unos 80 dB durante el evento y se asienta cerca de 55 dB entre medias.
```
La aguja del clip es esa llamada a `time_weighting`: un paso bajo de primer
orden que se carga y se descarga sobre la señal al cuadrado. Las tres agujas se
diferencian en un solo número, la constante de tiempo, y por eso Fast atrapa un
evento que Slow suaviza hasta borrarlo. Rara vez escribirás esta cadena a mano:
todas las funciones de nivel del paso siguiente aplican la ponderación
frecuencial internamente, y los niveles percentiles reconstruyen por ti esta
envolvente Fast. Las métricas de energía ($L_\mathrm{eq}$, SEL) integran directamente
la señal ponderada al cuadrado, sin balística ninguna — y por eso no muestran
ningún movimiento de aguja al que seguir. La cadena se muestra aquí porque *es*
la pantalla del sonómetro.
Guías de fondo:
[Ponderación frecuencial (A, C, Z)](/phonometry/es/signals/levels/weighting/) y
[Ponderación temporal](/phonometry/es/signals/levels/time-weighting/), que
desmonta este mismo clip frente a la tabla de ráfagas tonales de
IEC 61672-1.
## 4. Integra: los números que da un sonómetro
Una sola pasada sobre la grabación calibrada produce las lecturas estándar:
el **$L_\mathrm{Aeq}$** equivalente en energía, los **niveles percentiles** que
describen cómo fluctuó el nivel ($L_{90}$ es el fondo, $L_{10}$ los eventos),
el **nivel de
exposición sonora** que normaliza el evento a un segundo, y el **pico** con
ponderación C para contenido impulsivo.
```python
la_eq = signals.laeq(recording, fs, calibration_factor=cal) # ≈70,2 dB
ln = signals.ln_levels(
recording, fs, n=(10, 50, 90), weighting="A", calibration_factor=cal
) # L10 ≈78,0, L50 ≈55,1, L90 ≈54,9
lae = signals.sel(recording, fs, weighting="A", calibration_factor=cal) # ≈80,2
lc_pk = signals.lc_peak(recording, fs, calibration_factor=cal) # ≈84,4
print(f"LAeq {la_eq:.1f} dB | L10 {ln[10]:.1f} | L90 {ln[90]:.1f} "
f"| LAE {lae:.1f} | LCpeak {lc_pk:.1f}")
```
Fíjate en la aritmética que codifican los números. El segundo del evento mide
80,0 dB por sí solo y los nueve segundos de fondo 55,0 dB, así que en energía el
evento aporta $1 \times 10^{8{,}00}$ y el fondo
$9 \times 10^{5{,}50} = 2{,}9 \times 10^{6}$: una razón de unos 35:1, o 15,5 dB.
La ventaja de 25 dB del evento gana a los 9,5 dB ($10\log_{10}9$) que el fondo
recupera por duración, y por eso el $L_\mathrm{Aeq}$ de 10 s de 70,2 dB queda solo
0,1 dB por encima de los 70,0 dB que daría el evento solo repartido sobre esos
mismos 10 s: el fondo es casi invisible en el promedio energético. El $L_{\mathrm{A}E}$
es ese $L_\mathrm{Aeq}$ más $10\log_{10}(10\ \mathrm{s}/1\ \mathrm{s}) = 10$ dB, toda
la energía comprimida en un segundo. Los percentiles se leen al revés: el evento
ocupa exactamente el 10 % del registro, así que sube el $L_{10}$ a 78,0 dB y
deja el $L_{90}$ en 54,9 dB, el nivel de fondo.
