SlideShare a Scribd company logo
擬似ハムバッキングピックアップの
弦振動応答
String Vibration Response of Pseudo
Hum-backing Pickup
北村 大地 原囿 正博
D. Kitamura M. Harazono
(香川高専)
はじめに
・電磁型変換器(ピックアップ)を用いて
弦の振動を電気信号に変換
・直流偏倚磁束による負スチフネスの影響から
高次振動成分には非調和性が生じる
・部分音同士の干渉によって弦振動に唸りが発生
・単体のシングルコイルピックアップの出力を測定
・2つのシングルコイルピックアップを擬似的に
ハムバッキングピックアップとして構成し出力を測定
・弦の任意の2箇所に永久磁石が存在する場合の
弦振動を理論解析し出力のシミュレーションを行う
擬似ハムバッキングピックアップ
・2つのシングルコイルピックアップを逆の位相で
並列に配置した構造
弦振動によりコイルに流れる電流 : 同相
外部からの電磁結合によるノイズ : 逆相
・ギターの信号のみを倍化し,ノイズをキャンセル
する出力特性を持つ
Hum-backing pickup
Steel string
N
S
S
N
Waveform of pseudo hum-backing pickup response
測定結果
Waveform of single coil pick up response
-100
-75
-50
-25
0
25
50
75
100
Voltage[mV]
876543210
Time [sec]
-300
-200
-100
0
100
200
300
Voltage[mV]
876543210
Time [sec]
64.7SNR  [dB]
46.34SNR  [dB]
Simulation model
振動系のシミュレーションモデル
・弦の任意の位置 に永久磁石を設置
→ 吸引力
・2つの負スチフネスが作用する弦の振動方程式
・ の位置に高さ なる初期変位を与える
),(n0 taySFF mmmtm 
)},(){()},(){(
),(),(
22n02211n0112
2
2
2
taySFaxtaySFax
x
txy
T
t
txy







・・①
max 
Pseudo Hum-backing Pickup
8x
x
y 
1a
2a
8
h
h
)2,1( m
1355.01 a
1535.02 a
6305.0
0010.0h
[m]
[m]
[m]
[m]
振動周波数の解析
・特性方程式
・非調和性 Inharmonicity








)(sinsinsin)(
)(sinsinsin)(
22
2n
2
11
1n
1
a
c
a
c
S
c
cH
a
c
a
c
S
c
cH










n







1
2log1200
nf
fn
n
・・②

T
c  :波速度
[cent]
)(sinsin)()()( 2
2
1
2
2
2n1n
21 a
c
a
c
SS
HHW  



とおくと
3135.93393135.96063135.93683135.963516
2939.93022939.94252939.95342939.965815
2743.93892743.93902743.96802743.968114
2547.94962547.96202547.95792547.970313
2351.93572351.97042351.93792351.972612
2155.91262155.94602155.94162155.974911
1959.92571959.93471959.96821959.977210
1763.96171763.96381763.97741763.97959
1567.94731567.98031567.94881567.98178
1371.88021371.94341371.92081371.98407
1175.86761175.91361175.94031175.98636
979.9486979.9533979.9838979.98865
783.9700783.9901783.9707783.99094
587.7914587.9103587.8741587.99323
391.5630391.7743391.7844391.99542
195.6103195.7848195.8242195.99771
Ideal
Partial
No.
only 2nS only andn1S
Vibration frequencies affected by 1 or 2 negative stiffness
振動周波数の算出
2nSn1S
Inharmonicities affected by 1 or 2 negative stiffness
非調和性 Inharmonicity
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
Inharmonicity[cent]
16151413121110987654321
Partial No.
Sn1 and Sn2
Sn1 only
Sn2 only
出力のシミュレーション
・弦の変位により誘導される起電力
・エレクトリックギターで使用される第3弦のG3音を
シミュレーションの対象とする
・ハムバッキング・ピックアップの出力特性を再現
→2つの永久磁石からの出力を合成する
dt
txdy
txy
NU
Em
),(
)},({ 2





