目标对象应变数据的处理方法、装置及存储介质转让专利
申请号 : CN202110597440.X
文献号 : CN113255137B
文献日 : 2021-11-02
发明人 : 王立新 , 汪珂 , 李储军 , 雷升祥
申请人 : 中铁第一勘察设计院集团有限公司 , 中国铁建股份有限公司
摘要 :
权利要求 :
1.一种目标对象应变数据的处理方法,其特征在于,包括:获取目标对象的应变数据和温度数据;
对所述应变数据和所述温度数据分别按照频段进行多级分解,从得到的多级多频段应变数据分量和温度数据分量中,提取相关度高的同级同频段应变数据分量和温度数据分量;
基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型,得到温度对所述目标对象的应变的影响关系;
其中,对所述应变数据和所述温度数据分别按照频段进行多级分解,从得到的多级多频段应变数据分量和温度数据分量中,提取相关度高的同级同频段应变数据分量和温度数据分量包括:
对所述应变数据和所述温度数据分别按照高频段和低频段进行分解,得到应变数据和温度数据分别在高频段下和低频段下的分量;
判断分解后的高频段下应变数据分量和温度数据分量是否相关,以及分解后的低频段下的应变数据分量和温度数据分量是否相关;
在高频段下应变数据分量和温度数据分量不相关、但低频段下应变数据分量和温度数据分量相关时,对低频段下应变数据分量和温度数据分量分别按照高频段和低频段进行再次分解,并返回判断分解后的高频段下应变数据分量和温度数据分量是否相关,以及分解后的低频段下的应变数据分量和温度数据分量是否相关;
在高频段下以及低频段下应变数据分量和温度数据分量均相关时停止分解,将相关性高的温度数据分量进行叠加、将相关性高的应变数据分量进行叠加,得到相关度高的同级同频段应变数据分量和温度数据分量;
在获取目标对象的应变数据和温度数据之前,所述方法还包括:读取目标对象局部区域内放置的多个应变传感器和多个温度传感器同步采集的多组数据;
对多个应变传感器和多个温度传感器采集的多组数据进行修正;
对多个应变传感器采集的多组数据进行融合,得到所述应变数据;
对多个温度传感器采集的多组数据进行融合,得到所述温度数据;
其中,对多个应变传感器和多个温度传感器采集的多组数据进行修正至少包括对剔除异常数据以及补全剔除处缺失的数据;
通过如下公式剔除异常数据: ,其中,为第i个监测点的值,若时,认为 的值异常,给予剔除;
通过如下公式补全剔除处缺失的数据: ,将异常的 的值替换为 的值。
2.根据权利要求1中所述的方法,其特征在于,所述分解为小波分解,其中,对所述应变数据和所述温度数据分别按照频段进行分解包括:通过高通滤波器处理所述应变数据和所述温度数据,以得到所述应变数据和所述温度数据的高频段分量,通过低通滤波器处理所述应变数据和所述温度数据,以得到所述应变数据和所述温度数据的低频段分量。
3.根据权利要求1中所述的方法,其特征在于,判断分解后的某一频段下应变数据分量和温度数据分量之间是否相关包括:计算所述应变数据分量和所述温度数据分量的相关系数;
对所述应变数据分量和所述温度数据分量进行线性相关性检验;
当所述应变数据分量和所述温度数据分量的相关系数大于预设阈值、且所述应变数据分量和所述温度数据分量通过线性相关性检验时,判断所述应变数据分量和所述温度数据分量相关;
其中,所述相关系数为皮尔逊相关系数,通过如下公式计算所述应变数据分量和所述温度数据分量的相关系数: ,式中 表示数据的平均值,表示数据 的平均值, 表示X、Y两组数据的皮尔逊相关系数,、为两组数据的标准差,相关系数绝对值越大,表示相关性越强,相关系数取值区间为 ;
其中,对所述应变数据分量和所述温度数据分量进行线性相关性检验包括:假设X、Y两组数据 、 满足线性关系 ,估计量为 ,
原假设 ,备择假设 ,
计算检验统计量 :
式中 ,、为样本数据平均值, ,n为待检测数据量,若假设检验拒绝 ,则线性关系成立,认为X、Y通过线性相关性检验。
4.根据权利要求1中所述的方法,其特征在于,基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型,得到温度对所述目标对象的应变的影响关系包括:基于所述相关度高的同级同频段应变数据分量和温度数据分量构建一次线性回归模型;
确定所述一次线性回归模型的估计值和一阶导数;
利用所述一阶导数对所述估计值进行分区间平滑处理,得到二次平滑模型;
其中,基于所述相关度高的同级同频段应变数据分量和温度数据分量构建一次线性回归模型包括:
假设 为独立同分布的实验数据,满足关系式:,式中 为回归函数,且满足 ;
其中,确定所述一次线性回归模型的估计值和一阶导数包括:令 , 为核函数,h为拟合带宽;
式中:
取 ,为一次线性回归模型中 的估计值,为一阶导数 估计值,其中,通过如下公式利用所述一阶导数 对所述估计值 进行分区间平滑处理,得到二次平滑模型: 。
5.根据权利要求1所述的方法,其特征在于,在基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型,得到温度对所述目标对象的应变的影响关系之后,所述方法还包括:
根据所述模型,计算由温度引发的所述目标对象的应变量;
从所述应变数据表征的总应变量中剔除由温度引发的应变量,以消除温度对所述目标对象的应变数据的影响。
6.一种目标对象应变数据的处理装置,其特征在于,所述处理装置用于完成权利要求
1‑5任一项所述的方法,包括:获取单元,用于获取目标对象的应变数据和温度数据;
分解提取单元,用于对所述应变数据和所述温度数据分别按照频段进行多级分解,从得到的多级多频段应变数据分量和温度数据分量中,提取相关度高的同级同频段应变数据分量和温度数据分量;
模型构建单元,用于基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型,得到温度对所述目标对象的应变的影响关系。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1‑5任一项所述的方法。
说明书 :
目标对象应变数据的处理方法、装置及存储介质
技术领域
背景技术
会对钢梁的应变产生影响。而由于实际监测场景中的温度无可避免的会随监测时间而发生
高低变化,从而给监测到的应变数据带来噪音。同时,某些情况下温度对钢梁的应力在钢梁
所有的应力中占据较大比重,如果无视温度变化因素引起的应力变化,而直接采用监测到
的应变数据分析由钢梁自身结构、运动等因素引发的应力,则会因应变数据本身精确度而
导致应变数据分析结果准确性低的问题。
发明内容
解,从得到的多级多频段应变数据分量和温度数据分量中,提取相关度高的同级同频段应
变数据分量和温度数据分量;基于相关度高的同级同频段应变数据分量和温度数据分量构
建模型,得到温度对目标对象的应变的影响关系。
温度数据分别按照频段进行多级分解,从得到的多级多频段应变数据分量和温度数据分量
中,提取相关度高的同级同频段应变数据分量和温度数据分量;模型构建单元,用于基于相
关度高的同级同频段应变数据分量和温度数据分量构建模型,得到温度对目标对象的应变
的影响关系。
括:对应变数据和温度数据分别按照频段进行一级分解,得到应变数据和温度数据分别在
各频段下的分量;判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关;
在其中一个频段下应变数据分量和温度数据分量之间相关、但不是所有频段下应变数据分
量和温度数据分量之间均相关时,对相关的其中一个频段下应变数据分量和温度数据分量
分别按照频段进行N级分解,并返回判断分解后的每一频段下应变数据分量和温度数据分
量之间是否相关,其中N为大于1的整数;在所有频段下应变数据分量和温度数据分量之间
均相关时停止分解,将相关的所有频段下应变数据分量和温度数据分量分别进行叠加,得
到相关度高的同级同频段应变数据分量和温度数据分量。
应变数据分量和温度数据分量包括:对应变数据和温度数据分别按照高频段和低频段进行
分解,到应变数据和温度数据分别在高频段下和低频段下的分量;判断分解后的高频段下
应变数据分量和温度数据分量是否相关,以及分解后的低频段下的应变数据分量和温度数
据分量是否相关;在高频段下应变数据分量和温度数据分量不相关、但低频段下应变数据
分量和温度数据分量相关时,对低频段下应变数据分量和温度数据分量分别按照高频段和
低频段进行再次分解,并返回判断分解后的高频段下应变数据分量和温度数据分量是否相
关,以及分解后的低频段下的应变数据分量和温度数据分量是否相关;在高频段下以及低
频段下应变数据分量和温度数据分量均相关时停止分解,将高频段下以及低频段下应变数
据分量和温度数据分量分别进行叠加,得到相关度高的同级同频段应变数据分量和温度数
据分量。
多个温度传感器采集的多组数据进行修正;对多个应变传感器采集的多组数据进行融合,
得到应变数据;对多个温度传感器采集的多组数据进行融合,得到温度数据。
目标对象的应变数据和温度数据。
多个应变传感器采集的多组数据进行融合,得到应变数据;对多个温度传感器采集的多组