*Las lecturas de este paso dibujadas sobre la grabación que las produjo: el
segundo del evento sube el $L_\mathrm{Aeq}$ y el $L_{10}$, y deja el $L_{50}$ y el
$L_{90}$ sobre el fondo.*
Mostrar el código de esta figura
```python
t = np.arange(recording.size) / fs
fig, ax = plt.subplots(figsize=(9, 4))
ax.axvspan(4.0, 5.0, color="C1", alpha=0.15)
ax.plot(t, laf_t, linewidth=0.8, label="$L_{AF}(t)$")
for value, name, style in [(la_eq, "LAeq", "--"), (ln[10], "L10", ":"),
(ln[50], "L50", "-."), (ln[90], "L90", (0, (5, 1)))]:
ax.axhline(value, linestyle=style, linewidth=1.0,
label=f"{name} = {value:.1f} dB")
ax.annotate(f"LAE = {lae:.1f} dB: toda la energía del evento en 1 s",
xy=(4.5, lae), xytext=(5.6, lae + 2),
arrowprops={"arrowstyle": "->"})
ax.set(xlabel="Tiempo [s]", ylabel="Nivel [dB re 20 µPa]", xlim=(0, 10))
ax.legend(loc="lower right", ncols=2)
plt.show()
```
Guía de fondo:
[Niveles integrados y estadísticos](/phonometry/es/signals/levels/levels/), que
añade el nivel máximo con ponderación temporal $L_\mathrm{AFmax}$ que da esta misma
traza `laf_t`, la dosis de ruido y los espectrogramas de octava; el $L_\mathrm{den}$ y
los niveles de evaluación continúan en
[Niveles ambientales](/phonometry/es/environment/assessment/environmental-levels/).
## 5. Filtra en bandas: la vista de espectro (IEC 61260-1)
Un sonómetro de clase 1 con juego de filtros da niveles de banda.
`octave_filter` descompone la señal calibrada en bandas de fracción de octava
cuyo diseño está anclado a los bordes de banda de IEC 61260-1;
`nominal=True` las etiqueta con las frecuencias preferentes que leerías en un
instrumento.
```python
spl, bands = filters.octave_filter(
recording, fs, fraction=3, nominal=True,
calibration=filters.LevelCalibration(factor=cal),
)
# 33 niveles de banda de tercio de octava en dB SPL, etiquetados '12.5' ... '20k'.
# La banda '1k' contiene el evento: ≈70 dB, con sus vecinas ≈25 dB por debajo.
print(dict(zip(bands, np.round(spl, 1))))
```
Estos son **niveles de banda sin ponderar (Z)**: `octave_filter` se ejecutó
sobre `recording` y no sobre la señal `weighted` del paso 3, así que su suma
energética reproduce el $L_\mathrm{eq}$ sin ponderar y no el $L_\mathrm{Aeq}$ del paso 4. Esa
suma es la comprobación de coherencia que merece la pena hacer una vez en cada
medición:
```python
print(f"suma de las bandas Z {10 * np.log10(np.sum(10 ** (spl / 10))):.1f} dB")
print(f"Leq(Z) {signals.leq(recording, calibration_factor=cal):.1f} dB")
# suma de las bandas Z 70.3 dB
# Leq(Z) 70.4 dB
```
La décima o dos de defecto es la energía que queda fuera del rango de análisis
de 12,5 Hz a 20 kHz más la forma de los bordes de banda. Una discrepancia mayor
que medio decibelio aproximadamente apunta a un error de calibración o de
frecuencia de muestreo, no a los filtros.
Para obtener un espectro *ponderado A*, filtra en bandas la señal ya ponderada
del paso 3 en lugar de la grabación en bruto:
```python
spl_a, _ = filters.octave_filter(weighted, fs, fraction=3, nominal=True)
print(f"suma de las bandas A {10 * np.log10(np.sum(10 ** (spl_a / 10))):.1f} dB")
# suma de las bandas A 70.2 dB -> el LAeq del paso 4, con una centésima de decibelio
```
Esa identidad cierra el círculo entre las dos mitades del sonómetro: la etapa de
ponderación y la etapa de filtrado miden la misma energía.