R





1
cossin),(
n
n
t
n t
xn
eAtxy n



S01  
8
sin
)(7
128
2


n
n
h
An 
,
,
Measured waveform
シミュレーション結果
Simulated waveform
-300
-200
-100
0
100
200
300
Voltage[mV]
876543210
Time [sec]
300
200
100
0
-100
-200
-300
Voltage[mV]
876543210
Time [sec]
シミュレーション結果
Simulated and measured waveform(0.00-0.05).
Simulated and measured waveform(0.50-0.55).
-300
-200
-100
0
100
200
300
Voltage[mV]
0.050.040.030.020.010.00
Time [sec]
simulated
measured
-300
-200
-100
0
100
200
300
Voltage[mV]
0.550.540.530.520.510.50
Time [sec]
simulated
measured
シミュレーション結果
Simulated and measured waveform(1.00-1.05).
Simulated and measured waveform(2.00-2.05).
-300
-200
-100
0
100
200
300
Voltage[mV]
1.051.041.031.021.011.00
Time [sec]
simulated
measured
-300
-200
-100
0
100
200
300
Voltage[mV]
2.052.042.032.022.012.00
Time [sec]
simulated
measured
まとめ
・シングルコイルピックアップと擬似ハムバッキング
ピックアップの出力を測定結果から比較
・2つの負スチフネスの影響を加味した弦の振動
について理論的に解析し,擬似ハムバッキング
ピックアップの出力シミュレーションを行った
・ハムバッキングピックアップの出力特性が確認された
・シミュレーションによる出力波形は高精度で
実測値と一致し,理論解析の妥当性が確認された
今後の課題
・ボディの形状が弦振動に及ぼす影響の解析

More Related Content

Viewers also liked

Efficient initialization for nonnegative matrix factorization based on nonneg...
Efficient initialization for nonnegative matrix factorization based on nonneg...Efficient initialization for nonnegative matrix factorization based on nonneg...
Efficient initialization for nonnegative matrix factorization based on nonneg...
Daichi Kitamura
 
Relaxation of rank-1 spatial constraint in overdetermined blind source separa...
Relaxation of rank-1 spatial constraint in overdetermined blind source separa...Relaxation of rank-1 spatial constraint in overdetermined blind source separa...
Relaxation of rank-1 spatial constraint in overdetermined blind source separa...
Daichi Kitamura
 
基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)
基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)
基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)
Daichi Kitamura
 
非負値行列分解の確率的生成モデルと 多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
非負値行列分解の確率的生成モデルと 多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
Daichi Kitamura
 
音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...
音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...
音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...
Daichi Kitamura
 
ICASSP2017読み会(関東編)・AASP_L3(北村担当分)
ICASSP2017読み会(関東編)・AASP_L3(北村担当分)ICASSP2017読み会(関東編)・AASP_L3(北村担当分)
ICASSP2017読み会(関東編)・AASP_L3(北村担当分)
Daichi Kitamura
 
Audio Source Separation Based on Low-Rank Structure and Statistical Independence
Audio Source Separation Based on Low-Rank Structure and Statistical IndependenceAudio Source Separation Based on Low-Rank Structure and Statistical Independence
Audio Source Separation Based on Low-Rank Structure and Statistical Independence
Daichi Kitamura
 
Experimental analysis of optimal window length for independent low-rank matri...
Experimental analysis of optimal window length for independent low-rank matri...Experimental analysis of optimal window length for independent low-rank matri...
Experimental analysis of optimal window length for independent low-rank matri...
Daichi Kitamura
 
独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...
独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...
独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...
Daichi Kitamura
 
統計的独立性と低ランク行列分解理論に基づく ブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...
統計的独立性と低ランク行列分解理論に基づくブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...統計的独立性と低ランク行列分解理論に基づくブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...
統計的独立性と低ランク行列分解理論に基づく ブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...
Daichi Kitamura
 
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
徹 上野山
 

Viewers also liked (11)

Efficient initialization for nonnegative matrix factorization based on nonneg...
Efficient initialization for nonnegative matrix factorization based on nonneg...Efficient initialization for nonnegative matrix factorization based on nonneg...
Efficient initialization for nonnegative matrix factorization based on nonneg...
 
