基于TQWT能量选择算法隧道爆破信号特征提取分析

付晓强，刘纪峰，崔秀琴，张会芝，张世平，雷振

基于TQWT能量选择算法隧道爆破信号特征提取分析

付晓强1, 2，刘纪峰1, 2，崔秀琴1, 2，张会芝1, 2，张世平3，雷振4

(1. 三明学院 建筑工程学院，福建 三明 365004；2. 工程材料与结构加固福建省高等学校重点实验室，福建 三明 365004；3. 太原理工大学 矿业工程学院，山西 太原 030024；4. 贵州理工学院，贵州 贵阳 550003)

以悬泉寺隧道掘进工程为背景，对隧道爆破振动进行监测。利用可调品质因子小波变换(Tunable Q-factor Wavelet Transform)优良的能量优化选择能力，实现信号高、低品质因子成分及所含高频强噪声的分离。通过对高、低品质因子优化分解子带能量人工判别，选取优势能量子带进行信号重组，得到最能体现信号特征的最佳分析信号。对最佳信号的分析结果表明：隧道爆破不同批次雷管混用导致MS3～MS5段间延时时差超过了设计值，爆破信号归一化短时傅里叶(Normalized Short Time Fourier Transform, NSTFT)时频分布说明隧道爆破主频与各段别起爆波形中心频率均值较为接近，体现了各段雷管起爆能量对信号能量分布的贡献。隧道爆破信号精细化分析在隧道爆破振动特征提取、雷管微差间隔识别和信号主频的判别等方面具有很好的工程应用价值。

铁路隧道；爆破振动；可调品质因子小波变换；能量特征；时频分析

随着我国山区铁路建设速度的加快，越来越多的新建隧道被开挖。传统的钻爆法施工过程中，爆破次生灾害如爆破振动、飞石等问题不可忽视，尤其以爆破振动效应最为突出。因此，开展持续有效的振动监测对于隧道安全高效施工起着举足轻重的作用[1−4]。隧道爆破振动信号包含着反映爆破施工参数等重要信息，对振动信号科学分析对于有效控制爆破振动效应，优化爆破网孔特征参数具有很好的工程应用价值。与隧道爆破振动有关的参数如振动幅值、主频和能量分布等都可以通过相关的分析方法获取，从而准确把握爆破孔网参数设计与采集波形之间的关联性。近几年来，隧道爆破信号特征提取得到广泛的关注。赵铁军等[5]以新建铁路隧道为例，重点对隧道周边孔爆破产生的振动进行了分析，得到了振动信号的主频与能量分布特征。汪平等[6]采用HHT方法对京张高铁工程为背景，分析了小间距隧道爆破掘进在紧邻既有隧道迎爆侧洞壁处的振动信号特征，确定了该隧道爆破振动主频和能量峰值时刻。魏新江等[7]以实际隧道掘进工程为例，通过对隧道爆破信号进行分析，得到了该隧道不同爆心距处的能量衰减规律，研究了振速、主频和能量间的关系。基于上述成果，本文对山西古交新建悬泉寺隧道钻爆法施工产生的振动进行了监测，并采用品质可调小波变换(TQWT)对爆破振动信号特征进行了分析，获取了信号在高、低品质小波下的能量分布特征。通过信号优化重组，得到了反映爆破参数的最佳特征信号，进一步分析得到了隧道所采用的雷管微差延时时差及各段别雷管起爆能量在时频谱上的分布形态及主频特征，对该地形下隧道的高效安全掘进具有一定的指导意义。

1 工程概况

新悬泉寺隧道位于山西省古交市汾河二库景区，最大埋深约为190 m，进口端DK20+494.77～DK20+504.25桥隧相连段，穿越弱风化石灰岩层，隧道全长883.23 m，左侧距既有太岚线最近线中心间距约为14 m。该隧道采用钻爆法施工，设计净宽为6.16 m，净高为8.27 mm，开挖岩性为中、细砂岩为主，普氏系数4~6，图1为隧道施工现场炮眼布置。

单位：mm

爆破采用2号岩石乳化炸药，导爆管雷管反向起爆，周边眼药卷直径25 mm，其余炮眼药卷为32 mm。隧道掘进采用复式楔形掏槽，为了尽可能降低爆破产生的振动，选用多段别雷管跳段使用，其具体爆破参数见表1。