*La misma grabación leída en bandas, sin ponderar y con ponderación A. El ruido
rosa da niveles de banda de fracción de octava casi constantes, así que el suelo
plano es el fondo y la única barra que sobresale 27 dB por encima es el evento;
la ponderación A inclina ese suelo sin tocar la banda de 1 kHz, donde la curva A
vale 0 dB.*
Mostrar el código de esta figura
```python
_, centres = filters.octave_filter(recording, fs, fraction=3) # centros exactos
fig, ax = plt.subplots(figsize=(9, 4))
ax.step(centres, spl, where="mid", label="Z (sin ponderar)")
ax.step(centres, spl_a, where="mid", linestyle="--", label="Ponderación A")
ax.axvspan(891.3, 1122.5, color="C1", alpha=0.15) # la banda de 1 kHz
ax.set(xscale="log", xlabel="Frecuencia central de banda [Hz]",
ylabel="Nivel de banda [dB re 20 µPa]")
ax.legend(loc="lower center")
plt.show()
```
Guías de fondo: [Bancos de filtros](/phonometry/es/signals/filters/filter-banks/) para
las arquitecturas de filtro y el modo de fase cero,
[Procesado por bloques](/phonometry/es/signals/filters/block-processing/) para
streaming, y [Multicanal y rendimiento](/phonometry/es/signals/filters/multichannel/)
para arrays.
## 6. Verifica: ¿es este sonómetro de clase 1?
Un instrumento real solo es un «sonómetro de clase 1» cuando sus
ponderaciones y filtros superan los límites de aceptación de las normas. La
biblioteca incluye los mismos verificadores que se aplica a sí misma en CI:
`verify_weighting_class` barre un `WeightingFilter` contra los límites de la
Tabla 3 de IEC 61672-1, y `verify_filter_class` barre un `OctaveFilterBank`
contra los límites de la Tabla 1 de IEC 61260-1.
```python
wf = filters.WeightingFilter(fs, curve="A")
print(filters.verify_weighting_class(wf)["overall_class"]) # 1
bank = filters.OctaveFilterBank(fs, fraction=3)
print(filters.verify_filter_class(bank)["overall_class"]) # 1
```
Los veredictos también llegan por banda, de modo que puedes ver exactamente
dónde un diseño se saldría de su corredor de clase. Guías de fondo:
[Ponderación frecuencial](/phonometry/es/signals/levels/weighting/) (sección de
verificación de clase) y
[Verificación de clase de filtros](/phonometry/es/signals/filters/filter-compliance/)
(la máscara de la Tabla 1, la clase 0 y la ficha de conformidad).
## 7. ¿Es válida esta medición?
El paso 6 verificó el *diseño* de las etapas de ponderación y de filtrado. No
dice nada del fichero. Un sonómetro de hardware se niega a mostrar un nivel del
que no puede responder: el apartado 5.11 de IEC 61672-1 hace obligatorio un
indicador de sobrecarga (el 5.11.5 lo enclava siempre que se estén midiendo
niveles promediados en el tiempo o de exposición), y el apartado 5.12 añade una
indicación de rango inferior. Un sonómetro montado a base de funciones no tiene
ninguno de los dos, así que tres comprobaciones sobre la grabación los
sustituyen, y cada una de las tres da un número que debe figurar en el informe.
```python
# (a) Sobrecarga: cualquier racha de dos o más muestras clavadas a fondo de escala.
at_full_scale = np.flatnonzero(np.abs(recording) >= 1.0 - 1e-6)
runs = (np.split(at_full_scale, np.flatnonzero(np.diff(at_full_scale) > 1) + 1)
if at_full_scale.size else [])
clipped_runs = sum(1 for run in runs if run.size >= 2)
# (b) Rango inferior: la misma cadena capturando su propio ruido (cápsula ficticia).
self_noise = signals.noise_signal(fs, 3.0, color="pink", rms=2e-4, seed=11)
margin = la_eq - signals.laeq(self_noise, fs, calibration_factor=cal)
# (c) Deriva: el tono del calibrador grabado otra vez tras la medición.
calibrator_post = 0.985 * calibrator # un 1,5 % más bajo en esta sesión
cal_post = metrology.sensitivity(calibrator_post, target_spl=94.0, fs=fs)
drift = abs(20 * np.log10(cal_post / cal))
print(f"rachas saturadas {clipped_runs} | margen S/R {margin:.1f} dB "
f"| deriva {drift:.2f} dB")
# rachas saturadas 0 | margen S/R 55.3 dB | deriva 0.13 dB
```
Rechaza el registro si existe cualquier racha saturada, exige al menos 10 dB de
margen sobre el ruido propio de la cadena (por debajo de eso, el $L_{90}$ está
leyendo el preamplificador y no el fondo), y mantén la diferencia de
sensibilidad entre el antes y el después dentro del umbral de 0,5 dB de la
[guía de calibración](/phonometry/es/signals/metrology/calibration/), que además
explica por qué esa misma diferencia es el término de deriva del balance de
incertidumbre.
