振动测试过程中，由于周边环境及系统自身而导致的振动波形偏离基线中心的现象，称为信号趋势项。在深孔台阶爆破震动观测中，近区信号受趋势项的影响比远区更大。受趋势项影响，波形最大峰值将发生变化，频谱分析的精度降低，同时也会对信号的积分变换造成一定的影响。

近年来，有不少学者对趋势项的消除方法进行了研究[1-2]，其中，小波法和经验模态分解(empirical mode decomposition, EMD)法应用于非平稳信号处理的案例较多[3-4]。二者区别在于，小波法需针对信号特征事先选择小波基函数及分解层数，分解得到的低频系数可能与趋势项频带差距较大，分解过程对操作者的先验知识水平要求较高；而EMD法为自适应分解，对先验知识水平要求较低，但EMD法在分解过程中，会受到端点震荡和模态混叠效应的影响，最重要的是，目前尚无依据确定哪个固有模态函数(intrinsic mode function, IMF)分量为趋势项的主要组成部分。

基于此，本文中拟采用集合经验模态分解(ensemble empirical mode decomposition, EEMD)并结合小波阈值去噪方法，辅以人工判别及自相关分析手段，探索并建立适用于爆破近区的振动信号趋势项去除方法。

1 趋势项去除方法

1.1 基于人工判别的EEMD趋势项去除方法

1.1.1 EEMD方法对EMD方法的改进[5]

相关性研究证实,去甲肾上腺素、γ-氨基丁酸及5-羟色胺、谷氨酸等参与了帕金森病痴呆患者疾病的发生及发展,兴奋性神经递质在脑中谷氨酸含量最高,具有生理功能,属于调节剂,可参与脑部智能活动及认知活动,临床研究发现,若能量不足,可导致患者减少谷氨酸摄入量,可增加谷氨酸释放量,升高的谷氨酸可导致患者部分细胞膜发生去极化并导致患者丧失钙离子稳态[3],可增加NMDA受体内流并产生背景噪音,可对突触信号检测造成影响,若钙离子水平持续增加可导致患者出现神经变性,可诱导患者下降认知功能,可表现出退行性痴呆临床症状[4]。

1.1.2 EEMD方法的分解步骤

EEMD方法较EMD方法的改进主要在于：在进行EMD分解时，加入高斯白噪声，原信号经多次添加噪声序列，并多次分解后，对同一尺度下各IMF分量求和，可得到各IMF分量的“集体”。由于加入的i次噪声是不相关随机序列，其统计均值为零，因此，对各IMF分量整体平均后，加入的i次噪声可近似相互抵消。

每个样品编号组混合样品后随机称取25~30 g样品放入玻璃平皿中，于 105 ℃烘干 2 h，随后转入65 ℃下烘干至恒重。含水率记为黄瓜组织烘干后减少的质量占鲜重质量的百分比。每组样品测定4个平行。

2.2.2 IMF分量尺度排序

xi(t)=x(t)+wi(t) i=1,2…,n

(1)

式中：i为加入噪声的次数，xi(t)为原信号x(t)加入i次噪声后的信号。

此外，“冒进”风险也不容小觑。各地兴起的“粮食银行”以企业自发行为居多，在发展定位、管理水平、操作流程等方面参差不齐，有的在小规模储售粮时运作自如，往往产生盲目乐观的心态，提出“大干快上”的目标，形成经营风险。

(2)对xi(t)进行EMD自适应分解，得到相应的各IMF分量，记为cij(t)，余项为ri(t)，cij(t)为第i次加入白噪声后分解得到的第j个IMF，j=1,2…,k，其中k为分解尺度。

(3)对各IMF分量进行总体平均，即得真实的IMF分量:

(2)

对保留的IMF1～IMF8分量重构，如图4～5所示。从图中可以看出，波形重新回到基线中心，主频也由低频缓慢过渡到合理区间，主频幅值突高的情况消失。

针对分解得到的各IMF分量，目前尚缺少明确的判别准则来识别哪一个分量为趋势项有效组成部分，趋势项的去除存在一定的盲目性。通过对深孔台阶爆破近区大量实测振动信号的分析，总结出趋势项产生的原因，结合现场振动测试系统的物理指标，可建立人工判别准则。

