变分模态分解在爆破信号趋势项去除中的应用

贾贝; 凌天龙; 侯仕军; 刘殿书; 王潇

doi:10.11883/bzycj-2019-0092

变分模态分解在爆破信号趋势项去除中的应用

doi: 10.11883/bzycj-2019-0092

贾贝^1,,
凌天龙¹,
侯仕军¹,
刘殿书^1, ,,
王潇²

1.
中国矿业大学（北京）力学与建筑工程学院，北京 100083
2.
中大爆破公司，北京 102299

详细信息

作者简介:
贾　贝（1993－　），男，博士研究生，m13520710717_1@163.cn

通讯作者:
刘殿书（1960－　），男，博士，教授，博士生导师，lds@cumtb.edu.cn

中图分类号: O389; TD235
计量
- 文章访问数: 5829
- HTML全文浏览量: 2358
- PDF下载量: 98
- 被引次数: 29
出版历程
- 收稿日期: 2019-03-26
- 修回日期: 2019-11-26
- 刊出日期: 2020-04-01

Application of variable mode decomposition in the removal of blasting signal trend items

1.
School of Resource and Safety Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China
2.
Beijing Zhongda Blasting Engineering Co. Ltd., Beijing 102299, China

摘要

摘要: 爆破工程中，信号趋势项的准确去除对提高爆破振动信号分析的精度具有重要意义。针对经验模态分解（empirical mode decomposition，EMD）识别法存在的模态混叠和端头效应等缺陷，提出了基于变分模态分解（variational mode decomposition，VMD）去除信号趋势项的方法，即VMD法。叙述了VMD法识别爆破信号趋势项原理，并进行了仿真实验，结果表明：趋势项频率对分解效果的影响相对较小，当趋势项频率处于1～5 Hz之间时，频率对分解效果的影响基本保持不变；振幅对分解效果影响显著，且振幅越小，VMD法的分解效果越差。当趋势项振幅超过原始爆破信号最大振幅的1/3时，VMD法分解效果较好。最后，应用VMD法和EMD法对含有趋势项的实测爆破振动信号进行处理，认为相比于EMD法，VMD法处理后的信号基本一致且不存在端点效应，在爆破信号趋势项去除领域中具有更加广泛的适用性。
- 隧道工程 /
- 爆破振动 /
- 变模态分解（VMD） /
- 趋势项
Abstract: Accurate removal of signal trend items is of practical importance for improving the accuracy of blasting vibration signal analysis. Here, aiming at the defects of EMD identification, such as mode aliasing and terminal effect, a method based on variational mode decomposition (VMD) to remove signal trend term is proposed. The principle of identifying the trend term of blasting signals by VMD method is described in details, and the simulation experiment was carried out. The results show that the influence of the trend term frequency on the decomposition effect is relatively small. When the trend term frequency is between 1 and 5 Hz, the effect of the frequency on the decomposition effect remains basically the same. The amplitude has a significant influence on the decomposition effect. Furthermore, the amplitude is smaller, the decomposition effect of the VMD method is worse. When the amplitude of the trend term exceeds 1/3 of the maximum amplitude of the original blasting signal, the VMD method has a better decomposition effect. Finally, the VMD method and the EMD method are applied to process the measured blasting vibration signal containing the trend term. Compared with the EMD method, the signals processed by the VMD method are basically consistent and have no terminal effect, and have wider applicability in the field of blasting signal trend item removal.
- tunnel engineering /
- blasting vibration /
- variational mode decomposition (VMD) /
- trend term

HTML全文

振动数据采集过程中，周边环境的变化以及传感器性能的不稳定，可能会导致振动波形偏离基线中心。这种在爆破信号中变化慢、周期小且频率低的成分被称为信号趋势项。趋势项的存在，会使信号的时域分析以及频域的频谱图分析发生变化，甚至使低频谱完全失真^[1-4]。因此，准确去除信号趋势项对提高爆破振动信号分析的精度具有重要的现实意义。

目前常用的趋势项消除方法有最小二乘法、小波法和EMD法，其中小波法和EMD法多应用于爆破领域。但两种方法都存在缺陷：小波法需要预先确定小波基函数以及分解阶数，不恰当的基函数会导致信号重构精确性下降^[5-8]；EMD法通过包络线分解的结束判断标准没有科学依据，可能使IMF分量出现模态混叠问题，从而导致IMF分量失去意义^[9-10]。

