在爆破振动监测过程中,为解决低频趋势成分干扰所引起的基线漂移问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition, RLMD)和均值判比(mean ratio, MR)方法的爆破振动信号基线校正方法。首先,利用RLMD对包含趋势项...在爆破振动监测过程中,为解决低频趋势成分干扰所引起的基线漂移问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition, RLMD)和均值判比(mean ratio, MR)方法的爆破振动信号基线校正方法。首先,利用RLMD对包含趋势项的振动信号进行自适应分解,生成一系列乘积函数(product functions, PF);随后,通过MR方法筛选出低频趋势项分量,去除这些成分并重构剩余信号,以校正基线漂移。仿真信号分析结果表明,与传统的最小二乘拟合法(ordinary least squares, OLS)和局部均值分解(local mean decomposition, LMD)相比,RLMD方法在提取趋势项方面具有更高的准确性和稳定性,有效避免了模态混叠现象。现场爆破振动监测试验结果显示,与远区振动信号相比,近区实测爆破振动信号受到低频趋势项的干扰更为严重。通过RLMD-MR方法进行基线校正后,信号波形能够有效恢复至基线中心附近,解决了基线漂移问题。展开更多
文摘在爆破振动监测过程中,为解决低频趋势成分干扰所引起的基线漂移问题,提出了一种基于鲁棒局部均值分解(robust local mean decomposition, RLMD)和均值判比(mean ratio, MR)方法的爆破振动信号基线校正方法。首先,利用RLMD对包含趋势项的振动信号进行自适应分解,生成一系列乘积函数(product functions, PF);随后,通过MR方法筛选出低频趋势项分量,去除这些成分并重构剩余信号,以校正基线漂移。仿真信号分析结果表明,与传统的最小二乘拟合法(ordinary least squares, OLS)和局部均值分解(local mean decomposition, LMD)相比,RLMD方法在提取趋势项方面具有更高的准确性和稳定性,有效避免了模态混叠现象。现场爆破振动监测试验结果显示,与远区振动信号相比,近区实测爆破振动信号受到低频趋势项的干扰更为严重。通过RLMD-MR方法进行基线校正后,信号波形能够有效恢复至基线中心附近,解决了基线漂移问题。