数据进行融合,得到温度数据。
,将异常的 的值替换为 的值。
通滤波器处理应变数据和温度数据,以得到应变数据和温度数据的低频段分量。
性检验;当应变数据分量和温度数据分量的相关系数大于预设阈值、且应变数据分量和温
度数据分量通过线性相关性检验时,判断应变数据分量和温度数据分量相关。
两组数据的皮尔逊相关系数,、 为两组数据的标准差,相关系数绝对值越大,表示相关
性越强,相关系数取值区间为 。
应变量;从应变数据表征的总应变量中剔除由温度引发的应变量,以消除温度对目标对象
的应变数据的影响。
中,提取相关度高的同级同频段应变数据分量和温度数据分量;基于相关度高的同级同频
段应变数据分量和温度数据分量构建模型,得到温度对目标对象的应变的影响关系,可以
实现分析两种数据相同分量之间相关性,提取由温度造成的应变分量;从而将目标对象的
总应变量分解为温度引起的应变量与其他因素引起的应变量,进而解决了现有技术中目标
对象应变数据精确度低的技术问题,在此基础上还可以分别基于温度引起的应变量和其他
因素引起的应变量进行准确分析。
附图说明
具体实施方式
本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范
围。
的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆
盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品
或设备固有的其它步骤或单元。
行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序
执行所示出或描述的步骤。
动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个
(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理
器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功
能的传输装置106。计算机终端10还可以包括I/O接口,用以实现处理器102、存储器104等多
个模块之间的通信。除此以外,还可以包括:输入/输出接口、光标控制设备、键盘、显示器、
网络接口、电源和/或相机,其中输入/输出接口中可以包括通用串行总线(USB)端口。本领
域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限
定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不
同的配置。
或其他任意组合。此外,数据融合电路可为单个独立的处理模块,或全部或部分的结合到计
算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,
该数据融合电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
软件程序以及模块,从而执行各种功能应用以及数据融合,即实现上述的目标对象应变数
据的处理。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个
磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包
括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端
10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
配器(NetworkInterfaceController,NIC),其可通过基站与其他网络设备相连从而可与互
联网进行通讯。在一个实例中,传输装置106可以为射频(RadioFrequency,RF)模块,其用于
通过无线方式与互联网进行通讯。
码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实
例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
对象应变数据的处理方法可以包括:
温度传感器应同等设置,并在物理位置上应尽可能的接近。在目标对象中,可以设置多个应
变传感器和同样多个温度传感器。同一位置处设置的应变传感器和温度传感器构成一组传
感器,因此目标对象的应变数据和温度数据可以是这一组传感器采集的数据,即针对每一
