CN109813269B - 结构监测传感器在线校准数据序列匹配方法 - Google Patents
结构监测传感器在线校准数据序列匹配方法 Download PDFInfo
- Publication number
- CN109813269B CN109813269B CN201910136330.6A CN201910136330A CN109813269B CN 109813269 B CN109813269 B CN 109813269B CN 201910136330 A CN201910136330 A CN 201910136330A CN 109813269 B CN109813269 B CN 109813269B
- Authority
- CN
- China
- Prior art keywords
- sensor
- sequence
- calibrated
- measured value
- peak point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 230000005284 excitation Effects 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 9
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 65
- 238000010586 diagram Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005279 excitation period Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及传感器校准领域,公开了一种桥梁形变监测传感器在线校准数据序列匹配方法,所述方法包括:步骤1,获取同一激励作用下的待校准传感器和参考传感器的测量值序列;步骤2,对所述待校准传感器和所述参考传感器的测量值序列进行分段;步骤3,在各分段区间内对所述待校准传感器和所述参考传感器的测量值进行匹配;步骤4,获取所述待校准传感器和所述参考传感器在所述同一激励作用下的测量值序列之间的对应关系。本发明提供的技术方案对待校准传感器和参考传感器的测量值序列出现的超前、滞后等不同步情况有良好的适应性,可显著提高桥梁形变监测传感器的在线校准的效率和准确性。
Description
技术领域
本发明涉及传感器的校准领域,具体地,涉及一种用于桥梁形变监测传感器的在线校准数据序列匹配方法。
背景技术
桥梁形变监测是桥梁安全性能评价的关键环节,为了保证桥梁安全,需要用于桥梁形变监测的传感器具有较高的监测准确度。为了保证桥梁形变监测传感器的准确度,需要对该桥梁形变监测传感器进行校准。
以桥梁形变监测传感器中的激光位移计为例,依据激光直线传播特性设计的激光位移计,其发射模块与接收模块可分离安装于结构监测点和参考高程点,用于监测垂直于激光方向的相对形变量,实用性强、准确度高,因而在实际桥梁监测过程中得到广泛应用。但在使用过程中,受传感器自身性能及复杂环境条件的影响,会出现灵敏度、准确度下降的情况,须定期进行校准。
传统的校准方式利用更高精度的专业测量设备(如激光干涉仪等)作为参考仪器,在允许的误差范围内,若待校准激光位移计示值与参考值具有一致性,则认为该激光位移计的计量性能符合使用要求。限于桥梁形变监测***全天时运行的特殊需求,使用中的激光位移计通常不允许拆缷至实验室内进行校准,因此上述方法往往不具有通用性。
在工程实际中,一般利用行驶车辆的组合加载效应作为激励源进行桥梁健康监测传感器在线校准,通过在相同的监测点同向并排安装参考传感器的方式,实现待校准传感器(以下简称SBC)与参考传感器(以下简称RS)在相同激励源条件下的量值比对和校准。由于SBC与RS在采样频率、响应特性等方面的差异性,两量值序列的匹配性较差,是影响在线校准的重要难题。
时间序列匹配问题在定位***、环境监测、物联网、数据挖掘,信息学及人类心理学等领域中有着广泛的应用,近年来逐渐成为各领域的研究热点。其中,动态时间扭曲(以下简称DTW)是一种用于分析时间序列的重要方法,它为序列提供局部压缩和延伸不敏感的距离度量,在数据分析与挖掘领域应用广泛。但DTW方法存在以下问题:⑴计算复杂度较高,对于长度分别为n和m的时间序列,准确计算DTW距离需要O(nm)的时间复杂度;⑵不满足距离的三角不等式,在应用到时间序列相似查询时剪枝过滤的程度有限,在使用索引查询时可能会产生漏查。