表1 隧道爆破参数表

注：隧道设计进尺2.1 m，断面积49.3 m2，设计爆破方量103.5 m3，设计单耗0.54 kg/m3。

2 测点布置与信号采集

为了客观评价隧道掘进产生的振动强度大小，采用四川拓普测控生产的UBOX−5016型测振仪对隧道开挖进行了监测。测点选择在既有太岚线避车硐室内，如图2所示，这样可避免测试对既有线的运行的影响并保证测试数据的可靠性[8−10]。

图2 测点与隧道位置关系

测点布置在结构完整稳定的衬砌表面，将钻有定位孔角钢通过膨胀螺栓固定在避车硐室壁，拾振器使用配备的螺钉拧紧在角钢定位孔中，孔间距要满足规定的要求，防止不同探头之间触碰接触造成采集波形失真。测点高度与隧道掏槽眼中心平齐，与新建隧道左帮距离为4.5 m。

为了完整记录爆破振动波形并保证测试精度，设置仪器的采样频率为10 kHz，采样时间2 s。现场测振仪三向振速拾振器探头都准确采集并记录到隧道掘进不同方向的振动时程波形曲线，也验证了该测试方法的可行性。目前，爆破振速和主频仍是体现爆破振动效应的较为权威的评价标准，《爆破安全规程》(GB6722—2014)规定：主频≦15 Hz，允许振速为10～12 cm/s；10 Hz≦≦50 Hz，允许振速12～15 cm/s；≧50 Hz，允许振速15～20 cm/s。由于本隧道位于汾河二库国家水利风景区内，存在大型水利枢纽工程且游客较多，隧道距离文物保护区悬泉寺较近，综合考虑,业主方拟定新建隧道掘进安全振速允许值不超过5 cm/s。通过监测发现该方案下的爆破振速偏于安全，同时沿着隧道掘进轴线方向(水平径向)的振速最大并且信号的辨识度最高。因此，选择水平径向的振速波形作为分析对象，该方向振动主频为53.25 Hz，振速波峰值为3.42 cm/s，波谷值为2.68 cm/s，峰峰值差为6.1 cm/s，波形曲线如图3所示。

图3 隧道水平径向波形曲线

从图3中隧道水平径向波形曲线可知，峰值振速均由隧道掏槽部分起爆引起，这是由于掏槽段起爆自由面单一，并未形成类似辅助眼、周边眼等附加的自由面，致使岩体夹制作用大引起的，体现了单自由面爆破炸药能量释放的不均衡性。爆破信号中包含着反映隧道爆破特征参数的信息，爆破信号分析对爆破孔网参数的优化具有重要的意义。通过可调品质因子小波变换(TQWT)精确优良的信号能量辨识能力，可准确提取隧道爆破信号的能量分布和波形特征。

3 基于能量选择的隧道爆破信号特征提取

3.1 TQWT算法原理

有限长度的信号时间序列的可调品质小波变换可表述为[11−12]：

1) 对信号进行离散傅里叶变换(DFT)，获得变换矩阵；

2) 采用滤波器组对信号矩阵进行分解，分别得到高通小波子带和低通小波子带，分别对应于信号包含的低频概貌和高频细节。0()与1()分别为低通滤波器和高通滤波器的传递函数：

式中：和分别为低通和高通滤波器的尺度变换参数；()具有二阶消失矩的频响函数。其表达 式为：

TQWT变换的3个重要参数为：品质因子，过采样率和分解层数，这3个参数的选取对信号稀疏表示效果意义重大。

品质因子体现了非线性信号的振荡特性，定义为信号的中心频率与带宽的比值。它与高通滤波器的尺度变换因子的关系为[13−14]：

式中：0为信号中心频率；为信号带宽。值越大，信号的振荡特性越强烈，反之，信号的振荡特性越低。

过采样率控制着小波的冗余度，当≈1时，滤波器的过渡带会很窄，时域响应受到很大限制，通常选取值为3。其与滤波器尺度参数和的关系为[15]：

分解层数表示双通道滤波器组的数目，级分解会得到个高通子带，1个低通子带。受滤波器带宽的限制，最大分解层数为：

式中：[ ]表示向下取整运算。

3.2 隧道爆破信号分析结果

相对于传统的小波分析方法，可调品质因子小波变换可不依赖小波基函数而根据波形特征变化需要设定其品质因子大小[16]。图3中爆破信号的采样频率为10 kHz，则其奈奎斯特频率为5 000 Hz，设定高品质因子4，冗余因子3，信号数据长度为8 976，根据式(6)计算确定分解层数，这样便得到34个子带。因前17个子带和33、34子带能量占比均较小，因此这里重点输出18~32子带波形特征如图4(c)所示。

