CN117470194A - 一种倾角测量方法、***、存储介质及计算机 - Google Patents
一种倾角测量方法、***、存储介质及计算机 Download PDFInfo
- Publication number
- CN117470194A CN117470194A CN202311824732.8A CN202311824732A CN117470194A CN 117470194 A CN117470194 A CN 117470194A CN 202311824732 A CN202311824732 A CN 202311824732A CN 117470194 A CN117470194 A CN 117470194A
- Authority
- CN
- China
- Prior art keywords
- angle
- temperature
- data
- sensor
- inclination
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 23
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 96
- 230000002068 genetic effect Effects 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
- G01C9/02—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提供了一种倾角测量方法、***、存储介质及计算机,倾角测量方法,包括;获取倾角传感器的温漂角度误差,根据温漂角度误差构建温漂补偿模型;实时获取倾角传感器的角度数据、温度数据;将实时获取的角度数据和温度数据导入至温漂补偿模型,获得当前工作温度下倾角传感器的产生的温度漂移数据;根据传感器的角度数据和当前温度下产生的温度漂移数据计算构筑物的实际角度数据,将实际角度数据作为倾角测量结果。本发明提供的倾角测量方法能够有效的减少环境温度对测试的影响,提高倾角测量的准确性。
Description
技术领域
本发明涉及结构物安全监测领域技术领域,具体涉及一种倾角测量方法、***、存储介质及计算机。
背景技术
构筑物的安全性是指在正常施工和正常使用时,构筑物在承受各种荷载作用下依然不发生破坏和重大变形,结构仍保持必要的整体稳定性的能力。
构筑物倾斜是指房屋在垂直方向上的偏离程度,是一种常见的房屋结构问题,构筑物倾斜也是构筑物是否安全的重要指标,房屋倾斜的原因可能是建筑设计、建造过程中的问题,也可能是地基沉降、地震等自然灾害引起的问题;房屋倾斜的程度通过肉眼观察难以有效判断,因此需要通过倾角测量设备实时测量构筑物的倾斜状态,以及时发现安全隐患。
目前,传统的结构倾斜监测主要采用倾角传感器进行,然而,常规的倾角传感器的内部电路和元件会受到温度变化的影响,性质发生变化,产生温度漂移现象,导致测量的角度值不准确。
发明内容
基于此,本发明的目的是提供一种倾角测量方法、***、存储介质及计算机,以解决现有技术中存在的技术问题。
本发明提出一种倾角测量方法,包括;
获取倾角传感器的温漂角度误差,根据所述温漂角度误差构建温漂补偿模型;
实时获取所述倾角传感器的角度数据、温度数据;
将实时获取的所述角度数据和所述温度数据导入至所述温漂补偿模型,获得当前工作温度下所述倾角传感器产生的温度漂移数据;
根据所述传感器的角度数据和当前温度下产生的所述温度漂移数据计算构筑物的实际角度数据,将所述实际角度数据作为倾角测量结果;
所述获取倾角传感器的温漂角度误差的步骤包括:
获取所述倾角传感器在训练集中的工作温度范围和工作角度范围,并根据预设温度梯度和预设角度梯度分别对所述工作温度范围和所述工作角度范围进行划分,得到m个温度数据和n个角度数据,其中m和n均为大于1的整数;
测量所述倾角传感器在不同温度和不同角度下的实际角度数据,得到m*n个样本数据;
在m个温度数据中选择标准温度,并选取在标准温度下所述倾角传感器的n个实际角度数据与作为标准样本数据;
根据n个所述标准样本数据和m*(n-1)个其他样本数据,计算所述倾角传感器的温漂角度误差。
优选地,所述倾角传感器的工作温度范围为-45℃-85℃,所述倾角传感器的工作角度范围为-90°-90°,所述预设温度梯度为10℃,所述预设角度梯度为10°。
优选地,所述构建温漂补偿模型的步骤包括:
选取BP神经网络作为训练模型,所述训练模型中包括输入层、隐藏层和输出层,并确定所述输入层、所述隐藏层、所述输出层的节点数;
根据所述输入层确定所述训练模型的初始权值和初始阈值;
在所述隐藏层内对所述初始权值和所述初始阈值进行遗传编码,并执行遗传算法迭代操作;
判断遗传算法的输出结果是否满足遗传算法的终止条件,若达到遗传算法的终止条件,则解码最优解,并将所述最优解替换所述初始权值和所述初始阈值;
