1前言地微振动信号是在场地利用高灵敏度仪器观测到的一种随时间变化的微弱随机振动。它包涵着丰富的地球物理信息。但是,场地微振动对外界干扰极为敏感,如车辆通行、施工振动、人员走动甚至天气变化等。另一方面,来自测量系统本身的干扰也是难以克服的,如零点漂移甚至电缆干扰等。因此,在测量信号中难以避免地携带了诸多虚假信息。如何去伪存真、去粗取精,从而给出一个客观、科学的结论是十分必要的。事实上,场地微振动测量信号的数据处理涉及概率论与数理统计、随机过程与数字信号处理等诸多学科。但是,与采集仪器捆绑在一起的数据处理软件,功能往往过于简单,很难满足实际的工程需要。同时,软件加密使得工程技术人员很难通过对程序的改动来实现必要的功能,从而带来了一定的困难。本文结合工程实例,介绍了Matlab在场地微振动测量信号数据处理中的应用,以期能为工程实践提供有益的参考。2测量信号的数据处理21数据检验的一般方法场地微振动是地球表面某地的一种“稳定的”、“非重复性的”、“固有的”微振动[1],故不携带虚假信息的测量信号应该是平稳的、各态历经的、不含确定性周期信号的随机信号。其信号的检验方法如下:1)平稳性平稳性检验的方法一般采用轮次法。轮次法是用样本参数的独立程度来判断是否平稳。假定该测量信号是平稳的,将数据样本分成k组,计算各组的均值、均方值,从而可得到该均值、均方值序列相对其中值的轮次数。取定显著性水平,可确定轮次数的接受域。2)各态历经性所谓“各态历经”,是指随机过程中的任一实现(样本函数)都经历了随机过程的所有可能状态。因此,可用一个实现的统计特性来了解整个过程的统计特性,从而使“统计平均”化为“时间平均”,使实际测量和计算的问题大为简化。平稳的场地微振动信号一般均能满足各态历经条件。在对测量信号进行数据分析时,只要记录时间足够长,则一次记录可以反映所有样本的特征。3)周期性对测量信号作自相关分析,如果自相关曲线不收敛而呈周期性变化,表示混有周期性的干扰信号,应予排除。此外,对于场地微振动的强度分析,了解其概率分布特征是十分必要的。对测量信号进行统计处理,得到其区间分布直方图和累积概率曲线,从直方图和累积概率曲线的形状可大致判断其概率分布。22频谱分析的一般方法卓越周期在频率域上处理时,可由傅立叶谱或功率谱的峰值周期确定[1]。傅立叶谱可采用FFT直接计算。但是,严格地讲,随机信号是无始无终具有无限能量的,所以其傅立叶变换并不存在。因此,需要研究其在频域上的功率分布情况,即功率谱密度或功率谱。大量的观测实践表明,实测场地的原始地微动信号比较复杂,其频谱特征往往出现频带较宽、多个峰值和主峰不突出等现象。由此确定的卓越周期常常存在一定的偏差。因此,有必要用多种功率谱识别方法互为补充和验证。在经典谱估计法中,直接法和间接法的方差性能很差,而且当数据长度太大时,谱曲线起伏加剧;若数据长度太小,则谱的分辨率又不好,所以需要改进。改进的直接谱估计方法有Bartlett法和Welch法等。然而,经典谱估计法是按照观察到的N个样本值进行谱估计的。它实际上认为此N个数据之外的x(n)=0,这显然是不符合实际的,该项假设必然导致其分辨率不高。现代谱估计则不再简单地将观测区外的数据假设为零,而是先就观测数据估计模型参数,再按照求模型输出功率的方法估计信号功率谱,从而回避了数据观测区外的数据假设问题。实际上,其中隐含了数据外推。可以看出,现代谱估计方法的性能优于经典谱估计。23两种数据处理手段的比较传统的数据处理依靠与采集仪器捆绑在一起的数据处理软件。但是,该软件的数据处理功能十分有限。测试人