随着研究的深入，学者们提出了许多新的趋势项去除方法。张胜等^[7]利用自适应小波去除爆破信号的趋势项，取得了良好的效果；凌同华等^[8]构造了双正交小波基，经过试验证明了其在爆破信号处理中具有良好的应用性。韩亮等^[1]基于EEMD，提出了深孔台阶爆破近区爆破信号的趋势项处理方法。类似的研究方法，都是在小波法与EMD法的基础上提出的，虽然弥补了两种方法的部分缺陷，但还是存在一些问题。

Dragomiretskiy等^[11]根据维纳滤波和变分问题的构造提出了变分模态分解（variational mode decomposition，VMD），该方法通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。由于VMD算法处理随机信号时具有独特的优势，近几年来被广泛应用于机械信号的噪声处理领域。刘宏波^[12]构建了含有低频与高频的分解信号，通过仿真实验分析了VMD算法对构建信号的分解效果，证明了VMD算法对低频分量信号具有较强的识别能力。

本文中将VMD算法引入到爆破信号趋势项的去除领域中，并结合VMD算法在处理低频分量时的优势，提出一种新的爆破信号趋势项的方法——VMD法，并证明VMD法在爆破信号处理领域方面具有更高的准确性、分辨率与稳定性。

1. 变分模态分解原理

VMD算法把信号分解为多个本征模态IMF（intrinsic mode functions）分量，且将IMF分量重新定义为如下式所示的信号：

${u_k}\left( t \right) = {A_k}\left( t \right)\cos \left( {{\varphi _k}\left( t \right)} \right)$

(1)

式中：t为时间；u_k(t)为各IMF分量；A_k(t)为瞬时幅值，且A_k(t)≥0；φ_k(t)为瞬时相位，且φ_k(t)≥0。

EMD算法获取IMF分量时采用循环筛分剥离的方式，分解非平稳随机信号过程中时常会出现模态混叠等缺陷。与EMD算法不同，VMD算法将信号分解过程转化为变分求解过程，即把分解问题转移到变分框架内处理，通过寻找变分模型的最优解获取IMF分量，算法核心包括变分问题的构造和变分问题的求解。

1.1 变分问题的构造

假设每个模态分量都紧凑地围绕一个中心频率分布，且具有有限带宽，中心频率会随着分解变化而变化。VMD算法中变分问题的核心为：以输入信号f(t)等于IMF分量之和为前提，寻找最小的IMF分量的预估带宽之和，构造过程如下。

(1) 对于每个IMF分量u_k(t)，利用希尔伯特变换构造解析信号后，通过混合指数调谐各自估计中心频率的方法，将每个IMF分量的频谱调制到相应的基频带上：

$\left[ {\left( {{\text{δ}} \left( t \right) + \frac{{\rm{j}}}{{{{{\text{π}} }}t}}} \right){u_k}\left( t \right)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega_k}t}}$

(2)

式中：u_k={ u₁,···, u_k}代表分解得到的k个IMF分量；ω_k={ω₁,···, ω_k}为各IMF分量的中心频率；j表示虚数单位； ${\text{δ}}(t)$ 为狄拉克函数。

(2) 通过解调信号的高斯平滑度，即计算式（2）表示的信号梯度的平方L₂范数，估计出各IMF分量的带宽，构造的变分问题如下：

$\left\{ {\begin{array}{*{20}{l}} {\mathop {\min }\limits_{\left\{ {{u_k}} \right\},\left\{ {{\omega_k}} \right\}} } \left\{ {\displaystyle\mathop \sum \limits_{k = 1}^k \left\| {{\partial _t}\left[ {\left( {{\text{δ}} \left( t \right) + \frac{{\rm{j}}}{{{{{\text{π}} }}t}}} \right){u_k}\left( t \right)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_2^2} \right\} \\ {{\rm{s.t.}}\displaystyle\mathop \sum \limits_{k = 1}^k {u_k}\left( t \right) = f\left( t \right)} \end{array}} \right.$

(3)

1.2 变分问题的求解

为求取式（3）中的约束变分问题，引入惩罚因子α和Lagrange乘法算子λ(t)，其中惩罚因子α为较大的正数且在高斯噪声存在的情况下可保证信号的重构精度，Lagrange算子λ(t)使得约束条件保持严格性，构造的扩展Lagrange表达式如下：