针对桥梁传感器在线校准中,传感器量值序列与参考值序列呈现不稳定相差的问题,传统Euclidean距离度量下的匹配效果较差,利用DTW进行动态时间规整耗时较长,若引入距离下界函数来加速基于DTW的比较过程,对该距离下界函数的确定又提出新的要求。
发明内容
本发明的目的是为了至少能够在一定程度上克服现有技术中所存在的上述缺陷,提供一种适应性强,准确率高的桥梁形变监测传感器的在线校准数据序列匹配方法。
为了实现上述目的,本发明提供的技术方案是:
一种桥梁形变监测传感器的在线校准数据序列匹配方法,所述在线校准数据序列匹配方法包括:
步骤1,获取同一激励作用下的待校准传感器和参考传感器的测量值序列;
步骤2,对所述待校准传感器和所述参考传感器的测量值序列进行分段;
步骤3,在各分段区间内对所述待校准传感器和所述参考传感器的测量值进行匹配;
步骤4,获取所述待校准传感器和所述参考传感器在所述同一激励作用下的测量值序列之间的对应关系。
优选地,所述待校准传感器的测量值序列以及所述参考传感器的测量值序列均为波形序列;所述步骤2包括:
步骤B1,提取所述待校准传感器的测量值序列中的目标峰值点以及所述参考传感器的测量值序列中的目标峰值点;
步骤B2,分别以所述待校准传感器和所述参考传感器的测量值序列中的目标峰值点为节点对所述待校准传感器和所述参考传感器的测量值序列进行分段。
优选地,所述步骤B1包括:
步骤S1,提取所述待校准传感器的测量值序列中的初始峰值点以及所述参考传感器的测量值序列中的初始峰值点并分别形成初始峰值点序列;
步骤S2,通过以下公式(1)-(3)对所述待校准传感器的初始峰值点序列和所述参考传感器的初始峰值点序列进行平滑处理:
P={p1,p2…pn} (1)
j=(span-1)/2 (3)
其中,P为待校准传感器或参考传感器的初始峰值点序列;n为初始峰值点序列中的峰值点数量;span为平滑尺度;Pi’为平滑后的初始峰值点序列P’中的第i个峰值点;
步骤S3,依次保存Pi’以形成平滑后的初始峰值点序列P’;
步骤S4,查找平滑后的初始峰值点序列P’中的每个峰值点所对应的原初始峰值点序列P中的初始峰值点Pi,并以此初始峰值点Pi作为所述目标峰值点。
优选地,所述待校准传感器的测量值序列和所述参考传感器的测量值序列均被分成K+1段;其中,所述待校准传感器的测量值序列和所述参考传感器的测量值序列被分段后形成的分段序列分别为{t0,…,t1},{t1,…,t2}…{tk-1,…,tk},{tk,…,tk+1}和{t'0,…,t'1},{t'1,…,t'2}…{t'k-1,…,t'k},{t'k,…,t'k+1};其中,
t0为所述待校准传感器的测量值序列的起始测量点;
tk+1为所述待校准传感器的测量值序列的终止测量点;
tn为所述待校准传感器的测量值序列中的目标峰值点,其中,k≥n≥1;
t’0为所述参考传感器的测量值序列的起始测量点;
t’k+1为所述参考传感器的测量值序列的终止测量点;
t’n为所述参考传感器的测量值序列中的目标峰值点,其中,k≥n≥1。
优选地,所述步骤3包括:依次选取所述待校准传感器的测量值序列中的待匹配测量值pi,并根据所述待匹配测量值pi的位置信息定位所述待匹配测量值pi所在的分段区间{tr-1,…,tr};
通过以下公式(4)在所述参考传感器的测量值序列中查找与该待匹配测量值pi相匹配的测量值qj的位置,
其中,j为参考传感器的测量值序列中与待匹配测量值pi相匹配的测量值qj的横坐标;
tr-1|x为待校准传感器的分段序列中的测量点tr-1的横坐标;
tr|x为待校准传感器的分段序列中的测量点tr的横坐标;
t'r-1|x为参考传感器的分段序列中的测量点t’r-1的横坐标;
t'r|x为参考传感器的分段序列中的测量点t’r的横坐标。
优选地,所述步骤3还包括:输出并保存pi以及与所述pi相匹配的qj。
优选地,所述步骤1之前还包括:搭建桥梁形变监测传感器的校准平台以模拟实际车辆通过桥梁时,桥梁承受荷载的随机性变化。
优选地,所述校准平台包括用于模拟桥梁的简支梁模型桥、能够作用于所述简支梁模型桥以模拟桥梁上通过的实际车辆的激励源、以及安装在所述简支梁模型桥底部以对所述简支梁模型桥的形变进行监测的待校准传感器和参考传感器。
优选地,所述激励源为线性模组。
优选地,所述待校准传感器和所述参考传感器均为激光位移计。
与现有技术相比,本发明提供的技术方案具有如下有益效果:
本发明提供的桥梁形变监测传感器在线校准数据序列匹配方法,先对所述待校准传感器和所述参考传感器的测量值序列进行分段,然后在各分段区间内对所述待校准传感器和所述参考传感器的测量值进行匹配,该方法对待校准传感器和参考传感器的检测频率不敏感,对待校准传感器和参考传感器的测量值序列常出现的相互超前滞后的情况具有良好的适应性。