隧道爆破信号TQWT高品质因子分解归一化频响曲线见图4(a)，分解得到的34个子带及能量占比分布见图4(b)，信号的频带能量占比分布见图4(d)。采用低品质因子1，冗余因子3，确定分解层数13，最终得到14个子带，由于1~3及14子带能量占比均较小，其余子带波形特征如图5(c)所示。信号TQWT低品质因子分解归一化频响曲线见图5(a)，分解得到的14个子带及能量占比分布见图5(b)，信号的频带能量占比分布见图5(d)。

图4(a)和图5(a)中归一化频响曲线的形态表明频率响应为一组变带宽滤波器组，且相邻频带不正交。从高、低品质小波分解得到的子带波形可知：随着分解层数的增加，子带振动时间随之增加。图4(d)和图5(d)信号频带能量占比分布均呈正态分布，在置信区间内具有显著的统计学意义。低品质因子分解得到的频带能量比高品质因子分解得到的响应频带更广，频率响应范围更宽泛。

(a) 归一化频响曲线；(b) 子带；(c) 特征子带时域波形；(d) 频带能量占比

(a) 归一化频响曲线；(b) 子带；(c) 特征子带时域波形；(d) 频带能量占比

3.3 TQWT优化分解过程实现

通过有限次数的迭代计算，原始信号最终被分解为3个存在显著特征差异的子信号，如图6(a)所示。其中，第1分量为稀疏化的高品质因子成分，第2分量为稀疏化的低品质因子成分，第3个分量为信号中包含的高频低幅随机噪声。优化后的高、低品质分量各自的子带能量占比如图6(b)和6(c)。

(a1)，(a2)，(a3) 优化分解结果；(b) 优化高品质因子子带；(c) 优化低品质因子子带

选取高、低品质因子优化分解得到的子带能量中符合正态分布特征的21~28子带及5~12子带进行信号重构，得到了最佳分析信号，如图7(a)所示。对最佳信号进行Hilbert变换并取模值，得到了隧道爆破所使用雷管延期识别结果，如图7(b)所示。

图7(b)中清晰展示了隧道爆破所用各段别雷管的实际起爆时刻，分别为：9.8，32.6，131.5，209.8，326.5，471.8，594.4和814 ms，说明该隧道爆破信号是由8段雷管起爆波形叠加组合而成。由于雷管生产过程的影响，实践中各段别雷管均存在一定的误差范围，通过计算确定各段雷管延时时差分别为：0，22.8，98.9，78.3，116.7，145.3，122.6和219.6 ms。

与表2中厂家提供的雷管理论值进行比对发现MS3～MS5段实际起爆间隔超出了标准值，现场调查发现施工人员在装药过程中，使用的MS5段雷管与其他段别雷管属于不同批次，不同批次雷管混用导致实际MS3～MS5段间的延期误差过大，在使用过程中要引起足够的重视，避免不同批次雷管混用而导致的延时时差不精确，以防产生振速叠加和大块率现象。为了便于对比，这里采用同批次雷管爆破信号进行上述分析，得到延期识别如图7(c)所示，提取MS3～MS5段之间的延时时差为64.6 ms，位于误差允许范围内，同时MS5段起爆波形振幅和模值也较低，体现了干扰降振效果。

图8中信号归一化短时傅里叶变换时频谱清晰展现了不同段别雷管起爆在时频空间上的能量分布形态，各段别雷管能量在时频平面上的聚集程度与各段雷管起爆时刻一一对应，除了掏槽段MS1段起爆波形能量中心频率为21 Hz外，其余段能量中心频率分别为57，50，63，67，62，53和57 Hz，得到信号中心频率均值为53 Hz左右，与信号振动主频较为接近，体现了各段别雷管起爆波形中心频率对信号振动主频的贡献程度。

(a) 最佳分析信号；(b) 延期识别结果(不同批次雷管混用)；(c) 延期识别结果(使用同批次雷管)