$\begin{split} L\left( {\left\{ {{u_k}} \right\},\left\{ {{\omega_k}} \right\},\lambda } \right) =& \alpha \mathop \sum \limits_k \left\| {{\partial _t}\left[ {\left( {{\text{δ}} \left( t \right) + \frac{{\rm{j}}}{{{\text{π}}t}}} \right){u_k}\left( t \right)} \right]{{\rm{e}}^{ - {\rm{j}}{\omega _k}t}}} \right\|_2^2+\\& \left\| f\left( t \right) - \mathop \sum \limits_k {u_k}\left( t \right)\right\|_2^2 +\langle \lambda \left( t \right),f\left( t \right) - \mathop \sum \limits_k {u_k}\left( t \right)\rangle \end{split}$

(4)

VMD中采用了乘法算子交替方向法（ADMM）解决以上变分模型，通过交替更新 $u_k^{n+1}$ 、 $\omega_k^{n+1}$ 、 $\lambda_k^{n+1}$ 寻求扩展的拉格朗日函数的“鞍点”，此点即为变分模型的最优解。具体步骤如下：

（1）令n=0，初始化{ $u_k^1$ }、{ $\omega_k^1$ }、 $\lambda_k^1$ ；

（2）执行循环：n=n+1；

（3）对所有ω＞0的分量,更新u_k、ω_k。

u_kⁿ⁺¹的更新求解过程为：

首先在频域内计算式（5）得出 $u_k^{n+1}$ 对应的频域函数，而后对式（5）进行傅里叶逆变换，即可得到时域内的IMF分量。

$\begin{split} \hat u_k^{n + 1} \left( \omega \right) \leftarrow \frac{{\hat f \left( \omega \right) - \displaystyle\mathop \sum \limits_{i {\text{＜}} k} \hat u_i^{n + 1}\left( \omega \right) - \displaystyle\mathop \sum \limits_{i > k} \hat u _i^n\left( \omega \right) + \frac{{{{\hat \lambda }^n}\left( \omega \right)}}{2}}}{{1 + 2\alpha {{(\omega - {\omega_k^n})}^2}}}\quad \quad\quad k \in \left\{ {1,k} \right\} \end{split}$

(5)

$\omega_k^{n+1}$ 更新求解方法如下式所示：

$\begin{split} \omega_k^{n + 1} \leftarrow \frac{{\displaystyle\mathop \int \nolimits_0^\infty \omega{{\left| {\hat u_i^{n + 1}\left( \omega \right)} \right|}^2}{\rm{d}}\omega}}{{\displaystyle\mathop \int \nolimits_0^\infty {{\left| {\hat u_i^{n + 1}\left( \omega \right)} \right|}^2}{\rm{d}}\omega}}\quad\quad\quad k \in \left\{ {1,k} \right\}\end{split}$

(6)

（4）而后更新λ：

${\hat \lambda ^{n + 1}}\left( \omega \right) \leftarrow {\hat \lambda ^n}\left( \omega \right) + \tau \left( {\hat f \left( \omega \right) - \mathop \sum \limits_k \hat u_k^{n + 1} \left( \omega \right)} \right)$

(7)

（5）对于给定判别精度e＞0，若满足下式条件，则停止迭代，否则返回步骤（2）：

$\begin{split} \frac{{\displaystyle\mathop \sum \limits_k \left\| {\hat u _k^{n + 1} - \hat u _k^n} \right\|_2^2}}{{\left\| {\hat u _k^n} \right\|_2^2}} {\text{＜}} e \end{split}$

(8)

2. 基于变分模态分解的趋势项消除方法

2.1 VMD法的优化原理和参数确定

基于VMD分解的爆破信号趋势项去除算法的核心为 $u_{k}^{n+1}$ 、 $\omega_k^{n+1}$ 的求取。由式（6）得到的 $\omega_k^{n+1}$ 相当于模态函数功率谱的重心^[11]，会随着趋势项的大小而改变。试验表明，如果趋势项r(t)的功率谱重心频率ω_r(t)在原始信号f(t)的功率谱中起主导作用，即ω_f(t)的频率谱重心处于5 Hz以下时，分解后提取出的一阶IMF分量为信号的趋势项r(t)。

变分模态分解处理信号前需要设置参数：惩罚因子α和分解层数k。其中惩罚因子α的取值会影响分解精度，其取值越低各IMF分量的带宽越大，取值越高IMF分量的带宽越小，甚至会使得程序进入死循环，无法得到结果^{[11, 13]}。多数情况下，研究者^[14-18]默认将惩罚因子α设置为2倍的输入信号长度。