本发明提供的先分段后匹配的在线校准数据序列匹配方法与现有技术中的方法相比较,其相对误差有明显下降,准确率显著提高,不同场景下匹配准确率能保持在98%以上。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的SBC和RS的原始测量值序列图;
图2传统匹配的算法对图1中的SBC和RS的原始测量值序列进行校正后的图;
图3为本发明实施例提供的桥梁形变监测传感器的在线校准数据序列匹配方法的流程图;
图4为本发明实施例提供的预处理前的节点图;
图5为本发明实施例提供的预处理后的节点图;
图6为本发明实施例提供提取到的SBC和RS序列的节点图;
图7为本发明实施例提供的出现较大偏移后提取到的SBC和RS序列节点图;
图8为本发明实施例提供的匹配算法的实现流程图;
图9为本发明实施例提供的分段后的局部区间采样点图;
图10为本发明实施例提供的基于节点的分段匹配图;
图11为本发明实施例提供的SBC与RS的反向匹配图;
图12为本发明实施例提供的DFLI和LDM采样序列及节点定位图;
图13为本发明实施例提供的DFLI和LDM采样序列分段后局部区间采样点图;
图14为本发明实施例提供的DFLI和LDM采样序列分段匹配图;
图15为本发明实施例提供的DFLI和LDM采样序列反向匹配图;
图16为本发明实施例提供的校准平台的正视图;
图17为本发明实施例提供的校准平台的侧视图;
图18为本发明实施例提供的参考传感器和待校准传感器在低频激励下的匹配结果图;
图19为本发明实施例提供的参考传感器和待校准传感器在中频激励下的匹配结果图;
图20为本发明实施例提供的参考传感器和待校准传感器在高频激励下的匹配结果图;
图21为本发明实施例提供的参考传感器和待校准传感器的基于节点的分段匹配结果图;
图22为本发明实施例提供的参考传感器和待校准传感器的基于Euclidean度量的匹配结果图;
图23为本发明实施例提供的不同匹配方式下的相对误差图。
其中,5-激励源;6-待校准传感器和参考传感器;7-传感器安装板;8-简支梁模型桥;9-激光位移计接收端;10-激光位移计发射端。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
在本发明中,在未作相反说明的情况下,使用的方位词如“上、下、左、右”通常是指参考附图所示的上、下、左、右,“内、外”是指相对于部件本体的轮廓的内、外。
如图1和图2所示,传统的匹配算法常用Euclidean度量标准衡量曲线之间的相识度,其原理直观且计算简洁,在序列进行常见变换(如傅里叶变换)时其系数能保持Euclidean距离不变,因而在时间序列相似性问题上得到广泛应用。但基于Euclidean距离度量的匹配要求所匹配的两序列具有相同的长度,对时间序列的突变点较为敏感,在对序列按时间轴进行点对点依次计算时,对时间序列的错位也很敏感。而针对本发明实施例的问题,受激励源发出的随机激励作用,SBC与RS所采集到的数据不可避免的会出现突变,同时,由于采样频率差的存在,SBC与RS数据序列也会存在错位,对照图1可以发现,SBC与RS采集到的数据并不完全同步,随着采样点的增加,数据出现偏差会逐步增大,这是SBC和RS间细微的采样频率差(SFD)造成的,在相同时间内,SBC采样点个数多于RS采样点个数。同时,在同一激励条件下,二者的响应峰值也有较明显的差异,这是伴随传感器制造过程所产生的个性差异,通常会保持在一定阈值范围内。
传统匹配方法一般是对SBC和RS量值序列进行采样点校准和惯性补偿等预处理,再在此基础上进行数据匹配。其原理如下:
单位时间内在同一激励源的作用下对SBC和RS进行数据采集,假设SBC采样序列为:
P={p1,p2…pn} (1)
RS采样序列为:
Q={q1,q2…qm} (2)
其中,n为SBC采样点数,m为RS采样点数,SBC的采样数多于RS的采样数,即n>m。
利用对照取样的方式保留与RS同步的采样点,去除SBC中多余的采样点,由式(1)(2)有,待去除点序列为:
P'={p[n·i/d]}(i=1,2,…d) (3)
其中,d=n-m,在单位时间内,其数值为采样频率差SFD,若取校准前SBC的采样序列集为全集U,即:
U=P (4)
则校准后SBC采样序列可表示为P'在U上的绝对补集,即:
对于SBC惯性补偿值(ICV)一般由下式确定:
其中,k为采样段数,nj为第j段采样点的个数。经过校准后的SBC和RS数据序列如图2所示。
可以发现,进行采样矫正和惯性补偿后的SBC和RS量值序列整体匹配效果较未处理之前有所改善,但在数据逐点进行匹配时,由于采样数据的离散型,只要存在一个未能消除的采样误差导致匹配序列错位,Euclidean距离就会显著增大,同时,受不确定因素干扰,若某一传感器出现瞬时采样延迟,采用上述校准也会出现匹配错位现象,可见单纯利用Euclidean距离作为度量标准有很大局限性。