使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型。
优选地,所述确定所述输入层、所述隐藏层、所述输出层的节点数包括:
所述输入层包括所述倾角传感器的测量角度和环境温度两个节点;
所述隐藏层的节点根据所述训练集中的均方误差确定,其中,所述隐藏层包括八个节点;
所述输出层包括预测温漂角度误差一个节点。
优选地,所述判断遗传算法的输出结果是否满足遗传算法的终止条件的表达式为:
式中,F表示遗传算法的输出阈值,N表示遗传算法中种群的数量,表示种群中每个个体的适应度值,/>表示种群中个体的平均适应度值,H表示定义的调节参数;
若F<0,则表示遗传种群达到稳定状态,达到遗传算法的终止条件。
优选地,所述使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型的步骤为:
将所述温漂角度误差中的某一温漂角度误差数据输入至替换后的所述训练模型进行模型训练,判断训练模型输出的预测温漂角度误差与输入的温漂角度误差的差值是否在预设范围内;
若差值在预设范围内,则停止训练,得到所述温漂补偿模型;
若差值不在所述预设范围内,则根据所述预测温漂角度误差更新所述训练模型中的权值和阈值,选取另一所述温漂角度误差输入至更新后的所述训练模型重复进行模型训练,并重复进行差值判断,直至所述差值在预设范围内。
本发明还提出一种倾角测量***,包括:
构建模块,用于获取倾角传感器的温漂角度误差,根据所述温漂角度误差构建温漂补偿模型;
所述获取倾角传感器的温漂角度误差的步骤包括:
获取所述倾角传感器在训练集中的工作温度范围和工作角度范围,并根据预设温度梯度和预设角度梯度分别对所述工作温度范围和所述工作角度范围进行划分,得到m个温度数据和n个角度数据,其中m和n均为大于1的整数;
测量所述倾角传感器在不同温度和不同角度下的实际角度数据,得到m*n个样本数据;
在m个温度数据中选择标准温度,并选取在标准温度下所述倾角传感器的n个实际角度数据与作为标准样本数据;
根据n个所述标准样本数据和m*(n-1)个其他样本数据,计算所述倾角传感器的温漂角度误差;
获取模块,用于实时获取所述倾角传感器的角度数据、温度数据;
导入模块,用于将实时获取的所述角度数据和所述温度数据导入至所述温漂补偿模型,获得当前工作温度下所述倾角传感器产生的温度漂移数据;
计算模块,用于根据所述传感器的角度数据和当前温度下产生的所述温度漂移数据计算构筑物的实际角度数据,将所述实际角度数据作为倾角测量结果。
本发明还提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述倾角测量方法。
本发明还提出一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述倾角测量方法。
本发明相比于现有技术的有益效果为:本申请提供的倾角测量方法,首先根据倾角传感器的工作温度范围和工作角度范围按预先设定的训练集进行变温测试,获取倾角传感器的温漂角度误差,根据温漂角度误差构建温漂补偿模型,在温漂补偿模型中对温度数据和角度数据进行拟合,计算温漂补偿模型内温度数据与角度数据之间的补偿关系,根据补偿关系获取补偿系数k,将温漂补偿模型写入***的存储模块;实时获取倾角传感器的角度数据和环境温度数据,并将获取的角度数据和环境温度数据导入至温漂补偿模型,获得在当前工作温度下的倾角传感器的产生的温度漂移数据,倾角传感器读取的角度数据与温度漂移数据,获得构筑物的实际倾斜角度数据,降低了温度漂移对倾角测量的影响,提高了***倾角测量的准确性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例中的倾角测量方法的流程图;
图2为本发明第一实施例中的倾角测量***的结构示意图;
图3为本发明第四实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
主要元件符号说明:
101、太阳能板;102、高低温试验箱;103、锂电池;104、5V基准电源;106、存储模块;107、微型控制器;108、倾角传感器;109、4G通信模块;110、串口;111、独立供电电路。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的倾角测量方法,所述倾角测量方法具体包括步骤S10至S40:
S10,获取倾角传感器的温漂角度误差,根据所述温漂角度误差构建温漂补偿模型;
在具体实施时,如图2所示,倾角传感器108可以采用加速度计器件ADXL355实现倾角的测量,采用5V基准电源104对其进行供电,ADXL355传感器和5V基准电源均为低噪声器件;采用5V基准电源供电的优点是基准电源输出电源的纹波小、供电电压受温度影响较小,***整体采用太阳能板101进行充电,太阳能板内置锂电池103,倾角测量***还设计有微型控制器107、温度传感器105、4G通信模块109、存储模块106、串口110,其中,微型控制器107与4G通信模块109采用UART通信,实现数据、指令、信息的传输。微型控制器107与存储模块106采用SPI接口进行数据通信。微型控制器107与加速度计器件ADXL355采用IIC通信,串口110用于设备的配置、升级端口,***中的ADXL355传感器采用5V基准电源对其进行供电,其他器件采用独立供电电路111,避免电源相互干扰。