组传感器的数据均执行本申请所提供的方法。或者,目标对象的应变数据和温度数据可以
是多组传感器采集的数据融合后的数据,对融合后的数据执行本申请所提供的方法,即对
所有应变传感器采集的数据进行融合,得到上述应变数据,对所有温度传感器采集的数据
进行融合,得到上述温度数据。
首先得出振弦的振动频率,然后根据读取的温度数据以及其他固定的参考数据,经过一个
换算关系得出最终的应变数据,这种换算关系已经普遍的应用到了应变计中。在目标对象
中,可以在局部区域内设置多个振弦应变计,目标对象的应变数据和温度数据可以是其中
一个振弦应变计采集的数据,即针对每一个振弦应变计的数据均执行本申请所提供的方
法。或者,目标对象的应变数据和温度数据可以是多个振弦应变计采集的数据融合后的数
据,对融合后的数据执行本申请所提供的方法,即对振弦应变计采集的所有应变数据进行
融合,得到上述应变数据,对振弦应变计采集的所有温度数据进行融合,得到上述温度数
据。
况设置采样频率,根据该采样频率对该应变传感器的数据和温度传感器的数据进行采样,
得到上述目标对象的应变数据和温度数据。根据该变化情况设置采样频率,例如,温度每变
化预设度数时(如0.5°)记录一个温度变化点,分析多个温度变化点中每两个相邻的温度变
化点之间的时间间隔,根据该时间间隔生成采样频率,使得在采样周期小于最短的两个相
邻的温度变化点之间的时间间隔;或者,温度每变化预设度数时(如0.5°)记录一个温度变
化点,分析多个温度变化点中每两个相邻的温度变化点之间的时间间隔,根据多个时间间
隔构建正态分布曲线,根据其小于两个标准差处较小的时间间隔确定采样频率,使得在采
样周期略小于两个标准差处较小的时间间隔。
据分量;
总趋势的变化,主要集中于低频段应变分量的影响,但是不能确定低频段的范围。因而需要
先对原始数据按照频段进行分解,此时由于温度引起的应变在低频段,而导致低频段应变
数据分量和温度数据分量相关,而高频段应变数据分量和温度数据分量不相关,因此就需
要对低频段数据再次分解为相对更低频段的数据分量、相对较高频段的数据分量,此时可
能相对更低频段应变数据分量和温度数据分量相关,而相对较高频段应变数据分量和温度
数据分量不相关,因此继续分解,直到在某一低频段的范围内,其分解的更低频和较高频的
频段下应变数据分量和温度数据分量都相关,则此频段下的应变数据分量和温度数据分量
为相关度高的同级同频段应变数据分量和温度数据分量。通过按照频段的分解及相关性分
析,可以有效提取了高相关度的应变数据分量和温度数据分量,从而分析温度导致的应变
量。
程中,利用了线性函数的导数估计量对回归模型进行修正平滑处理,因此该算法可以有效
剔除噪声影响,回归模型更加准确。通过选用二次局部光滑线性回归算法,得到了更准确的
温度‑应变回归模型。
中,提取相关度高的同级同频段应变数据分量和温度数据分量;基于相关度高的同级同频
段应变数据分量和温度数据分量构建模型,得到温度对目标对象的应变的影响关系,可以
实现分析两种数据相同分量之间相关性,提取由温度造成的应变分量;从而将目标对象的
总应变量分解为温度引起的应变量与其他因素引起的应变量,进而解决了现有技术中目标
对象应变数据精确度低的技术问题,在此基础上还可以分别基于温度引起的应变量和其他
因素引起的应变量进行准确分析。
域等间隔布置同类型振弦应变计,检测点均匀布置。每一个应变监测点要布置温度计来监
测应变测试点温度的变化,记录时间一般不小于一个月,且要求应变数据与温度数据同步
监测。采样间隔根据工程环境当中温度变化快慢来确定,要求检测温度变化的精度为0.5
℃,一般不超过1h。
融合后的应变数据和温度数据的示意图,图4中横轴表示采样数据序列,纵轴表示温度融合
结果和应变融合结果,其中,采样间隔为1h,即每隔1小时采样一个温度数据和应变数据,得
到一组温度数据序列和一组应变数据序列,温度数据值对应单位为℃,应变数据值对应单
位为 ;如图4中曲线所示,反映出目标对象局部区域内温度数据变化和应变数据变化趋
势。
融合技术是一种将多源数据通过融合算法综合为一种融合结果的技术,其优点是可以将多
组监测数据的特征进行理论上的归一化,达到统一评判的目的。本发明主要是针对同种多
源数据进行融合,保留各组数据的共性特征,降低了异常因素对单源数据的影响。融合方法
采用卡尔曼滤波融合方法,该融合方法相对于其他加权系数融合方法具有更强的抗噪性,
有利于提高数据变化的精度。
度数据的高频段分量,通过低通滤波器处理应变数据和温度数据,以得到应变数据和温度