1.1.2 管理体系 技能竞赛是一项系统工程，需要完善的组织机构和健全的运行机制，为其深入持久的开展提供保障。学校成立了由分管教学工作的校领导、教务科、教研室和深圳现代牙科器材有限公司技术培训中心负责人组成的技能竞赛指导委员会，负责技能竞赛活动的整体规划与领导。技能竞赛指导委员会下设办公室，负责技能竞赛项目审核、竞赛经费及竞赛档案管理等。口腔教研室具体负责技能竞赛题库制定和竞赛项目的设置，组织实施培训辅导计划，监控竞赛准备及实施过程，并通过“现代杯”选拔全国“日进杯”参赛选手。

(1)近区爆破振动的特点是瞬时输入能量大、持时短、振幅波动大。传感器在较大脉冲的作用下，受内部惯性原件和电路部分的输出限制，测量指标很难保持线性输出；

(2)目前广泛使用的的爆破测振仪，其可测频率的最低值一般为5 Hz。现场观测得到的爆破信号，低于5 Hz的部分将很难保持线性输出，因此可视为低频干扰。

1.2 基于自相关分析的小波阈值去噪

利用EEMD方法对原始信号分解并消除趋势项分量后，引入的高斯白噪声将导致重构信号的信噪比明显下降。此时，可通过小波阈值法对保留的IMF分量进行去噪。为了有效甄别噪声分量，可借助自相关函数的特性，对保留IMF分量进行辅助判别，并对判别得到的具有噪声特征的分量进行去噪处理，最后，将所有IMF分量重构，整个去噪过程结束。

2.2.4 趋势项去除后剩余分量重构

随机变量在时间域的相互依赖关系可以用自相关函数来表示，如下所示：

(3)

式中：x(t)代表某一随机过程，N为采样点个数，t1和t2为不同时刻。

根据《内科学》呼吸系统疾病教学大纲，选择慢性阻塞性肺疾病、支气管哮喘、胸腔积液、肺炎作为教学内容，选择住院患者的代表性病例进行授课[3-4]。

众人拾柴火焰高。新教师有活力有干劲，我带领班子成员把重点精力用于年轻教师的培养塑造。学校采用四种形式培养青年教师：一是洗脑子，组织学习教育理论；二是结对子，抓备课、听课与评课；三是压担子，多给青年教师创造锻炼的机会；四是搭台子，开展教学活动，创造展示和学习机会。

对于高斯白噪声，其自相关函数在图像上通常具备如下特点：最大值集中在坐标零点，其余各点近似为零。

图1 趋势项去除流程 Fig.1 Removal process of trend

1.2.2 小波阈值去噪

小波阈值去噪是通过比较小波系数与设定阈值的大小，以此来判断小波系数主要是由信号还是噪声引起。去噪前首先需要确定阈值门限并选择合理的去噪方法。阈值门限的选取规则主要有固定阈值门限准则、无偏风险估计准则、混合阈值门限准则以及极大极小阈值门限准则；去噪方法主要有为软、硬阈值法。将去噪后的小波系数重构，即得到了去噪后的信号。

1.3 趋势项去除流程

根据上述分析，整理得到了深孔台阶爆破近区振动信号的趋势项去除方法，通过Matlab平台可编程对实测波形进行批量化处理，如图1所示。

2 实例分析

2.1 测试条件

选取现场某次垂向振动信号，利用前述方法对实测信号进行趋势项去除，并对重构信号进行评价。测试的条件见表1。

今按《宝真斋法书赞》卷十五《黄鲁直催绣词帖》录黄庭坚行书四行：“前岁迷藏花柳，恰恰如今时候。诸事几时忺，镜中赢得清瘦。生受，生受，更被养娘催绣”。并有按语云：“右山谷先生《催绣词帖》真迹一卷。先生平生语庄，此帖故游戏耳。”岳珂《宝真斋法书赞》颇为严谨，内中涉及多篇黄庭坚书法及其诗文词作等，均极可靠。此帖未言系黄庭坚书写秦观作品，当系自作。因此基本可以断定，此词著作权应属于黄庭坚，嘉靖本不误。