表2 厂方提供雷管微差起爆延时时差数据

图8 信号NSTFT时频谱

4 结论

1) 在既有避车硐室内布置测点科学合理，操作简便，对正常施工干扰小，实践证明是可行的。隧道爆破振动信号具有多振型、多峰值的特点，振动强度最大值通常是由于掏槽段起爆引起的。其原因在于掏槽段起爆自由面较为单一，岩石的夹制作用强，起爆瞬间难以形成足够的补偿空间。

2) TQWT算法实现了隧道爆破信号非线性特征的精确提取，利用能量选择结合人工判别方式，可得到最佳特征信号，其Hilbert变换取模值的结果说明隧道此次爆破中不同批次雷管混用导致MS3～MS5段间延期时间超过了设计值，在实际施工中应避免不同批次雷管混用，防止安全事故的发生并减少大块率的产生。

3) 隧道信号TQWT分解最佳特征信号的NSTFT分析可展现不同段别雷管起爆形成的波形在时频空间的分布形态，其中掏槽段起爆波形的中心频率最低，辅助眼和周边眼起爆波形的中心频率较高。隧道爆破信号的振动主频与各段别雷管起爆中心频率的均值较为接近，为振动主频的判别提供了科学依据。

[1] 付晓强, 雷振, 刘幸, 等. 城市浅埋隧道下穿密集建筑群控制爆破技术[J]. 科学技术与工程, 2019, 19(2): 223−227. FU Xiaoqiang, LEI Zhen, LIU Xing, et al. Controlled blasting technology of shallow tunnels crossing underneath intensive existing buildings in urban area[J]. Science Technology and Engineering, 2019, 19(2): 223− 227.

[2] YANG J H, JIANG Q H, ZHANG Q B, et al. Dynamic stress adjustment and rock damage during blasting excavation in a deep-buried circular tunnel[J]. Tunnelling and Underground Space Technology, 2018(71): 591−604.

[3] 耿大新, 陶彪, 于洋, 等. 双向聚能光面爆破周边眼参数确定的新方法[J]. 铁道科学与工程学报, 2019, 16(2): 435−442. GENG Daxin, TAO Biao, YU Yang, et al. New method for calculation of tunnel smooth blasting contour hole parameters[J]. Journal of Railway Science and Engineering, 2019, 16(2): 435−442.

[4] LI Xibing, LI Chongjin, CAO Wenzhuo, et al. Dynamic stress concentration and energy evolution of deep-buried tunnels under blasting loads[J]. International Journal of Rock Mechanics and Mining Sciences, 2018, 104: 131− 146.

[5] 赵铁军, 姜殿科, 周明, 等. 隧道周边孔爆破振动信号分析[J]. 工程爆破, 2017, 23(5): 38−43. ZHAO Tiejun, JIANG Dianke, ZHOU Ming, et al. Vibration signal analysis of tunnel periphery hole blasting[J]. Engineering Blasting, 2017, 23(5): 38−43.

[6] 汪平, 孟海利. 基于HHT方法对紧邻既有隧道爆破振动信号的分析[J]. 工程爆破, 2018, 24(6): 70−74. WANG Ping, MENG Haili. Analysis of adjacent existing tunnel blasting vibration signal based on HHT method[J]. Engineering Blasting, 2018, 24(6): 70−74.

[7] 魏新江, 谢超, 丁玉琴. 基于平均频率和HHT变换的隧道爆破震动信号研究[J]. 矿业研究与开发, 2017, 37(7): 13−18. WEI Xinjiang, XIE Chao, DING Yuqin. Study on the signals of tunnel blasting vibration based on average frequency and HHT method[J]. Mining Research and Development, 2017, 37(7): 13−18.

[8] Mohammadi H, Barati B, Chamzini A Y. Prediction of blast-induced overbreak based on geo-mechanical parameters, blasting factors and the area of tunnel face[J]. Geotechnical and Geological Engineering, 2018, 36(1): 425−437.

[9] YANG J H, YAO C, JIANG Q H, et al. 2D numerical analysis of rock damage induced by dynamic in situ stress redistribution and blast loading in underground blasting excavation[J]. Tunnelling and Underground Space Technology, 2017(70): 221−232.

[10] 彭怀德, 刘敦文, 褚夫蛟, 等. 硬岩隧道高压气体膨胀破岩开挖试验[J]. 岩土力学, 2018, 39(1): 242−248. PENG Huaide, LIU Dunwen, CHU Fujiao, et al. Test on high pressure gas expansion rock fragmentation in hard rock tunnel[J]. Rock and Soil Mechanics, 2018, 39(1): 242−248.