数据的低频段分量。
~
是要求在对温度数据与应变数据分别进行小波分解的过程中,采用同一小波基进行分解。
每次分解得到的高频分量,通过高通滤波器 对 卷积得到,、代表小波分解系数的
长度,可通过小波重构算法将小波系数变换为对应的频率分量。
函数受信号频率影响的局限性,达到在解析信号过程中高频信号时间域高分辨、低频信号
频率域高分辨目的。
温度数据分量包括:
通滤波器处理应变数据和温度数据,以得到应变数据和温度数据的低频段分量。
可以通过带通滤波器处理应变数据和温度数据,以得到应变数据和温度数据的中频段分
量,通过低通滤波器处理应变数据和温度数据,以得到应变数据和温度数据的低频段分量。
定位到应变数据分量和温度数据分量高相关度的频段。
分量和温度数据分量分别按照频段进行N级分解,并返回判断分解后的每一频段下应变数
据分量和温度数据分量之间是否相关,其中N为大于1的整数。
解,此时由于温度引起的应变在低频段,而导致低频段应变数据分量和温度数据分量相关,
而高频段应变数据分量和温度数据分量不相关,因此就需要对低频段数据再次分解为相对
更低频段的数据分量、相对较高频段的数据分量,此时可能相对更低频段应变数据分量和
温度数据分量相关,而相对较高频段应变数据分量和温度数据分量不相关,因此继续分解,
直到在某一低频段的范围内,其分解的更低频和较高频的频段下应变数据分量和温度数据
分量都相关,则此频段下的应变数据分量和温度数据分量为相关度高的同级同频段应变数
据分量和温度数据分量。通过按照频段的分解及相关性分析,可以有效提取了高相关度的
应变数据分量和温度数据分量,从而分析温度导致的应变量。
后,得到低频分量A、高频分量B。判断低频段下应变数据分量A和温度数据分量A之间相关、
但高频段下应变数据分量B和温度数据分量B之间不相关,则对相关的低频段分量A再次分
解。低通滤波器的输出A被第二层级滤波器组再次分解,得到低频分量AA、高频分量AB。判断
低频段下应变数据分量AA和温度数据分量AA之间相关、但高频段下应变数据分量AB和温度
数据分量AB之间不相关,则对相关的低频段分量AA再次分解。然后AA被第三层级滤波器组
再次分解,得到低频分量AAA、高频分量AAB。判断低频段下应变数据分量AAA和温度数据分
量AAA之间相关、且高频段下应变数据分量AAB和温度数据分量AAB之间也相关,则停止分
解。
频段应变数据分量和温度数据分量。
分量AAB和温度数据分量AAB之间也相关,则停止分解。图6是根据本申请实施例的一种对温
度融合数据进行3层小波分解得到的不同小波分量;图7是根据本申请实施例的一种对应变
融合数据进行3层小波分解得到的不同小波分量;图6和图7中横轴表示采样数据序列,其
中,采样间隔为1h,即每隔1小时采样一个温度数据和应变数据,得到一组温度数据序列和
一组应变数据序列,图6的纵轴表示对温度数据进行小波分解后得到的各个温度数据分量,
图7的纵轴表示对应变数据进行小波分解后得到的各个应变数据分量。结合图5、图6和图7,
其中图6和图7中的高频分量1、高频分量2、高频分量3、低频分量分别对应于图5中的B、AB、
AAB、AAA。经过检验,温度数据与应变数据的高频分量B的相关系数小于0.5,因而对低频分
量A进行分解,分解得到的温度数据与应变数据的高频分量AB的相关系数也小于0.5,因而
对低频分量AA进行分解,分解得到的温度数据与应变数据的高频分量AAB之间的相关系数
为8.94,且通过了线性关系检验;温度数据与应变数据的低频分量AAA之间的相关系数为
8.68,且通过了线性关系检验,则停止分解。对信号重构,得到温度主要引起的应变分量。
温度与应变的小波分解方式相同,指的是分解的层数、分解采用的基小波等方式一致,然后
每一个频段的温度小波对应了同一频段的应变小波。这样,计算同频段的温度小波分量和
应变小波分量之间的相关系数,由此,可以知道哪一个频段的温度、应变分量相关性高,哪
一个频段的温度、应变相关性低。将相关性高的温度分量重构为温度信号,相关性高的应变
分量重构为应变信号,重构的方式为将分解的小波分量叠加之后得到总的信号。这样做,可
以将温度、应变中不相关的分量剔除,为之后的回归模型的建立提供有力的数据支撑。可选
地,在步骤S2042中,判断分解后的某一频段下应变数据分量和温度数据分量之间是否相关
包括:
的平均值, 表示X、Y两组数据的皮尔逊相关系数,、 为两组数据的标准差,相关系数
绝对值越大,表示相关性越强,相关系数取值区间为 ;
关。
系数既高于0.5,又同时通过线性相关检验,认为应变分量是由温度分量引起的,否则认为