进行构筑物倾角测量前,首先需要获取倾角传感器的温漂角度误差,温漂角度误差为倾角传感器在不同环境温度下测量的角度偏差,根据获取的温漂角度误差构建温漂补偿模型,在温漂补偿模型中拟合有角度与温度之间的补偿关系。
可选的,在本实施例中,获取倾角传感器的温漂角度误差的步骤包括:
获取所述倾角传感器在训练集中的工作温度范围和工作角度范围,并根据预设温度梯度和预设角度梯度分别对所述工作温度范围和所述工作角度范围进行划分,得到m个温度数据和n个角度数据,其中m和n均为大于1的整数;
在具体实施时,为了获得倾角传感器的温漂角度误差,可以预先将倾角传感器固定在旋转平台上,并置于高低温试验箱102中,进行反复变温测试。倾角传感器的工作温度范围为-45℃-85℃,倾角传感器的工作角度范围为-90°-90°,测量过程中,设定水平角度为0°,垂直向上角度为正角度,垂直向下为负角度,预设温度梯度为10℃,预设角度梯度为10°,也即在本实施例中,工作温度为为-45℃-85℃,按10℃的梯度进行划分,得到-45℃、-35℃…75℃、85℃共14个温度数据,倾角传感器的工作角度范围为-90°-90°,按10°的梯度进行划分,得到-90°、-80°…80°、90°共19个角度数据。
测量倾角传感器在不同温度和不同角度下的实际角度数据,得到m*n个样本数据集;
在具体实施时,分别以温度取值为横向,以角度取值为纵向,得到一个14*19的二维的表格,分别采用上位机捕捉倾角传感器在不同温度和不同角度组合下的实际角度数据,得到14*19个样本数据,并将测试的14*19个实际角度数据对应填入二维表格中;在本实施例中,调整高低温试验箱为-35℃,通过旋转平台调整倾角传感器的角度为-80°,通过上位机捕捉倾角传感器实际角度值为-79.63°,将-79.63°填入表1对应的空格中;调整高低温试验箱102为75℃,通过旋转平台调整倾角传感器的角度为90°,通过上位机捕捉倾角传感器实际角度值为90.31°,将90.31°填入表1对应的空格中,类似的,得到倾角传感器的其他实际角度值,此处不再赘述。
表1 倾角传感器的实际角度值
在m个温度数据中选择标准温度,并选取在标准温度下n个倾角传感器的实际角度数据作为标准样本数据;
在具体实施时,选择25℃为标准温度,对应的,选择在25℃下的-90°、-80°…80°、90°共19个倾角传感器的实际角度数据作为标准样本数据。可以理解的是,由于不可避免的测量误差,捕捉倾角传感器的角度值很难以理论上的角度值匹配,在本实施例中,定义25℃时捕捉的倾角传感器实际角度值作为标准样本数据,其他温度下的温漂角度误差均以该温度下的实际角度作为基准。例如,调整高低温试验箱为25℃,通过旋转平台调整倾角传感器的角度为-80°,通过上位机捕捉倾角传感器实际角度值为-79.98°,即将-79.98°作为80°时的标准样本数据;通过旋转平台调整倾角传感器的角度为90°,通过上位机捕捉倾角传感器实际角度值为90.03°,即将90.03°作为90°时的标准样本数据。
根据n个标准样本数据和m*(n-1)个其他样本数据计算倾角传感器的温漂角度误差。
在具体实施时,根据得到的19个标准样本数据和其他13*19个样本数据计算倾角传感器在不同角度下的温漂角度误差,例如,高低温试验箱为-35℃,通过旋转平台调整倾角传感器的角度为-80°,通过上位机捕捉倾角传感器实际角度值为-79.63°,角度差为0.37°;调整高低温试验箱102为标准温度25℃,通过旋转平台调整倾角传感器的角度为-80°,通过上位机捕捉倾角传感器实际角度值为-79.98°,角度差为0.02°,因此,在本实施例中,-35℃时倾角传感器的温漂角度误差为0.37-0.02=0.35°。类似的,可以依次计算倾角传感器的角度为-80°时其他温度下的温漂角度误差,得到倾角传感器的角度为-80°且温度为-45℃、-35℃…75℃、85℃的温漂角度误差。类似的,依次计算其他角度下的温漂角度误差,共得到13*19个温漂角度误差。
构建温漂补偿模型的步骤包括:
选取BP神经网络作为训练模型,训练模型中包括输入层、隐藏层和输出层,并确定输入层、隐藏层、输出层的节点数;
在具体实施时,输入层包括倾角传感器的测量角度和环境温度两个因素,作为BP神经网络的两个输入节点,隐藏层的节点根据训练集中的均方误差确定,隐藏层节点数为8时,BP神经网络的均方误差最小,因此在本实施例中,隐藏层节点数选择为8,BP神经网络的输出结果仅包括预测的温漂角度误差,因此输出层包含一个节点,BP神经网络形成2-8-1三层神经网络模型。
根据输入层确定训练模型的初始权值和初始阈值;