Relaxation of rank-1 spatial constraint in overdetermined blind source separa...
Relaxation of rank-1 spatial constraint in overdetermined blind source separa...Relaxation of rank-1 spatial constraint in overdetermined blind source separa...
Relaxation of rank-1 spatial constraint in overdetermined blind source separa...
 
基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)
基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)
基底変形型教師ありNMFによる実楽器信号分離 (in Japanese)
 
非負値行列分解の確率的生成モデルと 多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...非負値行列分解の確率的生成モデルと多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
非負値行列分解の確率的生成モデルと 多チャネル音源分離への応用 (Generative model in nonnegative matrix facto...
 
音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...
音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...
音響メディア信号処理における独立成分分析の発展と応用, History of independent component analysis for sou...
 
ICASSP2017読み会(関東編)・AASP_L3(北村担当分)
ICASSP2017読み会(関東編)・AASP_L3(北村担当分)ICASSP2017読み会(関東編)・AASP_L3(北村担当分)
ICASSP2017読み会(関東編)・AASP_L3(北村担当分)
 
Audio Source Separation Based on Low-Rank Structure and Statistical Independence
Audio Source Separation Based on Low-Rank Structure and Statistical IndependenceAudio Source Separation Based on Low-Rank Structure and Statistical Independence
Audio Source Separation Based on Low-Rank Structure and Statistical Independence
 
Experimental analysis of optimal window length for independent low-rank matri...
Experimental analysis of optimal window length for independent low-rank matri...Experimental analysis of optimal window length for independent low-rank matri...
Experimental analysis of optimal window length for independent low-rank matri...
 
独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...
独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...
独立性に基づくブラインド音源分離の発展と独立低ランク行列分析 History of independence-based blind source sep...
 
統計的独立性と低ランク行列分解理論に基づく ブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...
統計的独立性と低ランク行列分解理論に基づくブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...統計的独立性と低ランク行列分解理論に基づくブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...
統計的独立性と低ランク行列分解理論に基づく ブラインド音源分離 –独立低ランク行列分析– Blind source separation based on...
 
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)TensorFlow を使った機械学習ことはじめ (GDG京都 機械学習勉強会)
TensorFlow を使った 機械学習ことはじめ (GDG京都 機械学習勉強会)
 

More from Daichi Kitamura

独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...
独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...
独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...
Daichi Kitamura
 
スペクトログラム無矛盾性を用いた 独立低ランク行列分析の実験的評価
スペクトログラム無矛盾性を用いた独立低ランク行列分析の実験的評価スペクトログラム無矛盾性を用いた独立低ランク行列分析の実験的評価
スペクトログラム無矛盾性を用いた 独立低ランク行列分析の実験的評価
Daichi Kitamura
 
Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)
Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)
Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)
Daichi Kitamura
 
独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...
独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...
独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...
Daichi Kitamura
 
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
Daichi Kitamura
 
独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...
独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...
独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...
Daichi Kitamura
 
近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)
近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)
近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)
Daichi Kitamura
 
Blind source separation based on independent low-rank matrix analysis and its...
Blind source separation based on independent low-rank matrix analysis and its...Blind source separation based on independent low-rank matrix analysis and its...
Blind source separation based on independent low-rank matrix analysis and its...
Daichi Kitamura
 
模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)
模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)
模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)
Daichi Kitamura
 
Evaluation of separation accuracy for various real instruments based on super...
Evaluation of separation accuracy for various real instruments based on super...Evaluation of separation accuracy for various real instruments based on super...
Evaluation of separation accuracy for various real instruments based on super...
Daichi Kitamura
 
Divergence optimization based on trade-off between separation and extrapolati...
Divergence optimization based on trade-off between separation and extrapolati...Divergence optimization based on trade-off between separation and extrapolati...
Divergence optimization based on trade-off between separation and extrapolati...
Daichi Kitamura
 
Depth estimation of sound images using directional clustering and activation-...
Depth estimation of sound images using directional clustering and activation-...Depth estimation of sound images using directional clustering and activation-...
Depth estimation of sound images using directional clustering and activation-...
Daichi Kitamura
 

More from Daichi Kitamura (12)

独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...
独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...
独立低ランク行列分析に基づく音源分離とその発展(Audio source separation based on independent low-rank...
 