与惩罚因子α相比，分解层数k的取值更为重要，因为其取值直接影响分解结果。现阶段针对VMD分解中变量k的研究还处于起步阶段，且没有形成统一的求解方法。试验表明，含有较大趋势项，即频率谱重心处于5 Hz以下的爆破信号经过VMD算法分解后，得到的一阶IMF分量为信号趋势项，分解结果与k的取值无关，并随机选取某工程数组实测信号进行验证，试验结果如图1所示。图1中6种爆破信号趋势项都被较好地去除，表明采用上述参数的VMD分解法具有一定的去除爆破信号趋势项的能力。因此，含有较大趋势项的爆破信号经过VMD算法分解后，得到的一阶IMF即为趋势项，与k的取值无关。为了节省计算时间，VMD算法分解信号时应取k=2。

图 1 k=2的VMD分解结果

Figure 1. VMD decomposition results of k=2

下载: 全尺寸图片幻灯片

2.2 基于VMD的爆破信号趋势项去除方法

本文中根据爆破振动信号的特点，提出一种基于变分模态分解的微差延迟时间识别方法—VMD识别法，该方法能够准确地提取出信号的趋势项，并避免过度消除造成的信号失真现象，详细步骤如下：

（1）根据爆破振动信号的长度与采样频率等因素，按照前节方法确定VMD分解中输入参数α的值；分解层数k固定取值为2。

（2）提取出1阶IMF分量，此分量即为信号的趋势项。

（3）原始信号除去趋势项即可得到对应的无趋势信号。

3. VMD法适用条件的研究

为了验证本文中提出的VMD法的适用条件以及有效性，利用无趋势振动信号v(t)进行仿真实验。

$s\left( t \right) = v\left( t \right) + n\left( t \right)$

(9)

$n\left( t \right) = a\cos \left( {2{\text{π}}{f_1}t} \right) + b\sin \left( {2{\text{π}}{f_2}t} \right)$

(10)

式中：s(t)为组合的含有趋势项的爆破振动信号；v(t)为无趋势爆破振动信号；n(t)为添加的信号趋势项，其中a、b为趋势项的最大幅值，f₁、f₂为趋势项的振动频率。

爆破信号v(t)的采样频率为2 000，因此设置趋势项的采样频率也为2 000，采样点数N=2 000。以图2（a）中的原始无趋势爆破信号为例，将图2（b）所示的趋势项添加到原始信号中，对混合信号进行VMD分解，结果如图2（d）～（f）所示。为了研究VMD法的适用条件，将分解效果定义为^[14]：

图 2 爆破信号趋势项去除示意图

Figure 2. No trend blasting vibration signal

下载: 全尺寸图片幻灯片

$e_{\rm d} = \frac{{\displaystyle\mathop \sum \limits_{t = 0}^T \left| {{x_i}\left( t \right) - IM{F_i}\left( t \right)} \right|}}{{\displaystyle\mathop \sum \limits_{t = 0}^T \left| {{x_i}\left( t \right)} \right|}}$

(11)

式中：e_d为分解效果指标；T为信号长度。

通过多次试验发现分解指标e_d越大，分解结果与原始信号相差越大；e_d越接近于0，分解结果与原始信号相差越小，且当e_d＜0.1时分解效果较为理想。图2（f）为VMD法提取出混合信号的趋势项与实际趋势项的误差示意图，其分解效果e_d=0.042＜0.1，说明VMD法成功提取出了此混合信号的趋势项。

为了初步得到VMD分解法的适用条件，以不同参数的趋势项为例，通过改变趋势项的频率和振幅，从而得到不同参数下VMD法的分解指标分布图。分别以图2（a）和图1中的信号1作为原始信号1、2，处理结果如图3～4所示。

图 3 信号1的VMD法的分解指标分布图

Figure 3. The decomposition effect of VMD method of signal 1

下载: 全尺寸图片幻灯片

图 4 信号2的VMD法的分解指标分布图

Figure 4. VMD decomposition effect of signal 2

下载: 全尺寸图片幻灯片

观察图3可发现，VMD法对不同趋势项产生的分解效果不同，且趋势项的频率与振幅都会对VMD法分解指标产生影响。其中频率对分解指标的影响相对较小，当趋势项频率处于1～5 Hz之间时，频率对分解指标的影响基本保持不变。而振幅对分解指标影响显著且振幅越小，VMD法的分解效果越差。当趋势项振幅超过原始爆破信号最大振幅的1/3后，VMD法分解效果较好。