针对上述问题,本发明实施例提供一种新的桥梁形变监测传感器的在线校准数据序列匹配方法,该方法考虑利用不同传感器在同一激励下的采样峰值点进行分段,再在分段后的各子区间内进行匹配,具体流程如图3所示,包括:
步骤1,获取同一激励作用下的待校准传感器和参考传感器的测量值序列;
步骤2,对所述待校准传感器和所述参考传感器的测量值序列进行分段;
步骤3,在各分段区间内对所述待校准传感器和所述参考传感器的测量值进行匹配;
步骤4,获取所述待校准传感器和所述参考传感器在所述同一激励作用下的测量值序列之间的对应关系。
如图1和图2所示,所述待校准传感器的测量值序列以及所述参考传感器的测量值序列均为波形序列,一般为不规则波形图;
在步骤2中,为了对待校准传感器和参考传感器的测量值序列进行分段,首先需要定位分段节点,本申请的发明人发现在两组数据峰值处差异较大,这是不同传感器对同一激励产生不同强度的响应所致,在该响应瞬间,两传感器的采样数据相匹配,若取其为节点将此处数据优先匹配,再处理两组峰值点之间数据就较为方便,同时也不存在类似DTW一对多匹配等问题。
由于激励源信号的保持性,传统的极值点提取算法往往会得到两个或多个数值相等的峰值点,同时在信号保持过程中,传感器受噪声干扰会出现小范围波动,如图4所示,需要对采样序列进行相应处理才能找到较为稳定的峰值点以作为目标峰值点,具体如下:
以SBC采样序列为例,由公式(1):
P={p1,p2…pn}
对其进行平滑处理:
其中:j=(span-1)/2
式中,span为平滑尺度,pi'为平滑后量值点;在无重复的条件下,将序列P'中的极值点依次保存,并找出该点对应的原序列采样数据pi,以pi作为真实节点,如图5,其实现过程伪代码如下:
if p'i=max(p'i-t~p'i+t)or
min(p'i-t~p'i+t)
i++
while wj-1≠pi
j++
依次对SBC和RS序列进行上述操作,得到的节点提取结果如图6和图7所示。为适应不同传感器采样频率的差别,在提取时将算法中的平滑尺度与实际频率相关联,使算法更具通用性。
利用节点对序列进行分段,两连续节点之间的序列段作为分段区间。对于SBC,设采集到的节点总数为k,节点序列即为:
{t0,t1,t2…tk,tk+1} (8)
其中,为不失数据完整性,将序列起始点p1设为序列初始节点t0,将序列终止点pn设为序列最后一个节点tk+1。初始序列P被分为k+1段:
{t0,…,t1},{t1,…,t2}…{tk-1,…,tk},{tk,…,tk+1}
对RS序列,选取与SBC相对应的前k个节点组成节点序列:
{t'0,t'1,t'2…t'k,t'k+1} (9)
并将RS序列分为k+1段:
{t'0,…,t'1},{t'1,…,t'2}…{t'k-1,…,t'k},{t'k,…,t'k+1}设输入为SBC采样序列上任意一点pi,目标输出为RS上与pi相匹配的点qj,j表示其为RS采样序列的第j个采样点。
根据pi的位置信息对照节点序列定位出待匹配点pi所属的分段区间,设其位于{tr-1,…,tr}中,即位于原始采样序列的第r段,则j由下式确定:
其中,tr-1|x,tr|x,t'r-1|x,t'r|x分别为SBC序列节点tr-1,tr与RS序列节点t'r-1,t'r的横坐标,算法流程如图8所示。其中,需要说明的是,序列节点的横坐标指的是该序列节点在整个测量值序列中的位置坐标,该位置坐标一般为节点的序数。
如图9所示,为某段分段区间内SBC与RC测量点的分布图,其中节点信息已在图中标出,对照公式(10),对SBC分段区间内各点进行计算得到相应的j值,利用j值索引找到与待匹配点相对应的目标点,如图10所示。
对照图9,RS因采样频率低于SBC而出现采样数据超前于SBC,但由于匹配前对两序列分别进行了节点提取,量值序列间的超前滞后关系就不再影响序列的匹配,只需从一端节点开始对待匹配点进行逐点匹配即可。
考查图10可以发现在对SBC序列量值进行匹配时,不同采样点可能对应RS序列中同一个采样点,在分段区间内,SBC序列从左侧节点开始的第14个待匹配点与RS序列的第14个参考点相匹配,SBC序列的第15个待匹配点也与RS序列的第14个参考点相匹配。这是由于在任意SBC与RS的对应分段区间内,采样点的个数有所差异,其根本原因还是SBC与RS间采样频率不一致。考虑该方法是否存在一对多匹配从而导致索引缺失等问题,对原始SBC和RS采样序列进行反向匹配,以RS采样序列作为待匹配序列,以SBC序列作为参考序列,利用公式(10)重新进行匹配,如图11,从结果来看,在该段分段区间内,RS序列从左侧节点开始的第13个待匹配点与SBC序列的第13个参考点相匹配,RS序列的第14个待匹配点与SBC序列的第15个参考点相匹配,SBC序列的第14个参考点无对应待匹配点。对RS待匹配序列而言,其节点区间内各点均能在参考序列中找到与之相对应的匹配点,因此,多对一匹配对待匹配序列不会造成漏查和重复匹配等问题。