该应变分量与温度无关。
温度数据分量包括:
和低频段进行再次分解,并返回判断分解后的高频段下应变数据分量和温度数据分量是否
相关,以及分解后的低频段下的应变数据分量和温度数据分量是否相关;
度高的同级同频段应变数据分量和温度数据分量。
可参照上述实施例,在此不再赘述。
指母体中一个确切的子样本的值。E函数指期望,D指方差, 指由回归模型计算得出的Y
的估计值与实测的Y值之间的误差。表示噪声量, 为误差中与自变量 有关的量。其中,
求解一次线性回归模型包括: 函数用于构造一个对角矩阵,
关系式,而是一种运算流程,他们都能反映一种自变量与应变量的变化关系。而 是指一个
数 代入 中后得到的估计值,是一次回归模型计算得到的结果;
取、拟合带宽的选取。带宽过低,不利于光滑去噪效果,带宽过大,会提高偏差,降低回归模
型精确度,一般带宽选取为0.5 1。而核函数的选取中,函数的阶数会对算法造成影响,阶数
~
越高,核函数越复杂,增大了算法的计算难度;阶数过低,会降低算法的去噪性,增大回归结
果的偏差。而当前核函数的选取主要有三种:
及基坑结构自身的应变量的示意图;在本申请的一个实施例中,总应变为测得的原始应变,
基坑结构自身的应变量为其他因素导致的应变量的一个示例。图8中横轴表示采样数据序
列,纵轴表示应变值,其中,采样间隔为1h,即每隔1小时采样一个温度数据和应变数据,得
到一组温度数据序列和应变数据序列,对这些数据进行本申请实施例的数据处理方法后可
得到每一数据对应的总应变值、温度引起的应变值、以及基坑结构自身的应变值,应变值单
位均为 。从图8中可以看出,该回归算法推导出的温度导致的应变量、原始真实应变量对
比,可以看出两种应变量相近,说明检测得到的应变量主要是由温度引起的。
局部光滑线性回归模型与最小二乘法的回归模型在不同噪声情况下得到的应变量与未加
噪情况下的应变量的RMSE对比图,图9中横轴表示信噪比,纵轴表示均方根误差值RMSE,如
图9所示,加噪后求解的应变估计量与加噪前原始应变量之间的均方根误差(root‑mean‑
square error,RMSE),二次光滑线性回归模型得到的应变估计量与原始应变之间的RMSE值
总是低于最小二乘法的RMSE,说明二次光滑线性回归模型得到的结果更准确,抗噪性更强。
数据一阶导数信息,且抗噪性更高,回归模型更加准确。
型的精确性。
应变量,如图8当中黑线所示。
计来监测应变测试点温度的变化,记录时间一般不小于一个月,且要求应变数据与温度数
据同步监测。采样间隔根据工程环境当中温度变化快慢来确定,要求检测温度变化的精度
为0.5℃,一般不超过1h。
~
也可根据实际数据变动来决定分解方式,但是要求在对温度数据与应变数据分别进行小波
分解的过程中,采用同一小波基进行分解。分解流程如图5所示,H表示低通滤波器、G表示高
通滤波器,信号通过第一层的高通与低通滤波器以后,得到低频分量A、高频分量B。低通滤
波器的输出A被第二层滤波器组再次分解,得到低频分量AA、高频分量AB。然后对AA进行第
三层分解得到AAA、AAB,分别代表第三次分解得到的低频分量与高频分量。每次分解得到的
高、低频分量与被分解分量的关系如公式3、公式4。
数,代表每次分解得到的高频分量,通过高通滤波器 对 卷积得到,、 代表小波
分解系数的长度,可通过小波重构算法将小波系数变换为对应的频率分量,图6、图7分别为
应变数据、温度数据的分解结果,其中高频分量1、高频分量2、高频分量3、低频分量对应于
图5中的B、AB、AAB、AAA。
。
由温度分量引起的,否则认为该应变分量与温度无关。
的高频分量同时满足相关性检验,将符合相关性检验的应变小波分量进行数据重构,得到
的应变数据认为由温度引起,进入第6步。
温度引起的分量。则经过信号重构,得到温度主要引起的应变分量,进入第6步。
型更加准确。下面是该算法分析过程。
的选取、拟合带宽的选取。带宽过低,不利于光滑去噪效果,带宽过大,会提高偏差,降低回
归模型精确度,一般带宽选取为0.5 1。而核函数的选取中,函数的阶数会对算法造成影响,
~
阶数越高,核函数越复杂,增大了算法的计算难度;阶数过低,会降低算法的去噪性,增大回
归结果的偏差。而当前核函数的选取主要有三种:
近,说明检测得到的应变量主要是由温度引起的。为证明该算法的有效性,用最小二乘法作
为对比,对应变数据、温度数据加入不同强度噪声,再用两种回归算法求得温度导致的应变
量,图9中是加噪后求解的应变估计量与加噪前原始应变量之间的均方根误差(root‑mean‑