信号2的处理结果如图4（a）～（b）所示，其趋势项参数与图3（c）～（d）相同，对比分解指标分布图可以发现，趋势项的频率和振幅对分解指标的影响与信号1的结果相同，频率影响较小，振幅影响显著，且趋势项振幅超过原始爆破信号最大振幅的1/3后，VMD法分解效果较好。由此可见，VMD分解法消除信号趋势项具有一定的普适性。

4. VMD法与EMD法识别对比

某隧道工程的爆破施工共设有6个段别的雷管，起爆后监测的爆破振动信号如图5所示，图中4个测点的爆破信号均含有明显的趋势项，以该4次爆破信号为例，对信号依次进行EMD法和VMD法的趋势项去除处理，识别两种方法处理结果的6个段别雷管对应的最大波峰值并绘制表格，如表1所示。

表 1 EMD法与VMD法去除趋势项后的信号的波峰数值

Table 1. Peak value of the signal after removing the trend term by EMD method and VMD method

信号	消势方法	质点峰值振速/（m·s⁻¹）
信号	消势方法	波峰1	波峰2	波峰3	波峰4	波峰5	波峰6
1	EMD	0.071	0.055	0.045	0.056	0.055	0.091
1	VMD	0.070	0.053	0.046	0.056	0.052	0.090
2	EMD	0.076	0.063	0.059	0.048	0.125	0.067
2	VMD	0.075	0.064	0.059	0.047	0.123	0.068
3	EMD	0.065	0.047	0.043	0.040	0.042	0.034
3	VMD	0.065	0.046	0.044	0.040	0.041	0.035
4	EMD	0.076	0.022	0.029	0.032	0.030	0.013
4	VMD	0.075	0.022	0.028	0.034	0.032	0.013

下载: 导出CSV

| 显示表格

图 5 VMD法与EMD法的消势结果

Figure 5. VMD and EMD methods

下载: 全尺寸图片幻灯片

对比图5中经过EMD法与VMD法去除趋势项后的信号，发现两种方法消除趋势的结果接近；表2中经过两种方法处理的信号的峰值相差不大，最大差值为0.003 m/s，表明与EMD法相同，VMD法也具有消除爆破信号趋势项的能力。观察图5发现，EMD法处理后的前3条曲线的起始点都不在0点，即存在端点效应，而此现象是由EMD分解的本身算法造成的；且4条信号曲线都存在趋势项残留问题，例如测点1曲线在0～0.08 s时段应该为直线，但是仍然具有波动，说明振动信号的趋势项并没有被完全去除。端点效应以及趋势项残留都会对后续的信号处理工作产生一定的影响。而图5中经过VMD处理后的信号既不存在端点效应，也没有较多的趋势项残留，因此相比于EMD法，VMD法在去除爆破信号趋势项领域中具有更加广泛的适用性。

5. 结　论

针对变分模态分解的低频识别优势，详细分析了VMD算法在爆破信号趋势项去除中的应用，主要得出如下结论：（1） VMD算法的原理决定了它在低频信号识别中的优势，如果趋势项r(t)的功率谱中心频率ω_r(t)在原始信号f(t)的功率谱中起主导作用，则提取出的一阶IMF分量是信号的趋势项，与k的取值无关。结合现场数据进行不同k值的VMD分解，验证了结论的准确性。（2） VMD法对不同趋势项产生的分解效果不同，且趋势项的频率与振幅都会对VMD法分解效果产生影响。其中频率对分解效果的影响相对较小，当趋势项频率处于1～5 Hz之间时，频率对分解效果的影响基本保持不变。振幅对分解效果影响显著，振幅越小，VMD法的分解效果越差。（3） VMD法在消除信号趋势项时，与EMD法具有相近的识别效果，可以准确地提取出信号的趋势项，具有消除信号趋势项的能力。相比于EMD法，VMD法处理后的信号既不存在端点效应，也没有较多的趋势项残留，在去除爆破信号趋势项领域中具有更加广泛的适用性。