[11] 王晓龙, 唐贵基, 周福成. 自适应可调品质因子小波变换在轴承早期故障诊断中的应用[J]. 航空动力学报, 2017, 32(10): 2467−2475. WANG Xiaolong, TANG Guiji, ZHOU Fucheng. Application of adaptive tunable Q-factor wavelet transform on incipient fault diagnosis of bearing[J]. Journal of Aerospace Power, 2017, 32(10): 2467−2475.

[12] Bharath I, Devendiran S, Reddy D M, et al. Bearing condition monitoring using tunable Q-factor wavelet transform, spectral features and classification algorithm [J]. Materials Today: Proceedings, 2018, 5(5): 11476− 11490.

[13] 高倩, 陈晓英, 孙丽颖. 基于稀疏表示的TQWT在低频振荡信号去噪中应用[J]. 电力系统保护与控制, 2016, 44(13): 55−60. GAO Qian, CHEN Xiaoying, SUN Liying. Low frequency oscillating signals denoising based on TQWT via sparse representation[J]. Power System Protection and Control, 2016, 44(13): 55−60.

[14] KONG Yun, WANG Tianyang, CHU Fulei. Adaptive TQWT filter based feature extraction method and its application to detection of repetitive transients[J]. Science China Technological Sciences, 2018, 61(10):1556−1574.

[15] 杨仁树, 付晓强, 杨国梁,等. 基于CEEMD与TQWT组合方法的爆破振动信号精细化特征提取[J]. 振动与冲击, 2017, 36(3): 38−45.YANG Renshu, FU Xiaoqiang,YANG Guoliang,et al. Precise feature extraction of blasting vibration signals based on combined method of CEEMD and TQWT[J]. Journal of Vibration and Shock, 2017, 36(3): 38−45.

[16] Patidar S, Panigrahi T. Detection of epileptic seizure using Kraskov entropy applied on tunable-Q wavelet transform of EEG signals[J]. Biomedical Signal Processing & Control, 2017(34): 74−80.

Extraction and analysis of tunnel blasting signal characteristics based on TQWT energy selection algorithms

FU Xiaoqiang1, 2, LIU Jifeng1, 2, CUI Xiuqin1, 2, ZHANG Huizhi1, 2, ZHANG Shiping3, LEI Zhen4

(1. School of Civil Engineering, Sanming University, Sanming 365004, China; 2. Key Laboratory of Engineering Material & Structure Reinforement in Fujian Province College (Sanming University), Sanming 365004, China; 3. College of Mining Technology, Taiyuan University of Technology, Taiyuan 030024, China;4. Guizhou Institute of Technology, Institute of Mining Engineering, Guizhou, Guiyang 550003, China)

Based on the excavation project of Xuan-quansi Tunnel, the blasting vibration of the tunnel was effectively monitored. The tunable Q-factor Wavelet Transform was used to realize the separation of high and low quality factor components from high frequency and strong noise. Through the artificial discrimination of sub-band energy of optimal decomposition of high-and low-quality factors, the dominant energy sub-band was selected for signal reconstruction, and the most optimal analysis signal that best reflected the signal characteristics was obtained. The analysis results show that the delay time between MS3 and MS5 segments of the batch detonators used in tunnel blasting exceeds the design value due to the mixed use of different batches of detonators. The time-frequency distribution of the blasting signal in Normalized Short Time Fourier Transform (NSTFT) indicates that the main frequency of the tunnel blasting signal is close to that of the mean center frequency of the detonator wave in each section, which reflects the contribution of the detonator initiation energy to the energy distribution of the signal. The fine analysis of tunnel blasting signal has good engineering application value in the extraction of blasting vibration characteristics, the identification of detonator millisecond interval and the discrimination of main frequency of blasting signal.

railway tunnel; blasting vibration; tunable Q-factor wavelet transform; energy feature; time frequency analysis

TD235.1

A

1672 − 7029(2020)02 − 0405 − 08

10.19713/j.cnki.43−1423/u.T20190350

2019−04−28

三明市引导性科技资助项目(2019-S-28)；福建省中青年教师教育科研资助项目(JAT190697)；三明学院引进高层次人才科研启动经费资助项目(18YG13)

付晓强(1984−)，男，山西运城人，讲师，博士，从事岩石动力学与防震减灾方面的工作；E−mail：fuxiaoqiang1984@163.com

(编辑 蒋学东)