square error,RMSE)。从图中可以得出,二次光滑线性回归模型得到的应变估计量与原始
应变之间的RMSE值总是低于最小二乘法的RMSE,说明二次光滑线性回归模型得到的结果更
准确,抗噪性更强。
黑线所示。
应变测试点温度的变换,记录时间一般不小于一个月,采样间隔一般不高于1h;通过卡尔曼
滤波融合算法对应变数据、温度数据进行处理;之后对温度融合结果与应变融合结果进行
同步小波分解,分析两种数据相同分量之间相关性,提取由温度造成的应变分量;再通过局
部二次光滑线性回归法建立温度与应变的回归模型。本发明可以有效提取出钢梁局部上由
温度导致的应变量,建立精度更高的温度‑应变回归模型。通过建立回归模型,掌握温度‑应
变之间的定性关系,将总应变量分解为温度应变量与其他因素(主要为基坑结构自身对钢
梁应变的影响)引起的应变量。
依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知
悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请
所必须的。
也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方
案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软
件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端
设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
分量和温度数据分量;
用场景相同,但不限于上述实施例1所公开的内容。
场景相同,但不限于上述实施例1所公开的内容。
波器处理应变数据和温度数据,以得到应变数据和温度数据的低频段分量。
变数据分量和温度数据分量分别按照频段进行N级分解,并返回判断分解后的每一频段下
应变数据分量和温度数据分量之间是否相关,其中N为大于1的整数。
的同级同频段应变数据分量和温度数据分量。
例和应用场景相同,但不限于上述实施例1所公开的内容。
关。
于上述实施例1所公开的内容。
照高频段和低频段进行再次分解,并返回判断分解后的高频段下应变数据分量和温度数据
分量是否相关,以及分解后的低频段下的应变数据分量和温度数据分量是否相关;
到相关度高的同级同频段应变数据分量和温度数据分量。
用场景相同,但不限于上述实施例1所公开的内容。
公开的内容。
端设备。
的处理方法和装置对应的程序指令/模块。处理器通过运行存储在存储器内的软件程序以
及模块,从而执行各种功能应用以及数据融合,即实现上述的目标对象应变数据的处理方
法。
包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上
述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
多级分解,从得到的多级多频段应变数据分量和温度数据分量中,提取相关度高的同级同
频段应变数据分量和温度数据分量;基于相关度高的同级同频段应变数据分量和温度数据
分量构建模型,得到温度对目标对象的应变的影响关系。
从得到的多级多频段应变数据分量和温度数据分量中,提取相关度高的同级同频段应变数
据分量和温度数据分量;基于相关度高的同级同频段应变数据分量和温度数据分量构建模
型,得到温度对目标对象的应变的影响关系。
逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可
以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间
的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,
可以是电性或其它的形式。
单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现
出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备
(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分
步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read‑Only Memory)、随机存取存储器
(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。