图 1 k=2的VMD分解结果

Figure 1. VMD decomposition results of k=2

下载: 全尺寸图片幻灯片

图 2 爆破信号趋势项去除示意图

Figure 2. No trend blasting vibration signal

下载: 全尺寸图片幻灯片

图 3 信号1的VMD法的分解指标分布图

Figure 3. The decomposition effect of VMD method of signal 1

下载: 全尺寸图片幻灯片

图 4 信号2的VMD法的分解指标分布图

Figure 4. VMD decomposition effect of signal 2

下载: 全尺寸图片幻灯片

图 5 VMD法与EMD法的消势结果

Figure 5. VMD and EMD methods

下载: 全尺寸图片幻灯片

表 1 EMD法与VMD法去除趋势项后的信号的波峰数值

Table 1. Peak value of the signal after removing the trend term by EMD method and VMD method

信号	消势方法	质点峰值振速/（m·s⁻¹）
信号	消势方法	波峰1	波峰2	波峰3	波峰4	波峰5	波峰6
1	EMD	0.071	0.055	0.045	0.056	0.055	0.091
1	VMD	0.070	0.053	0.046	0.056	0.052	0.090
2	EMD	0.076	0.063	0.059	0.048	0.125	0.067
2	VMD	0.075	0.064	0.059	0.047	0.123	0.068
3	EMD	0.065	0.047	0.043	0.040	0.042	0.034
3	VMD	0.065	0.046	0.044	0.040	0.041	0.035
4	EMD	0.076	0.022	0.029	0.032	0.030	0.013
4	VMD	0.075	0.022	0.028	0.034	0.032	0.013

下载: 导出CSV

参考文献(18)