Aprende la huella del fallo que el nivel de banda ancha esconde. La saturación
apenas mueve el $L_\mathrm{Aeq}$ (recortar duramente un tono de 1 kHz al 80 % de su
pico cuesta 0,9 dB) mientras inyecta una escalera de armónicos impares que sube
la banda de tercio de octava de 3,15 kHz en 37 dB, la de 5 kHz en 37 dB y la de
8 kHz en 25 dB. Un espectro de tercios de octava con picos regularmente
espaciados por encima de lo que la fuente puede radiar de forma plausible es
saturación mientras no se demuestre lo contrario. El fallo contrario no se le
parece en nada: una señal muy por debajo del rango del convertidor da un
espectro que apenas cambia cuando se apaga la fuente, que es lo que caza la
comprobación (b).
## Qué cubre esta guía
Esta página compone etapas ya implementadas en otras guías en la cadena que
describe IEC 61672-1:2013: la ponderación frecuencial A y la ponderación
temporal exponencial Fast, el $L_\mathrm{Aeq}$, los niveles percentiles, el nivel de
exposición sonora y el pico con ponderación C, los filtros de banda de octava
de IEC 61260-1:2014 de `octave_filter`, y los límites de aceptación de clase
de la Tabla 3 (ponderación) y la Tabla 1 (filtro) que comprueban
`verify_weighting_class` y `verify_filter_class`. Cada guía de fondo indica su
propia cobertura en detalle.
`verify_weighting_class` y `verify_filter_class` comprueban el diseño de
respuesta en frecuencia de los filtros digitales frente a las tablas de las
normas; no realizan los ensayos de evaluación de patrón de IEC 61672-2:2013
que necesita un instrumento físico para su aprobación de tipo, como el ruido
autogenerado, el rango de linealidad, la indicación de sobrecarga o la
respuesta direccional, ni los ensayos periódicos de IEC 61672-3:2013 que
recibe un instrumento en servicio. Un veredicto de clase de esta página
describe el algoritmo, no un aparato construido, y las tres comprobaciones del
paso 7 criban la *grabación*, no el instrumento. Los ensayos de conformidad
del calibrador de IEC 60942:2017 tampoco se ejecutan aquí; consulta la [guía
de calibración](/phonometry/es/signals/metrology/calibration/) para lo que
`sensitivity()` comprueba y lo que no.
## Véase también
El sonómetro construido aquí es el tronco; el resto del núcleo crece de él.
- [Incertidumbre de medida (GUM y Monte Carlo)](/phonometry/es/signals/metrology/gum-uncertainty/):
acompaña de una incertidumbre el $L_\mathrm{Aeq}$ que acabas de calcular, término de
calibración incluido.
- [Análisis espectral calibrado](/phonometry/es/signals/spectra/spectral-analysis/):
cuando las bandas se quedan cortas, la PSD de Welch con intervalos de
confianza.
- [Correlación, retardo y envolvente](/phonometry/es/signals/spectra/correlation-delay/):
dos micrófonos en lugar de uno, y el retardo entre ellos.
- [Procesado por bloques](/phonometry/es/signals/filters/block-processing/): convierte
el sonómetro offline de esta página en uno en streaming con estado de
filtro arrastrado.
- Referencia de la API: [`metrology.calibration`](/phonometry/es/reference/api/metrology/calibration/),
[`filters.weighting`](/phonometry/es/reference/api/filters/weighting/),
[`signals.levels`](/phonometry/es/reference/api/signals/levels/),
[`phonometry`](/phonometry/es/reference/api/filters/phonometry/) y
[`filters.compliance`](/phonometry/es/reference/api/filters/compliance/).