在具体实施时,根据输入层和2-8-1三层神经网络模型对训练模型赋予初始权值和初始阈值。
在隐藏层内对初始权值和初始阈值进行遗传编码,并执行遗传算法迭代操作;
遗传算法是一种元启发算法和进化算法,依次细分为种群、染色体、基因,遗传编码的方式可以为将染色体进行数值表示,便于计算机进行处理,例如可以采用二进制编码、整数编码等,编码后再进行遗传算法迭代计算。
判断遗传算法的输出结果是否满足遗传算法的终止条件,若达到遗传算法的终止条件,则解码最优解,并将所述最优解替换所述初始权值和所述初始阈值;
在具体实施时,所述判断遗传算法的输出结果是否满足遗传算法的终止条件的表达式为:
式中,F表示遗传算法的输出阈值,N表示遗传算法中种群的数量,表示种群中每个个体的适应度值,/>表示种群中个体的平均适应度值,H表示定义的调节参数;
若F<0,则表示遗传种群达到稳定状态,达到遗传算法的终止条件。
通过遗传算法解码最优解,将最优解替换训练模型的权值和阈值,使得训练模型具有更强的全局搜索能力和更快的收敛速度,提高神经网络补偿模型的精度。
使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型。
在具体实施时,将所述温漂角度误差中的某一温漂角度误差数据输入至替换后的所述训练模型进行模型训练,判断训练模型输出的预测温漂角度误差与输入的温漂角度误差的差值是否在预设范围内;
若差值在预设范围内,则停止训练,得到所述温漂补偿模型;
若差值不在所述预设范围内,则根据所述预测温漂角度误差更新所述训练模型中的权值和阈值,选取另一所述温漂角度误差输入至更新后的所述训练模型重复进行模型训练,并重复进行差值判断,直至所述差值在预设范围内。
可选的,在温漂补偿模型内采用最小二乘法对角度-温度关系进行拟合,计算温漂补偿模型内温度数据与角度数据之间的补偿关系,根据补偿关系获取补偿系数k,最后将温漂补偿模型写入存储模块中。
S20,实时获取所述倾角传感器的角度数据、温度数据;
可以通过ADXL355传感器实时读取倾角传感器的角度数据,通过温度传感器实时获取倾角传感器的环境温度数据。
S30,将实时获取的所述角度数据和所述温度数据导入至所述温漂补偿模型,获得当前工作温度下所述倾角传感器产生的温度漂移数据;
S40,根据所述传感器的角度数据和当前温度下产生的所述温度漂移数据计算构筑物的实际角度数据,将所述实际角度数据作为倾角测量结果。
在具体实施时,在确定温漂补偿模型内的补偿系数k后,建立环境温度与补偿角度的关系,优选的,将环境温度的数据定义为,倾角传感器读取的角度数据定义为θ,以开机时的环境温度定义为/> ,温度的变化量/>;结合补偿系数可知,当前工作温度下所述倾角传感器的产生的温度漂移数据/>;构筑物的实际倾斜角度数据/>θ/>,从而减少温度影响。
综上,本申请提供的倾角测量方法,首先根据倾角传感器的工作温度范围和工作角度范围按预先设定的训练集进行变温测试,获取倾角传感器的温漂角度误差,根据温漂角度误差构建温漂补偿模型,在温漂补偿模型中对温度数据和角度数据进行拟合,计算温漂补偿模型内温度数据与角度数据之间的补偿关系,根据补偿关系获取补偿系数k,将温漂补偿模型写入***的存储模块;实时获取倾角传感器的角度数据和环境温度数据,并将获取的角度数据和环境温度数据导入至温漂补偿模型,获得在当前工作温度下的倾角传感器的产生的温度漂移数据,倾角传感器读取的角度数据与温度漂移数据,获得构筑物的实际倾斜角度数据,降低了温度漂移对倾角测量的影响,提高了***倾角测量的准确性。
实施例二
本实施例提供一种倾角测量***,包括:
构建模块,用于获取倾角传感器的温漂角度误差,根据所述温漂角度误差构建温漂补偿模型;
构建模块包括:
划分单元,用于获取所述倾角传感器在训练集中的工作温度范围和工作角度范围,并根据预设温度梯度和预设角度梯度分别对所述工作温度范围和所述工作角度范围进行划分,得到m个温度数据和n个角度数据,其中m和n均为大于1的整数;其中,所述倾角传感器的工作温度范围为-45℃-85℃,所述倾角传感器的工作角度范围为-90°-90°,所述预设温度梯度为10℃,所述预设角度梯度为10°。
测量单元,用于测量所述倾角传感器在不同温度和不同角度下的实际角度数据,得到m*n个样本数据;
选择单元,用于在m个温度数据中选择标准温度,并选取在标准温度下所述倾角传感器的n个实际角度数据与作为标准样本数据;
计算单元,根据n个所述标准样本数据和m*(n-1)个其他样本数据,计算所述倾角传感器的温漂角度误差。
选取单元,用于选取BP神经网络作为训练模型,所述训练模型中包括输入层、隐藏层和输出层,并确定所述输入层、所述隐藏层、所述输出层的节点数;其中,所述输入层包括所述倾角传感器的测量角度和环境温度两个节点;
所述隐藏层的节点根据所述训练集中的均方误差确定,其中,所述隐藏层包括八个节点;
所述输出层包括预测温漂角度误差一个节点。
确定单元,用于根据所述输入层确定所述训练模型的初始权值和初始阈值;