[1]	韩亮, 刘殿书, 辛崇伟, 等. 深孔台阶爆破近区振动信号趋势项去除方法 [J]. 爆炸与冲击, 2018, 38(5): 1006–1012. DOI: 10.11883/bzycj-2016-0194. HAN L, LIU D S, XIN C W, et al. Trend removing methods of vibration signals of deep hole bench blasting in near field [J]. Explosion and Shock Waves, 2018, 38(5): 1006–1012. DOI: 10.11883/bzycj-2016-0194.
[2]	何鹏举, 冯亮. 加速度信号随机噪声及趋势项实时消除方法研究 [J]. 电子设计工程, 2013, 21(14): 18–22. DOI: 10.3969/j.issn.1674-6236.2013.14.006. HE P J, FENG L. Study on the real-time elimination method of random noise and trend terms in acceleration signal [J]. Electronic Design Engineering, 2013, 21(14): 18–22. DOI: 10.3969/j.issn.1674-6236.2013.14.006.
[3]	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): 330–333. DOI: 10.3969/j.issn.1006-9348.2010.08.081. XIAO L B, REN J T, YANG H F. Study on vibration signal pre-processing method based on MATLAB [J]. Computer Simulation, 2010, 27(8): 330–333. DOI: 10.3969/j.issn.1006-9348.2010.08.081.
[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. DOI: 10.6052/j.issn.1000-4750.2011.02.0093. LONG Y, XIE Q M, ZHONG M S, et al. Research on trend removing methods in preprocessing analysis of blasting vibration monitoring signals [J]. Engineering Mechanics, 2012, 29(10): 63–68. DOI: 10.6052/j.issn.1000-4750.2011.02.0093.
[5]	李夕兵, 张义平, 刘志祥, 等. 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. DOI: 10.11883/1001-1455(2005)06-0528-08. LI X B, ZHANG Y P, LIU Z X, et al. Wavelet analysis and Hilbert Huang transform of blasting vibration signal [J]. Explosion and Shock Waves, 2005, 25(6): 528–535. DOI: 10.11883/1001-1455(2005)06-0528-08.
[6]	张庆华, 王太勇, 徐燕申. 小波分析在压缩机噪声信号去除趋势项处理中的应用 [J]. 中国制造业信息化, 2003(2): 114–116. DOI: 10.3969/j.issn.1672-1616.2003.02.034. ZHANG Q H, WANG T Y, XU Y S. Application of wavelet analysis in noise signal of compressor [J]. Machine Design and Manufacturing Engineering, 2003(2): 114–116. DOI: 10.3969/j.issn.1672-1616.2003.02.034.
[7]	张胜, 凌同华, 曹峰, 等. 模式自适应连续小波去除趋势项方法在爆破振动信号分析中的应用 [J]. 爆炸与冲击, 2017, 37(2): 255–261. DOI: 10.11883/1001-1455(2017)02-0255-07. ZHANG S, LING T H, CAO F, et al. Application of removal trend method of patter adapted continuous wavelet to blast vibration signal analysis [J]. Explosion and Shock Waves, 2017, 37(2): 255–261. DOI: 10.11883/1001-1455(2017)02-0255-07.
[8]	凌同华, 张胜, 陈倩倩, 等. 模式自适应小波构造与添加及其在爆破振动信号分析中的应用 [J]. 振动与冲击, 2014, 33(12): 53–57. DOI: 10.13465/j.cnki.jvs.2014.12.009. LING T H, ZHANG S, CHEN Q Q, et al. Pattern adapted wavelet construction and addition and its application in blast vibration signal analysis [J]. Journal of Vibration and Shock, 2014, 33(12): 53–57. DOI: 10.13465/j.cnki.jvs.2014.12.009.
[9]	张慧娟, 李冬. 相关系数判决的EMD在振动数据趋势项提取中的应用 [J]. 舰船电子工程, 2018, 38(5): 159–163. DOI: 10.3969/j.issn.1672-9730.2018.05.038. ZHANG H J, LI D. Application of EMD of correlation coefficient judgment in the extraction of vibration data trend [J]. Ship Electronic Engineering, 2018, 38(5): 159–163. DOI: 10.3969/j.issn.1672-9730.2018.05.038.
[10]	郭小红, 徐小辉, 赵树强. 基于经验模态分解的外弹道降噪方法及应用 [J]. 宇航学报, 2008(4): 1272–1275. DOI: 10.3873/j.issn.1000-1328.2008.04.034. GUO X H, XU X H, ZHAO S Q. Control allocation strategy for composite control of new unmanned-air vehicle [J]. Journal of Astronautics, 2008(4): 1272–1275. DOI: 10.3873/j.issn.1000-1328.2008.04.034.
[11]	DRAGOMIRETSKIY K,ZOSSO D. Variational mode decomposition [J]. Transactions on Signal Processing, 2013, 10(1109): 1–15. DOI: 10.1109/TSP.2013.2288675.
[12]	刘宏波. 基于改进VMD-HT的电力系统低频振荡模态辨识[D]. 哈尔滨: 哈尔滨工业大学, 2018.
[13]	吴文轩, 王志坚, 张纪平, 等. 基于峭度的VMD分解中k值的确定方法研究 [J]. 机械传动, 2018, 42(8): 153–157. WU W X, WANG Z J, ZHANG J P, et al. Research of the method of determining k value in VMD based on kurtosis [J]. Journal of Mechanical Transmission, 2018, 42(8): 153–157.
[14]	马洪斌, 佟庆彬, 张亚男. 优化参数的变分模态分解在滚动轴承故障诊断中的应用 [J]. 中国机械工程, 2018, 29(4): 390–397. DOI: 10.3969/j.issn.1004-132X.2018.04.003. MA H B, ZHAI Q B, ZHANG Y N. Application of optimization parameters VMD to fault diagnosis of rolling bearings [J]. China Mechanical Engineering, 2018, 29(4): 390–397. DOI: 10.3969/j.issn.1004-132X.2018.04.003.
[15]	蒲子玺, 殷红, 张楠, 等. 基于峭度准则VMD及平稳小波的轴承故障诊断 [J]. 机械设计与研究, 2017, 33(1): 67–71. PU Z X, YIN H, ZHANG N, et al. Bearing fault diagnosis using VMD and stationary wavelet method based on kurtosis criterion [J]. Machine Design and Research, 2017, 33(1): 67–71.
[16]	马增强, 李亚超, 刘政, 等. 基于变分模态分解和Teager能量算子的滚动轴承故障特征提取 [J]. 振动与冲击, 2016, 35(13): 134–139. DOI: 10.13465/j.cnki.jvs.2016.13.022. MA Z Q, LI Y C, LIU Z, et al. Rolling bearings' fault feature extraction based on variational mode decomposition and Teager energy operator [J]. Journal of Vibration and Shock, 2016, 35(13): 134–139. DOI: 10.13465/j.cnki.jvs.2016.13.022.
[17]	刘长良, 武英杰, 甄成刚. 基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断 [J]. 中国电机工程学报, 2015, 35(13): 3358–3365. DOI: 10.13334/j.0258-8013.pcsee.2015.13.020. LIU C L, WU Y J, ZHEN C G. Rolling bearing fault diagnosis based on variational mode decomposition and fuzzy C means clustering [J]. Proceedings of the CSEE, 2015, 35(13): 3358–3365. DOI: 10.13334/j.0258-8013.pcsee.2015.13.020.
[18]	赵昕海, 张术臣, 李志深, 等. 基于VMD的故障特征信号提取方法 [J]. 振动、测试与诊断, 2018, 38(1): 11–19+202. DOI: 10.16450/j.cnki.issn.1004-6801.2018.01.002. ZHAO X H, ZHANG S C, LI Z C, et al. Application of new denoising method based on VMD in fault feature extraction [J]. Journal of Vibration, Measurement & Diagnosis, 2018, 38(1): 11–19+202. DOI: 10.16450/j.cnki.issn.1004-6801.2018.01.002.