表1 信号测试条件 Table 1 Conditions of the test signal

测区爆心距/m最大段药量/kg近区652280

2.2 趋势项去除

2.2.1 EEMD方法分解

初始设置白噪声标准差为0.1，集成次数100。分解得到14个IMF分量及1个余量r，如图2所示。

2.5 两组患者不良反应发生情况比较 两组均出现一定的恶心、呕吐、头疼等症状，但发生率组间比较差异无统计学意义(χ2=1.32，P>0.05)，见表4。

图2 EEMD方法分解结果 Fig.2 Decomposition results by EEMD method

从图中不难看出，EEMD方法分解得到的各IMF分量，端点振荡效应及模态混叠效应已基本消除。

(1)添加标准白噪声信号wi(t)至原信号x(t)，二者等长。

利用FFT变换，可以得到各IMF分量的尺度信息。按照由大到小的顺序，各IMF分量的主频，如表2所示。由于趋势项是低频干扰，为简化显示范围，可略去高频分量IMF1～IMF4，仅在频谱曲线图中显示IMF5～IMF15分量，如图3所示。

表2 各IMF分量主频 Table 2 Dominant frequency of each IMF component

IMF分量主频/HzIMF分量主频/HzIMF133.40IMF91.60 IMF214.40 IMF101.00 IMF339.20 IMF110.80 IMF432.40 IMF120.60 IMF536.40 IMF130.40 IMF619.40 IMF140.20 IMF710.40 r0.00 IMF87.60

图3 IMF分量频谱图 Fig.3 Frequency spectra of IMF component

2.2.3 人工干预判别

由图5可以看出，IMF5～IMF8频段较高，频带较宽；IMF9～IMF14频段较低，频带较窄。由表2中各IMF分量的主频值可知，IMF9～IMF14分量主要集中在0～5 Hz频带，已明显超出爆破测振仪的有效监测范围，上述分量将引起信号趋势项的产生。因此，需将IMF9～IMF14分量去除。

1.2.1 自相关分析

1.1.3 人工判别

图4 原始波形与重构波形 Fig.4 Original and reconstruction waveforms

图5 原始波形与重构波形频谱 Fig.5 Spectra of original and reconstruction waveforms

2.2.5 自相关分析

对保留的IMF1～IMF8分量进行自相关分析，如图6所示。由图中可以看出，8个IMF分量中，IMF1～IMF3分量的自相关函数符合高斯白噪声的特征，因此，主要对IMF1～IMF3分量进行小波阈值去噪。

图6 IMF分量自相关函数图 Fig.6 Autocorrelation function graphs of IMF components

2.2.6 小波阈值去噪

总而言之，现在的时代已经成了互联网+时代。对于乡村生态旅游产业来说，若是想要得到可持续的发展，那么也离不开互联网技术的支撑。因此，在实际情况中，乡村生态旅游经营者就应该充分地借助互联网的优势，采取各种有效措施来推动乡村生态旅游的发展。

阈值函数确定方法较多[6]。本文中阈值门限准则采用heursure函数，去噪方法采用软阈值函数。

2.2.7 去噪后剩余分量重构

为了更为直观地将中国与六国课程内容设置基本情况进行比较，该研究设计合理算法，将六国课程设置的基本情况进行整合，绘制基于六国代数思维课程内容设置参考模型，如图14所示．

IMF1～IMF3分量去噪结束后，将其与其余IMF分量一并进行重构，即可得到最终爆破振动信号，如图7所示。从图中可以看出，去噪后波形的信噪比得到一定提升，滤波效果显著。