事实上,因对两组采样序列进行节点定位及提取,上述方法可以适应不同频率的采样序列匹配。本发明实施例利用双频激光干涉仪(DFLI)采集到的量值序列与上述激光位移计(LDM)做比对试验,由于采样频率完全不同于激光位移计,从采样序列图像(图12)中可以直观的发现,DFLI的采样数据超前LDM近半个激励周期,随着采样数据不断累积,DFLI的节点将与LDM的前一个节点的Euclidean距离达到最小,利用传统方法必然造成匹配错位。本发明实施例利用节点分段的方法先分别提取两组序列的目标峰值点,再依据目标峰值点对两组序列进行分段,从中选取一段(图13)进行区间内匹配,从算法匹配结果可以看出基于节点的分段匹配方法对不同频率传感器量值序列的匹配有良好的适用性。试验结果见图14,其中,标号所连接的DFLI与LDM采样点即为相匹配的采样点,以DFLI采样序列作为待匹配采样序列,LDM采样序列作为参考序列,DFLI分段区间内15个采样点均能在LDM节点区间中找到与之相匹配的采样点,同样,通过反向匹配(图15),以LDM采样序列作为待匹配采样序列,DFLI采样序列作为参考序列,LDM节点区间内21个采样点也均能在DFLI节点区间中找到与之相匹配的采样点。
为了实施本发明提供的在线校准数据序列匹配方法,首先需要搭建桥梁形变监测传感器的校准平台,用以模拟实际车辆通过桥梁时,桥梁承受荷载的随机性变化。
如图16和17所示,所述校准平台包括用于模拟桥梁的简支梁模型桥8、能够作用于所述简支梁模型桥8以模拟桥梁上通过的实际车辆的激励源5、以及安装在所述简支梁模型桥8底部以对所述简支梁模型桥8的形变进行监测的待校准传感器和参考传感器6,传感器6可通过传感器安装板7安装在简支梁模型桥8的底部,传感器6的监测数据由数据采集单元采集。
在一具体实施例中,SBC和RS例如可以均采用STP-DM-ST型激光位移计,Y轴测量范围:-24mm~24mm,X轴测量范围:-15mm~15mm;参照图16所示,每台激光位移计包括激光位移计接收端9和激光位移计发射端10,接收端9安装于桥梁监测点,发射端10安装于参考高程点,通过二者相互配合作用实现对桥梁形变的监测。数据采集单元可以为FAROPTFAR-J-1/01型在线监测数据采集仪。低频随机载荷激励源由LySeiKi ZP140-300H型线性模组产生,控制软件可将输入的随机数序列转化为运动控制参数,发送致USB9030运动控制卡,控制线性模组产生相应的运动。
通过调整程控线性模组给予的激励频率,获取三种不同条件下两组激光位移计的数据序列,对这三组序列分别进行量值匹配,为直观显示匹配效果,本发明实施例在SBC待匹配序列中随机选取12个(12,27,45,58,68,84,101,122,143,166,179,196)采样点进行匹配,观测能否在RS参考序列中准确找到对应的匹配点,结果如图18-图20所示。
分别对三组序列做定量分析,传统分析方法一般利用DTW距离来评判匹配效果,DTW距离越小,匹配效果越好。但该方法比较适合于短波匹配的情况(例如语音识别方面单个字母发音的音频序列),针对本发明实施例的实验对象,一方面两组采样序列量值总量较大,通过计算得出的DTW距离都偏高,另一方面DTW算法虽对时间尺度有良好适用性,但对量值尺度敏感,故其受固有惯性的影响会使计算出的DTW距离参考价值下降。考虑到传统DTW度量标准应用于本发明实施例的传感器量值匹配存在上述局限性,本发明实施例引入量值均差(以下简称MVD)的概念,通过计算量值均差对算法匹配效果做出评判。
对待匹配序列中任意一点pi,设其在参考序列中对应点为qj,由Euclidean距离公式知待匹配点pi与参考点qj间距离为:
对上述不同激励状态下的三组量值序列匹配结果进行分析,所得结果如表1所示:
表1不同频率激励状态下的匹配结果分析
由上表1可知,经过节点分段后进行的SBC和RS序列匹配,其相对误差能控制在2%以内。
为验证基于节点的分段匹配算法(FPS)较传统基于Euclidean度量匹配(EM)的优越性,本发明实施例进行了对比实验,实验结果如图21-图23所示。