施引文献

期刊类型引用(14)

1.	魏佳帅，白镇熇，陈克，王楷焱. VMD-SVD组合降噪方法在工况传递路径分析中的应用. 沈阳理工大学学报. 2025(02): 20-27 . 百度学术
2.	代树红，张战军，柳凯，郑昊，孙清林. 基于PEMD-MPE算法的露天矿爆破振动信号降噪方法. 黄金科学技术. 2024(01): 82-90 . 百度学术
3.	李祥龙，余林，黄原明，陈浩，赵艳伟. 基于VMD-HHT的井下预裂爆破振动效应分析. 黄金科学技术. 2024(03): 501-510 . 百度学术
4.	叶海旺，钟航，周汉红，欧阳枧，龙桂华，雷涛，李立峰，王炯辉，赵明生，余红兵. 基于VMD及能量熵的隧道爆破振动信号降噪方法. 金属矿山. 2024(11): 111-117 . 百度学术
5.	莫宏毅，徐振洋，刘鑫，张久洋，姜厦航. 基于SSA-VMD的爆破振动信号趋势项去除方法. 振动与冲击. 2023(11): 304-312+330 . 百度学术
6.	李春兰，王静，石砦，王长云，罗杰，任鹏. 基于VMD-LSTM的触电电流提取方法研究. 湖南大学学报(自然科学版). 2022(02): 149-159 . 百度学术
7.	梁尔祝，徐淼，谷传宝，莫宏毅，徐振洋. 基于SA-GA模糊熵的VMD算法在爆破振动信号分解中的应用. 金属矿山. 2022(02): 75-82 . 百度学术
8.	付晓强，俞缙，刘纪峰，杨仁树，戴良玉. 隧道爆破振动信号畸变校正与混沌多重分形特征研究. 振动与冲击. 2022(06): 76-85 . 百度学术
9.	郭佳辉，高一轩，刘昌伟，祖旭东. 基于VMD变分模态分解的冲击波信号时频分析. 弹箭与制导学报. 2022(01): 118-122 . 百度学术
10.	费鸿禄，山杰. CEEMDAN-小波阈值法在爆破振动信号处理中的应用. 爆破. 2022(03): 41-47+164 . 百度学术
11.	王海龙，赵岩，王海军，彭婵媛，仝潇. 基于CEEMDAN-小波包分析的隧道爆破信号去噪方法. 爆炸与冲击. 2021(05): 125-137 . 本站查看
12.	钱欢，蒋沅，王海涛. 基于灰色预测模型的EMD端点效应抑制方法. 南昌航空大学学报(自然科学版). 2021(02): 21-26 . 百度学术
13.	王海龙，李云赫，赵岩. k值优化VMD-小波包分析联合降噪方法在隧道爆破信号中的应用. 爆破器材. 2021(05): 50-57 . 百度学术
14.	张佳，赵岩. 基于CEEMDAN法的隧道爆破信号趋势项去除. 爆破器材. 2021(06): 58-64 . 百度学术

其他类型引用(15)

资源附件(0)

访问统计

图(5) / 表(1)

计量

文章访问数: 5829
HTML全文浏览量: 2358
PDF下载量: 98
被引次数: 29

1. 变分模态分解原理
1.1 变分问题的构造
1.2 变分问题的求解
2. 基于变分模态分解的趋势项消除方法
2.1 VMD法的优化原理和参数确定
2.2 基于VMD的爆破信号趋势项去除方法
3. VMD法适用条件的研究
4. VMD法与EMD法识别对比
5. 结　论

变分模态分解在爆破信号趋势项去除中的应用

doi: 10.11883/bzycj-2019-0092

作者简介: 贾 贝（1993－ ），男，博士研究生，m13520710717_1@163.cn

通讯作者: 刘殿书（1960－ ），男，博士，教授，博士生导师，lds@cumtb.edu.cn

计量

出版历程