スペクトログラム無矛盾性を用いた 独立低ランク行列分析の実験的評価
スペクトログラム無矛盾性を用いた独立低ランク行列分析の実験的評価スペクトログラム無矛盾性を用いた独立低ランク行列分析の実験的評価
スペクトログラム無矛盾性を用いた 独立低ランク行列分析の実験的評価
 
Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)
Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)
Windowsマシン上でVisual Studio Codeとpipenvを使ってPythonの仮想実行環境を構築する方法(Jupyter notebookも)
 
独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...
独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...
独立低ランク行列分析に基づくブラインド音源分離(Blind source separation based on independent low-rank...
 
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
 
独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...
独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...
独立深層学習行列分析に基づく多チャネル音源分離(Multichannel audio source separation based on indepen...
 
近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)
近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)
近接分離最適化によるブラインド⾳源分離(Blind source separation via proximal splitting algorithm)
 
Blind source separation based on independent low-rank matrix analysis and its...
Blind source separation based on independent low-rank matrix analysis and its...Blind source separation based on independent low-rank matrix analysis and its...
Blind source separation based on independent low-rank matrix analysis and its...
 
模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)
模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)
模擬ハムバッキング・ピックアップの弦振動応答 (in Japanese)
 
Evaluation of separation accuracy for various real instruments based on super...
Evaluation of separation accuracy for various real instruments based on super...Evaluation of separation accuracy for various real instruments based on super...
Evaluation of separation accuracy for various real instruments based on super...
 
Divergence optimization based on trade-off between separation and extrapolati...
Divergence optimization based on trade-off between separation and extrapolati...Divergence optimization based on trade-off between separation and extrapolati...
Divergence optimization based on trade-off between separation and extrapolati...
 
Depth estimation of sound images using directional clustering and activation-...
Depth estimation of sound images using directional clustering and activation-...Depth estimation of sound images using directional clustering and activation-...
Depth estimation of sound images using directional clustering and activation-...
 

擬似ハムバッキングピックアップの弦振動応答 (in Japanese)