对比图21-图22可以看到,基于节点的分段匹配对传感器采样频率漂移具有良好的适应性,待匹配点与参考点间对应关系基本正确,而基于Euclidean度量的匹配受采样频率和固有惯性的影响,匹配准确度较低,相对误差较大,并且随着采样点逐步增加,该误差还会逐步增大,而基于节点分段匹配的相对误差较低且相对稳定,如图23。事实上,若激励源产生周期性激励时,在两序列值相互超前滞后半个周期的情况下,匹配误差达到峰值。通过对不同激励状态下的三组量值序列进行对比匹配,定量分析不同方法的匹配准确度,实验结果见表2。
表2不同匹配方法下的匹配准确率
对比表2中数据可以发现,基于节点的分段匹配算法相比于传统Euclidean匹配算法的匹配准确率有所提高,受频率及传感器惯性等因素的影响更小。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (8)
1.一种桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述在线校准数据序列匹配方法包括:
步骤1,获取同一激励作用下的待校准传感器和参考传感器的测量值序列;
步骤2,对所述待校准传感器和所述参考传感器的测量值序列进行分段;
步骤3,在各分段区间内对所述待校准传感器和所述参考传感器的测量值进行匹配;
步骤4,获取所述待校准传感器和所述参考传感器在所述同一激励作用下的测量值序列之间的对应关系;
所述待校准传感器的测量值序列和所述参考传感器的测量值序列均被分成K+1段;其中,所述待校准传感器的测量值序列和所述参考传感器的测量值序列被分段后形成的分段序列分别为{t0,…,t1},{t1,…,t2}…{tk-1,…,tk},{tk,…,tk+1}和{t'0,…,t'1},{t'1,…,t'2}…{t'k-1,…,t'k},{t'k,…,t'k+1};其中,
t0为所述待校准传感器的测量值序列的起始测量点;
tk+1为所述待校准传感器的测量值序列的终止测量点;
tn为所述待校准传感器的测量值序列中的目标峰值点,其中,k≥n≥1;
t’0为所述参考传感器的测量值序列的起始测量点;
t’k+1为所述参考传感器的测量值序列的终止测量点;
t’n为所述参考传感器的测量值序列中的目标峰值点,其中,k≥n≥1;
所述步骤3包括:依次选取所述待校准传感器的测量值序列中的待匹配测量值pi,并根据所述待匹配测量值pi的位置信息定位所述待匹配测量值pi所在的分段区间{tr-1,…,tr};
通过以下公式(4)在所述参考传感器的测量值序列中查找与该待匹配测量值pi相匹配的测量值qj的位置,
其中,j为参考传感器的测量值序列中与待匹配测量值pi相匹配的测量值qj的横坐标;
tr-1|x为待校准传感器的分段序列中的测量点tr-1的横坐标;
tr|x为待校准传感器的分段序列中的测量点tr的横坐标;
t'r-1|x为参考传感器的分段序列中的测量点t’r-1的横坐标;
t'r|x为参考传感器的分段序列中的测量点t’r的横坐标。
2.根据权利要求1所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述待校准传感器的测量值序列以及所述参考传感器的测量值序列均为波形序列;所述步骤2包括:
步骤B1,提取所述待校准传感器的测量值序列中的目标峰值点以及所述参考传感器的测量值序列中的目标峰值点;
步骤B2,分别以所述待校准传感器和所述参考传感器的测量值序列中的目标峰值点为节点对所述待校准传感器和所述参考传感器的测量值序列进行分段。
3.根据权利要求2所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述步骤B1包括:
步骤S1,提取所述待校准传感器的测量值序列中的初始峰值点以及所述参考传感器的测量值序列中的初始峰值点并分别形成初始峰值点序列;
步骤S2,通过以下公式(1)-(3)对所述待校准传感器的初始峰值点序列和所述参考传感器的初始峰值点序列进行平滑处理:
P={p1,p2…pn} (1)
j=(span-1)/2 (3)
其中,P为待校准传感器或参考传感器的初始峰值点序列;n为初始峰值点序列中的峰值点数量;span为平滑尺度;Pi’为平滑后的初始峰值点序列P’中的第i个峰值点;
步骤S3,依次保存Pi’以形成平滑后的初始峰值点序列P’;
步骤S4,查找平滑后的初始峰值点序列P’中的每个峰值点所对应的原初始峰值点序列P中的初始峰值点Pi,并以此初始峰值点Pi作为所述目标峰值点。
4.根据权利要求1所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述步骤3还包括:输出并保存pi以及与所述pi相匹配的qj。
5.根据权利要求1所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述步骤1之前还包括:搭建桥梁形变监测传感器的校准平台以模拟实际车辆通过桥梁时,桥梁承受荷载的随机性变化。