执行单元,用于在所述隐藏层内对所述初始权值和所述初始阈值进行遗传编码,并执行遗传算法迭代操作;
第一判断单元,用于判断遗传算法的输出结果是否满足遗传算法的终止条件,若达到遗传算法的终止条件,则解码最优解,并将所述最优解替换所述初始权值和所述初始阈值;
其中,所述判断遗传算法的输出结果是否满足遗传算法的终止条件的表达式为:
式中,F表示遗传算法的输出阈值,N表示遗传算法中种群的数量,表示种群中每个个体的适应度值,/>表示种群中个体的平均适应度值,H表示定义的调节参数;
若F<0,则表示遗传种群达到稳定状态,达到遗传算法的终止条件。
第二判断单元,用于使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型。
其中,所述使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型的步骤为:
将所述温漂角度误差中的某一温漂角度误差数据输入至替换后的所述训练模型进行模型训练,判断训练模型输出的预测温漂角度误差与输入的温漂角度误差的差值是否在预设范围内;
若差值在预设范围内,则停止训练,得到所述温漂补偿模型;
若差值不在所述预设范围内,则根据所述预测温漂角度误差更新所述训练模型中的权值和阈值,选取另一所述温漂角度误差输入至更新后的所述训练模型重复进行模型训练,并重复进行差值判断,直至所述差值在预设范围内。
获取模块,用于实时获取所述倾角传感器的角度数据、温度数据;
导入模块,用于将实时获取的所述角度数据和所述温度数据导入至所述温漂补偿模型,获得当前工作温度下所述倾角传感器产生的温度漂移数据;
计算模块,用于根据所述传感器的角度数据和当前温度下产生的所述温度漂移数据计算构筑物的实际角度数据,将所述实际角度数据作为倾角测量结果。
实施例三
本实施例提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的倾角测量方法。
实施例四
本发明还提出一种计算机,请参阅图3,所示为本发明第四实施例中的计算机,包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30,所述处理器20执行所述计算机程序30时实现上述的倾角测量方法。
其中,存储器10至少包括一种类型的存储介质,所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元,例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置,例如插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
其中,处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit,简称ECU,又称行车电脑)、中央处理器(Central Processing Unit, CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器10中存储的程序代码或处理数据,例如执行访问限制程序等。
需要指出的是,图3示出的结构并不构成对计算机的限定,在其它实施例当中,该计算机可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种倾角测量方法,其特征在于,包括;
获取倾角传感器的温漂角度误差,根据所述温漂角度误差构建温漂补偿模型;
实时获取所述倾角传感器的角度数据、温度数据;
将实时获取的所述角度数据和所述温度数据导入至所述温漂补偿模型,获得当前工作温度下所述倾角传感器产生的温度漂移数据;
根据所述传感器的角度数据和当前温度下产生的所述温度漂移数据计算构筑物的实际角度数据,将所述实际角度数据作为倾角测量结果;
所述获取倾角传感器的温漂角度误差的步骤包括:
获取所述倾角传感器在训练集中的工作温度范围和工作角度范围,并根据预设温度梯度和预设角度梯度分别对所述工作温度范围和所述工作角度范围进行划分,得到m个温度数据和n个角度数据,其中m和n均为大于1的整数;
测量所述倾角传感器在不同温度和不同角度下的实际角度数据,得到m*n个样本数据;
在m个温度数据中选择标准温度,并选取在标准温度下所述倾角传感器的n个实际角度数据与作为标准样本数据;
根据n个所述标准样本数据和m*(n-1)个其他样本数据,计算所述倾角传感器的温漂角度误差。
2.根据权利要求1所述的倾角测量方法,其特征在于,所述倾角传感器的工作温度范围为-45℃-85℃,所述倾角传感器的工作角度范围为-90°-90°,所述预设温度梯度为10℃,所述预设角度梯度为10°。
3.根据权利要求1所述的倾角测量方法,其特征在于,所述构建温漂补偿模型的步骤包括:
选取BP神经网络作为训练模型,所述训练模型中包括输入层、隐藏层和输出层,并确定所述输入层、所述隐藏层、所述输出层的节点数;
根据所述输入层确定所述训练模型的初始权值和初始阈值;