Editor's Notes

  1. それでは,「擬似ハムバッキングピックアップの弦振動応答」と題しまして,香川高専の北村大地が発表させていただきます.
  2. はじめに,エレクトリックギターは,ピックアップを用いて,弦の振動を電気信号に変換し,発音する楽器です. このピックアップの永久磁石からの,直流偏倚磁束による負スチフネスの影響を受け,ギターの弦振動の高次振動成分には非調和性が生じ,部分音となります. そしてこの部分音同士の干渉によって,1本の弦振動に対しても唸りが発生します. 今回は,まず単体のシングルコイルピックアップをギターに搭載して,その出力を測定します。 次に2つのシングルコイルピックアップを擬似的なハムバッキングピックアップとして使用したときの出力を測定します. さらに,擬似ハムバッキングピックアップの測定と同じ条件のシミュレーションモデルを立て,弦の2箇所に,ピックアップに代えた永久磁石が存在する場合の弦振動を理論的に解析し,出力のシミュレーションを行いました. そして,測定によって得られた出力とシミュレーション結果の比較検討を行いました。
  3. ここで,今回作成した擬似ハムバッキング・ピックアップとは,図に示したように,2つのシングルコイルピックアップを逆の位相で並列に並べた構造です. 弦振動によりそれぞれのコイルに流れる電流は同相で検出され,電磁結合によって生じるノイズは逆相で検出されます。 すなわち,ハムバッキングピックアップはギターの信号だけを倍化し,ノイズをキャンセルするという出力特性を持っています.
  4. こちらは測定の結果得られた波形を示しています. 上の波形がシングルコイルピックアップからの出力波形であり,下の波形が擬似ハムバッキングピックアップからの出力を示しています. 両者の波形を比較すると,擬似ハムバッキングピックアップの出力の方が高出力であり,波形に現れる唸りも強いことがわかります。 また,それぞれの波形にカットオフ周波数8[kHz]のローパスフィルタをかけ,信号と雑音を分離したうえで,4秒~5秒の間のSN比を算出した結果,シングルコイルピックアップは7.64[dB],擬似ハムバッキングピックアップは34.46[dB]という結果になりました。 したがって,擬似ハムバッキングピックアップはシングルコイルピックアップに比べ,高出力かつ低雑音の出力特性を持っていることが確認されます。
  5. 次に,ハムバッキングピックアップの振動系のシミュレーションモデルについてご説明いたします. いま,下に示した図のようなシミュレーションモデルを想定します. 弦の任意の位置x=amに,ピックアップを想定した永久磁石があるものと考えます。 金属製の弦を永久磁石がひきつける吸引力Ftmを,静的成分F0mと動的成分にわけて一次式として表現します。動的成分中のy(am,t)はx=amにおける弦の時間的な変位であり,その係数Snmを負スチフネスと呼びます。 この吸引力が2つの永久磁石の直上のみで作用するように,ディラックのデルタ関数をもちいて表現すると,弦の振動方程式を①式のように立てることができます. 今回のモデルでは,実際にギターを演奏する場合に弦をはじく位置を参考にして,x=ℓ/8の位置をピッキングポイントとし,そこに高さhの初期変位を与えるものとして考えます.
  6. 振動周波数の解析方法についてご説明いたします. 先ほどの①式はラプラス変換を用いて解くことができます. a1とa2の負スチフネスがそれぞれ単独に作用する場合の特性方程式はH1とH2のように求まります。それぞれの負スチフネスは,弦の振動周波数(右側)に対して,このように作用します。 a1とa2の負スチフネスが同時に作用した場合の特性方程式は単純にH1とH2の積ではなく2式のようになります。 さらに,非調和性を表す尺度のInharmonicity δnは,このように定義されます. ここで,centという単位についてですが,Inharmonicity値がちょうど100[cent]であった場合,音階でいう半音のずれが生じている,ということを示しています。
  7. さらに,出力のシミュレーションについてご説明いたします. ピックアップ直上の弦の変位によって,誘導される起電力Emは次のような式になります. 式中の分母はピックアップのレラクタンスを,静的成分と動的成分に分けて表しています。 そして,弦の変位であるy(x,t)は,このフーリエ級数の式で求まります。 今回は,エレクトリックギターで使用される,第3弦の開放音であるG3音の出力をシミュレーションの対象とします. また,ハムバッキング・ピックアップの出力特性を再現するため,a1とa2の並列した2つの永久磁石からの出力を合成します.
  8. シミュレーションの結果はこのようになっています. 上の波形がシミュレーションによる出力波形であり,下の波形が実際のギターの出力を示しています. この結果を見ると,負スチフネスによる非調和性に起因した唸が,再現できていることがわかります. また,波形全体の大まかなエンベロープを再現できていることも確認できます.
  9. こちらは先ほどの出力波形の時間軸を拡大した波形です. 赤色で示したのが実測値,白色がシミュレーション波形となっています. 上の波形が0秒から0.05秒,下の波形が0.5秒から0.55秒のグラフです.
  10. さらに,1秒から1.05秒,2秒から2.05秒の波形です. これらの結果を見ると,エレクトリックギターの出力波形は,基本波の非整数倍の部分音が発生しているために,周期性を失い,波形が時間とともに変化していくのが分かります. そして,その波形の時間的な変化を,非常に高い精度で再現できていることが確認できます.
  11. まとめといたしまして,今回はシングルコイルピックアップと擬似ハムバッキングピックアップの出力を測定結果から比較しました。 加えて,2つの負スチフネスの影響を加味した弦の振動について理論的に解析し,擬似ハムバッキングピックアップの出力シミュレーションを行いました. その結果,ハムバッキングピックアップはシングルコイルピックアップに比べ,高出力かつ低雑音であるという出力特性が確認されました。 さらに,ハムバッキングピックアップのシミュレーションによる出力波形は非常に高い精度で実測値と一致し,理論解析の妥当性が確認さました. 今後の課題といたしましては,複数の弦が同時に振動した場合の理論的な解析などについて研究を進めていく予定であります。 以上で発表を終わります.ご静聴ありがとうございました.