6.根据权利要求5所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述校准平台包括用于模拟桥梁的简支梁模型桥、能够作用于所述简支梁模型桥以模拟桥梁上通过的实际车辆的激励源、以及安装在所述简支梁模型桥底部以对所述简支梁模型桥的形变进行监测的待校准传感器和参考传感器。
7.根据权利要求6所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述激励源为线性模组。
8.根据权利要求1-7中任意一项所述的桥梁形变监测传感器的在线校准数据序列匹配方法,其特征在于,所述待校准传感器和所述参考传感器均为激光位移计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136330.6A CN109813269B (zh) | 2019-02-25 | 2019-02-25 | 结构监测传感器在线校准数据序列匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136330.6A CN109813269B (zh) | 2019-02-25 | 2019-02-25 | 结构监测传感器在线校准数据序列匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109813269A CN109813269A (zh) | 2019-05-28 |
CN109813269B true CN109813269B (zh) | 2021-05-18 |
Family
ID=66607333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910136330.6A Active CN109813269B (zh) | 2019-02-25 | 2019-02-25 | 结构监测传感器在线校准数据序列匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109813269B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110645934A (zh) * | 2019-08-16 | 2020-01-03 | 交通运输部公路科学研究所 | 位移传感器的在线校准方法 |
CN110632679B (zh) * | 2019-09-23 | 2022-04-19 | 深圳市深创谷技术服务有限公司 | 信号校准方法、测试装置以及计算机可读存储介质 |
CN110672058B (zh) * | 2019-10-11 | 2021-03-26 | 交通运输部公路科学研究所 | 结构监测用传感器的在线校准数据序列匹配方法和装置 |
CN111122775A (zh) * | 2019-12-10 | 2020-05-08 | 北京蛙鸣华清环保科技有限公司 | 一种面向污染浓度监测设备的分段数据校准方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06167501A (ja) * | 1992-07-03 | 1994-06-14 | Boehringer Mannheim Gmbh | 医学的試料中の成分濃度の解析的な測定方法 |
CN102857996A (zh) * | 2011-06-28 | 2013-01-02 | 普天信息技术研究院有限公司 | 一种小区搜索定时同步的方法 |
CN104007705A (zh) * | 2014-05-05 | 2014-08-27 | 上海交通大学 | 小线段路径压缩平滑的前瞻插补*** |
CN107442901A (zh) * | 2017-08-24 | 2017-12-08 | 湘潭大学 | 一种电弧传感式焊缝跟踪***的自适应控制策略 |
CN108375748A (zh) * | 2018-01-30 | 2018-08-07 | 电子科技大学 | 一种基于正弦激励和dft变换的非线性校准方法 |
CN109211299A (zh) * | 2018-09-10 | 2019-01-15 | 交通运输部公路科学研究所 | 桥梁监测传感器的在线校准方法及*** |
-
2019