在所述隐藏层内对所述初始权值和所述初始阈值进行遗传编码,并执行遗传算法迭代操作;
判断遗传算法的输出结果是否满足遗传算法的终止条件,若达到遗传算法的终止条件,则解码最优解,并将所述最优解替换所述初始权值和所述初始阈值;
使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型。
4.根据权利要求3所述的倾角测量方法,其特征在于,所述确定所述输入层、所述隐藏层、所述输出层的节点数包括:
所述输入层包括所述倾角传感器的测量角度和环境温度两个节点;
所述隐藏层的节点根据所述训练集中的均方误差确定,其中,所述隐藏层包括八个节点;
所述输出层包括预测温漂角度误差一个节点。
5.根据权利要求3所述的倾角测量方法,其特征在于,所述判断遗传算法的输出结果是否满足遗传算法的终止条件的表达式为:
式中,F表示遗传算法的输出阈值,N表示遗传算法中种群的数量,表示种群中每个个体的适应度值,/>表示种群中个体的平均适应度值,H表示定义的调节参数;
若F<0,则表示遗传种群达到稳定状态,达到遗传算法的终止条件。
6.根据权利要求4所述的倾角测量方法,其特征在于,所述使用所述温漂角度误差对替换后的所述训练模型进行训练,判断所述训练模型的输出层输出的结果是否满足神经网络训练的终止条件,若满足神经网络训练的终止条件则停止训练,得到所述温漂补偿模型的步骤为:
将所述温漂角度误差中的某一温漂角度误差数据输入至替换后的所述训练模型进行模型训练,判断训练模型输出的预测温漂角度误差与输入的温漂角度误差的差值是否在预设范围内;
若差值在预设范围内,则停止训练,得到所述温漂补偿模型;
若差值不在所述预设范围内,则根据所述预测温漂角度误差更新所述训练模型中的权值和阈值,选取另一所述温漂角度误差输入至更新后的所述训练模型重复进行模型训练,并重复进行差值判断,直至所述差值在预设范围内。
7.一种倾角测量***,其特征在于,包括;
构建模块,用于获取倾角传感器的温漂角度误差,根据所述温漂角度误差构建温漂补偿模型;
所述获取倾角传感器的温漂角度误差的步骤包括:
获取所述倾角传感器在训练集中的工作温度范围和工作角度范围,并根据预设温度梯度和预设角度梯度分别对所述工作温度范围和所述工作角度范围进行划分,得到m个温度数据和n个角度数据,其中m和n均为大于1的整数;
测量所述倾角传感器在不同温度和不同角度下的实际角度数据,得到m*n个样本数据;
在m个温度数据中选择标准温度,并选取在标准温度下所述倾角传感器的n个实际角度数据与作为标准样本数据;
根据n个所述标准样本数据和m*(n-1)个其他样本数据,计算所述倾角传感器的温漂角度误差;
获取模块,用于实时获取所述倾角传感器的角度数据、温度数据;
导入模块,用于将实时获取的所述角度数据和所述温度数据导入至所述温漂补偿模型,获得当前工作温度下所述倾角传感器产生的温度漂移数据;
计算模块,用于根据所述传感器的角度数据和当前温度下产生的所述温度漂移数据计算构筑物的实际角度数据,将所述实际角度数据作为倾角测量结果。
8.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任一所述的倾角测量方法。
9.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一所述的倾角测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824732.8A CN117470194B (zh) | 2023-12-28 | 2023-12-28 | 一种倾角测量方法、***、存储介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311824732.8A CN117470194B (zh) | 2023-12-28 | 2023-12-28 | 一种倾角测量方法、***、存储介质及计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117470194A true CN117470194A (zh) | 2024-01-30 |
CN117470194B CN117470194B (zh) | 2024-04-09 |
Family
ID=89631580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311824732.8A Active CN117470194B (zh) | 2023-12-28 | 2023-12-28 | 一种倾角测量方法、***、存储介质及计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117470194B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118151171A (zh) * | 2024-05-09 | 2024-06-07 | 苏州大学 | 基于激光雷达和图像传感器融合的可感知调平检测设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009025188A (ja) * | 2007-07-20 | 2009-02-05 | Fujikura Ltd | 物理量の温度補償方法及び温度補償型光ファイバセンサ |
CN102353356A (zh) * | 2011-07-14 | 2012-02-15 | 上海辉格科技发展有限公司 | 一种数字化倾斜仪及其测量方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
CN104697497A (zh) * | 2015-02-28 | 2015-06-10 | 湖北三江航天红峰控制有限公司 | 一种数字式倾角传感器及其温度非线性补偿方法 |
US20150276783A1 (en) * | 2014-03-31 | 2015-10-01 | Stmicroelectronics S.R.I. | Positioning apparatus comprising an inertial sensor and inertial sensor temperature compensation method |
CN109724539A (zh) * | 2018-12-27 | 2019-05-07 | 西南技术物理研究所 | 一种应变式角度传感器温漂零位补偿方法 |
CN109993088A (zh) * | 2019-03-22 | 2019-07-09 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
CN110388897A (zh) * | 2018-04-19 | 2019-10-29 | 郑州航天电子技术有限公司 | 一种宽温高精度倾角传感器及其精度补偿方法 |
CN111521155A (zh) * | 2020-06-29 | 2020-08-11 | 宁波中车时代传感技术有限公司 | 一种获取小型智能化倾角传感器倾角的方法 |
CN115014289A (zh) * | 2022-08-05 | 2022-09-06 | 长江水利委员会长江科学院 | 一种固定式测斜仪的数据处理方法及电路 |
CN115342963A (zh) * | 2022-07-29 | 2022-11-15 | 北京空间飞行器总体设计部 | 一种空间站机械臂关节力传感器温漂补偿方法 |
US20230126732A1 (en) * | 2020-04-15 | 2023-04-27 | A&D Company, Limited | Inclination detecting method and apparatus for the same |
US20230175844A1 (en) * | 2020-04-09 | 2023-06-08 | Topcon Corporation | Inclination sensor and data acquisition device |
-
2023
- 2023-12-28 CN CN202311824732.8A patent/CN117470194B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009025188A (ja) * | 2007-07-20 | 2009-02-05 | Fujikura Ltd | 物理量の温度補償方法及び温度補償型光ファイバセンサ |
CN102353356A (zh) * | 2011-07-14 | 2012-02-15 | 上海辉格科技发展有限公司 | 一种数字化倾斜仪及其测量方法 |
CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
US20150276783A1 (en) * | 2014-03-31 | 2015-10-01 | Stmicroelectronics S.R.I. | Positioning apparatus comprising an inertial sensor and inertial sensor temperature compensation method |
CN104697497A (zh) * | 2015-02-28 | 2015-06-10 | 湖北三江航天红峰控制有限公司 | 一种数字式倾角传感器及其温度非线性补偿方法 |
CN110388897A (zh) * | 2018-04-19 | 2019-10-29 | 郑州航天电子技术有限公司 | 一种宽温高精度倾角传感器及其精度补偿方法 |
CN109724539A (zh) * | 2018-12-27 | 2019-05-07 | 西南技术物理研究所 | 一种应变式角度传感器温漂零位补偿方法 |
CN109993088A (zh) * | 2019-03-22 | 2019-07-09 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
US20230175844A1 (en) * | 2020-04-09 | 2023-06-08 | Topcon Corporation | Inclination sensor and data acquisition device |
US20230126732A1 (en) * | 2020-04-15 | 2023-04-27 | A&D Company, Limited | Inclination detecting method and apparatus for the same |
CN111521155A (zh) * | 2020-06-29 | 2020-08-11 | 宁波中车时代传感技术有限公司 | 一种获取小型智能化倾角传感器倾角的方法 |
CN115342963A (zh) * | 2022-07-29 | 2022-11-15 | 北京空间飞行器总体设计部 | 一种空间站机械臂关节力传感器温漂补偿方法 |
CN115014289A (zh) * | 2022-08-05 | 2022-09-06 | 长江水利委员会长江科学院 | 一种固定式测斜仪的数据处理方法及电路 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118151171A (zh) * | 2024-05-09 | 2024-06-07 | 苏州大学 | 基于激光雷达和图像传感器融合的可感知调平检测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117470194B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117470194B (zh) | 一种倾角测量方法、***、存储介质及计算机 | |
CN111816936B (zh) | 电池梯次利用配组方法、***、终端设备及存储介质 | |
CN114418189A (zh) | 水质等级预测方法、***、终端设备及存储介质 | |
CN114572055A (zh) | 续航里程估算方法、装置、计算机设备和存储介质 | |
CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
CN115523963B (zh) | 一种船舶数据智能分析装置与方法 | |
CN117273189A (zh) | 农村污水水质指标预测方法、智慧***、设备及存储介质 | |
CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
CN115839344A (zh) | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 | |
CN114636933B (zh) | 基于复合神经网络的退役动力电池容量的检测方法及*** | |
CN110411721A (zh) | 一种海洋立管损伤定位方法及*** | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN115688571A (zh) | 变压器运行状态的监测方法、装置、电子设备及存储介质 | |
CN109800508A (zh) | 嵌岩桩桩端的空洞顶板厚度的计算方法及终端设备 | |
CN113128053A (zh) | 一种非线性***参数识别方法、装置、设备及介质 | |
CN109612467B (zh) | 轨迹简化方法、***及轨迹可视化*** | |
CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
CN108460211A (zh) | 通信铁塔的工程量测算方法、装置、计算机设备及存储介质 | |
CN117706045B (zh) | 基于物联网实现大气臭氧监测设备的联合控制方法及*** | |
CN117314205B (zh) | 一种室间质评项目检测结果上报方法及装置 | |
CN116291739A (zh) | 冲击地压预警模型的生成方法、装置及电子设备 | |
CN115905720A (zh) | 一种针对作战任务的装备组合方案推荐方法 | |
CN117517889A (zh) | 一种基于局部放电的电缆劣化程度判定方法及相关装置 | |
CN115525973A (zh) | 一种实车属性预测方法、装置、电子设备及存储介质 | |
CN118297182A (zh) | 模型生成方法及装置、计算机存储介质、电子设备 |
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 |