城区道路服务。“路管家”是华南公司旗下的二级子品牌，专业为城区道路提供一体化解决方案。在市政工程养护方面，专业承揽市政公用工程、排水工程、道路工程及养护等项目。在河道管护方面，为城乡主要河道提供河道清淤、河面以及坡岸的垃圾、杂草等的清理和清运服务，让沿河风光更展城市之美。

图7 小波阈值去噪前后波形对比 Fig.7 Contrast of wavelet thresholds before and after denoising

3 结 论

(1)深孔台阶爆破条件下，爆破近区振动信号产生趋势项的原因为瞬时大能量输入引起的非线性失真，在此基础上以测试仪器有效监测范围作为识别趋势项组成部分的判别准则。

(2)借助EEMD方法及小波分解，提出一种基于各IMF分量频带指标，辅以人工判别的趋势项去除方法，以及利用自相关分析识别噪声特征的小波阈值去噪方法，并通过实例验证了方法的有效性。

参考文献：

[1] 陈燕,刘哲,郑宾,等.基于LabVIEW的测试信号预处理方法研究[J].国外电子测量技术,2008,27(10):4-5,16.

CHEN Yan, LIU Zhe, ZHENG Bin, et al. Study on test signal pre-processing method based on LabVIEW[J]. Foreign Electronic Measurement Technology, 2008,27(10):4-5,16.

[2] 王若平,杨彦朋,王国林,等. EMD在路面不平度信号趋势中的应用[J].拖拉机与农用运输车,2010,27(10):64-66.

WANG Ruoping, YANG Yanpeng, WANG Guolin, et al. Application of EMD to road routhness trend[J].Tractor and Farm Transporter, 2010,27(10):64-66.

[3] 朱学峰,韩宁.基于经验模态分解的非平稳信号趋势项消除[J].飞行器测控学报,2012,31(1):65-70.

ZHU Xuefeng, HAN Ning. Removal of non-stationary signal trend items by empirical mode decomposition[J]. Journal of Spacecraft TT&C Technology, 2012,31(1):65-70.

[4] 龙源,谢全民,钟明寿,等. 爆破震动测试信号预处理分析中趋势项去除方法研究[J].工程力学,2012,29(10):63-68.

LONG Yuan, XIE Quanmin, ZHONG Mingshou, et al. Research on trend removing methods in preprocessing analysis of blasting vibration monitoring signals[J]. Engineering Mechanics, 2012,29(10):63-68.

[5] WU Zhaohua, HUANG N E. Ensemble empirical mode decomposition: a noise assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009,1(1):1-41.DOI:10.1142/S1793536909000047

[6] 朱艳芹,杨先麟.几种基于小波阈值去噪的改进方法[J].电子测试,2008(2):18-22.

ZHU Yanqin, YANG Xianlin. Several new methods based on wavelet thresholding denoising[J]. Electronic Test, 2008(2):18-22.

[7] 李夕兵,张义平,刘志祥.爆破震动信号的小波分析与HHT变换[J].爆炸与冲击,2005,25(6):528-535.

LI Xibing, ZHANG Yiping, LIU Zhixiang. Wavelet analysis and Hilbert-Huang transform of blasting vibration signal[J]. Explosion and Shock Waves, 2005,25(6):528-535.

[8] 肖立波,任建亭,杨海峰.振动信号预处理方法研究及其MATLAB实现[J].计算机仿真,2010,27(8):330-337.

XIAO Libo, REN Jianting, YANG Haifeng. Study on vibration signal pre-processing method based on Matlab[J]. Computer Simulation, 2010,27(8):330-337.

[9] 徐长发,李国宽.实用小波方法[M].武汉:华中科技大学出版社,2005.

[10] 陈隽,李杰.振动信号趋势项提取的几种方法及其比较[J].福州大学学报(自然科学版),2005,33(增刊):42-45.

CHEN Jun, LI Jie. Methods for signal trend extraction and their comparison[J]. Journal of Fuzhou University (Natural Sciences Edtion), 2005,33(Suppl):42-45.