- 2019-02-25 CN CN201910136330.6A patent/CN109813269B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06167501A (ja) * | 1992-07-03 | 1994-06-14 | Boehringer Mannheim Gmbh | 医学的試料中の成分濃度の解析的な測定方法 |
CN102857996A (zh) * | 2011-06-28 | 2013-01-02 | 普天信息技术研究院有限公司 | 一种小区搜索定时同步的方法 |
CN104007705A (zh) * | 2014-05-05 | 2014-08-27 | 上海交通大学 | 小线段路径压缩平滑的前瞻插补*** |
CN107442901A (zh) * | 2017-08-24 | 2017-12-08 | 湘潭大学 | 一种电弧传感式焊缝跟踪***的自适应控制策略 |
CN108375748A (zh) * | 2018-01-30 | 2018-08-07 | 电子科技大学 | 一种基于正弦激励和dft变换的非线性校准方法 |
CN109211299A (zh) * | 2018-09-10 | 2019-01-15 | 交通运输部公路科学研究所 | 桥梁监测传感器的在线校准方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109813269A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109813269B (zh) | 结构监测传感器在线校准数据序列匹配方法 | |
Schmittbuhl et al. | Reliability of self-affine measurements | |
CN112906782B (zh) | 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法 | |
US20140095132A1 (en) | System and method for rating computer model relative to empirical results for dynamic systems | |
CN116592951A (zh) | 一种电缆数据智能采集方法及*** | |
CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
CN112949696A (zh) | 基于dtw与稳健估计的轨道静态检查历史数据匹配方法 | |
CN109117450B (zh) | 振动测试数据最佳分析长度的确定方法 | |
CN111811567A (zh) | 一种基于曲线拐点比对的设备检测方法及相关装置 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN117387884A (zh) | 一种基于多传感器数据融合的桥梁挠度测量方法 | |
CN109901111A (zh) | 基于偏最小二乘回归的近场声源定位方法 | |
KR20180046746A (ko) | 이상 감지 방법 및 장치 | |
CN112070130A (zh) | 一种基于动态时间规整的跨道车辆匹配方法及*** | |
CN110672058B (zh) | 结构监测用传感器的在线校准数据序列匹配方法和装置 | |
CN115186762A (zh) | 一种基于dtw-knn算法的发动机异常检测方法及*** | |
CN115457756B (zh) | 传感器校准的方法及装置 | |
KR102575917B1 (ko) | 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템 | |
CN112883078B (zh) | 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法 | |
CN117112981B (zh) | 一种钢板测厚数据优化采集方法 | |
JP6564522B2 (ja) | レイリー測定システムおよびレイリー測定方法 | |
CN113053475B (zh) | 基于微悬臂梁气敏材料分析的信号处理及多属性决策方法 | |
CN115267035A (zh) | 一种色谱仪故障诊断分析方法及*** | |
JP4725218B2 (ja) | 脳機能測定装置 | |
CN114924237B (zh) | 一种用于动态检测雷达数据异常值的滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |