一种基于融合模型算法的倾斜角与振动特性测量系统

摘要

本发明公开了一种基于融合模型算法的倾斜角与振动特性测量系统，属于倾斜角和振动特征测量领域，用于解决在倾斜角与振动特性结合测量时测量数据不够准确的问题，包括倾斜监测模块、测量判断模块和振动特性监测模块，所述倾斜监测模块基于高抗振动特性下的倾斜角度融合算法进行监测，得到倾斜监测结果反馈至服务器，所述振动特性监测模块基于测量倾斜角与振动特性的融合模型算法进行监测，得到振动特性监测结果反馈至服务器，测量判断模块结合倾斜监测模块和振动特性监测模块的检测结果用于进行智能测量，本发明基于融合模型算法对倾斜角与振动特性进行准确测量。

权利要求

1.一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，包括用户终端、数据采集模块、倾斜监测模块、测量判断模块、振动特性监测模块以及服务器；

所述用户终端用于输入倾斜角和振动特性的测量请求并发送至服务器；

所述数据采集模块用于采集倾斜数据和振动特性数据并发送至服务器，所述服务器将倾斜数据发送至倾斜监测模块、将振动特性数据发送至振动特性监测模块；

所述倾斜监测模块基于高抗振动特性下的倾斜角度融合算法进行监测，得到倾斜监测结果反馈至服务器，所述服务器将倾斜检测结果发送至测量判断模块；

所述振动特性监测模块基于测量倾斜角与振动特性的融合模型算法进行监测，得到振动特性监测结果反馈至服务器，所述服务器将振动特性监测结果发送至测量判断模块；

测量判断模块结合倾斜监测模块和振动特性监测模块的检测结果用于进行智能测量；

在所述倾斜监测模块的监测过程中：

利用高抗振动特性的倾斜角度融合算法，融合若干组传感器数据，采用两级滤波算法处理，依据采用IIR滤波器和中值滑动平均滤波进行操作；

在信息融合处理过程中，根据对原始数据处理方法的不同，将若干组传感器数据中的原始数据发送至服务器进行融合处理；

将各种传感器数据进行多层次、多空间的信息互补和优化组合处理；

在所述振动特性监测模块的监测过程中：

当传感器使用在动态测量的环境中，通过傅里叶变换分析振动信号序列中含有的频率成分；

再通过傅里叶逆变换把频率域的信号转化为时间域，得到与原信号长度相同的时间序列；

通过将频率域中频率成分的振幅置零，运用逆变换到时间域实现滤波。

2.根据权利要求1所述的一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，IIR数字滤波器在时域上将离散数据信号通过代入差分方程进行滤波；

IIR数字滤波器根据实际参数分析确定出滤波器的技术指标；

其次根据已确定的技术指标，设计基于数学和数字信号处理的过滤器的模型。

3.根据权利要求2所述的一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，IIR滤波器差分方程为：；式中，x（n）为输入序列，y（n）为输出序列，ai和bi均为滤波器系数，N和M均为滤波器的阶数。

4.根据权利要求3所述的一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，IIR滤波器为I型IIR滤波器，I型IIR滤波器基于二阶Biquad级联的方式来实现的，每个Biquad由一个二阶的滤波器组成：y（n）= b0×x（n）+b1×x（n‑1）+b2×x（n‑2）+a1×y（n‑1）+a2×y（n‑2）；

I型算法每个阶段需要5个系数和4个状态变量；

同时，滤波器系数生成工具还采用的下面公式实现：y（n） = b0×x（n）+b1×x（n‑1）+ b2×x（n‑2）‑a1×y（n‑1）‑a2×y（n‑2）；

通过Matlab工具箱生成IIR滤波器系数，包含截止频率ωp、阻带截止频率ωs、通常波动系数Rp、阻带波动系数Rs以及滤波器的阶数M。

5.根据权利要求1所述的一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，中值滑动平均滤波过程具体为：对某一参数连续采样N次，N为奇数；

把N次采样的值按从小到大排列，再取中间值作为本次采样值。

6.根据权利要求2所述的一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，中值滑动平均滤波过程具体为：将连续取得的N个采样值看成一个队列，队列的长度固定为N，每次采样到一个新数据放入队尾，并扔掉原来队首的一次数据；

把队列中的N个数据进行算术平均运算，获得新的滤波结果。

7.根据权利要求1所述的一种基于融合模型算法的倾斜角与振动特性测量系统，其特征在于，傅立叶变换设置离散傅立叶计算方法‑FFT，离散傅立叶计算方法‑FFT 利用Matlab的FFT与IFFT函数完成设计，具体为：X=fft（x，N）；

x=ifft（X，N）；

其中，x为离散的时域信号，N为采样点数，X为离散的频域信号，设采样频率为Fs，信号频率F；

N取大于信号长度的2的整数次方，当N大于信号长度时，FFT将取零补齐，采样频率Fs被N‑1个点平均分成N等份，每个点的频率依次增加，对于第n点所表示的频率为：Fn=（n‑1）×Fs/N，其频率分辨率为Fs/N，可见采样频率和采样点数决定频率分辨率；

当X的长度为N，同时关于N/2点对称，基于离散傅里叶变换的表达式，得第一点频率为

0，即为直流分量，其幅值为实际直流分量的N倍，由于X后续为复数，其幅值为实际的N/2倍。

说明书

一种基于融合模型算法的倾斜角与振动特性测量系统

技术领域

[0001] 本发明属于倾斜角和振动特征测量领域，具体是一种基于融合模型算法的倾斜角与振动特性测量系统。

背景技术

[0002] 倾斜角为平面直角坐标系内，当直线与X 轴相交时，我们取X轴作为基准，X轴正向与直线向上方向之间所成的角叫做直线的倾斜角。振动为一个物体或弹性媒质中的振动质点受到激励后，由于弹性恢复力的作用，使物体或质点在其平衡位置附近作往返运动。振动的状态与物体或媒质中的质点的特性和外界激励力的性质有关。

[0003] 在倾斜角与振动特性结合测量时，在振动特性下对倾斜角数据进行准确测量，同时针对振动特性的测量结果也不够准确，为此，我们提出一种基于融合模型算法的倾斜角与振动特性测量系统。

发明内容

[0004] 针对现有技术存在的不足，本发明目的是提供一种基于融合模型算法的倾斜角与振动特性测量系统。

[0005] 本发明所要解决的技术问题为：

[0006] 如何基于融合模型算法对倾斜角与振动特性进行准确测量。

[0007] 本发明的目的可以通过以下技术方案实现：

[0008] 一种基于融合模型算法的倾斜角与振动特性测量系统，包括用户终端、数据采集模块、倾斜监测模块、测量判断模块、振动特性监测模块以及服务器；

[0009] 所述用户终端用于输入倾斜角和振动特性的测量请求并发送至服务器；

[0010] 所述数据采集模块用于采集倾斜数据和振动特性数据并发送至服务器，所述服务器将倾斜数据发送至倾斜监测模块、将振动特性数据发送至振动特性监测模块；

[0011] 所述倾斜监测模块基于高抗振动特性下的倾斜角度融合算法进行监测，得到倾斜监测结果反馈至服务器，所述服务器将倾斜检测结果发送至测量判断模块；

[0012] 所述振动特性监测模块基于测量倾斜角与振动特性的融合模型算法进行监测，得到振动特性监测结果反馈至服务器，所述服务器将振动特性监测结果发送至测量判断模块；

[0013] 测量判断模块结合倾斜监测模块和振动特性监测模块的检测结果用于进行智能测量。

[0014] 进一步地，在所述倾斜监测模块的监测过程中：

[0015] 利用高抗振动特性的倾斜角度融合算法，融合若干组传感器数据，采用两级滤波算法处理，依据采用IIR滤波器和中值滑动平均滤波进行操作；

[0016] 在信息融合处理过程中，根据对原始数据处理方法的不同，将若干组传感器数据中的原始数据发送至服务器进行融合处理；

[0017] 将各种传感器数据进行多层次、多空间的信息互补和优化组合处理。

[0018] 进一步地，IIR数字滤波器在时域上将离散数据信号通过代入差分方程进行滤波；

[0019] IIR数字滤波器根据实际参数分析确定出滤波器的技术指标；

[0020] 其次根据已确定的技术指标，设计基于数学和数字信号处理的过滤器的模型。

[0021] 进一步地，IIR滤波器差分方程的一般表达式为：

[0022] ；式中，x（n）为输入序列，y（n）为输出序列，ai和bi均为滤波器系数，N为滤波器的阶数。

[0023] 进一步地，IIR滤波器为I型IIR滤波器，I型IIR滤波器基于二阶Biquad级联的方式来实现的，每个Biquad由一个二阶的滤波器组成：

[0024] y（n）= b0×x（n）+b1×x（n‑1）+b2×x（n‑2）+a1×y（n‑1）+a2×y（n‑2）；

[0025] I型算法每个阶段需要5个系数和4个状态变量；

[0026] 同时，有些滤波器系数生成工具还采用的下面公式实现：

[0027] y（n） = b0×x（n）+b1×x（n‑1）+ b2×x（n‑2）‑a1×y（n‑1）‑a2×y（n‑2）；

[0028] 通过Matlab工具箱生成IIR滤波器系数，包含截止频率ωp、阻带截止频率ωs、通常波动系数Rp、阻带波动系数Rs以及滤波器的阶数M。

[0029] 进一步地，中值滑动平均滤波过程具体为：

[0030] 对某一参数连续采样N次，N为奇数；

[0031] 把N次采样的值按从小到大排列，再取中间值作为本次采样值。

[0032] 进一步地，中值滑动平均滤波过程具体为：

[0033] 将连续取得的N个采样值看成一个队列，队列的长度固定为N，每次采样到一个新数据放入队尾，并扔掉原来队首的一次数据；

[0034] 把队列中的N个数据进行算术平均运算，获得新的滤波结果。

[0035] 进一步地，在所述振动特性监测模块的监测过程中：

[0036] 当传感器使用在动态测量的环境中，通过傅里叶变换分析振动信号序列中含有的频率成分；

[0037] 再通过傅里叶逆变换把频率域的信号转化为时间域，得到与原信号长度相同的时间序列；

[0038] 通过将频率域中频率成分的振幅置零，运用逆变换到时间域实现滤波。

[0039] 进一步地，傅立叶变换设置离散傅立叶计算方法‑FFT，离散傅立叶计算方法‑FFT 利用Matlab的FFT与IFFT函数完成设计，具体为：

[0040] X=fft（x，N）；

[0041] x=ifft（X，N）；

[0042] 其中，x为离散的时域信号，N为采样点数，X为离散的频域信号，设采样频率为Fs，信号频率F；

[0043] N取大于信号长度的2的整数次方，当N大于信号长度时，FFT将取零补齐，采样频率Fs被N‑1个点平均分成N等份，每个点的频率依次增加，对于第n点所表示的频率为：

[0044] Fn=（n‑1）×Fs/N，其频率分辨率为Fs/N，可见采样频率和采样点数决定频率分辨率；

[0045] 当X的长度为N，同时关于N/2点对称，基于离散傅里叶变换的表达式，得第一点频率为0，即为直流分量，其幅值为实际直流分量的N倍，由于X后续为复数，其幅值为实际的N/2倍，为得到实际的幅值，除以一定的系数。

[0046] 与现有技术相比，本发明的有益效果是：

[0047] 本发明通过倾斜监测模块在高抗振动特性下倾斜角度融合算法进行监测得到倾斜监测结果，同时振动特性监测模块基于测量倾斜角与振动特性的融合模型算法进行监测得到振动特性监测结果，测量判断模块结合倾斜监测结果和振动特性监测模块进行测量判定，本发明基于融合模型算法对倾斜角与振动特性进行准确测量。

附图说明

[0048] 为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

[0049] 图1为本发明中抗振动滤波效果的示意图；

[0050] 图2为本发明的整体系统框图。

具体实施方式

[0051] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

[0052] 请参阅图1‑图2所示，一种基于融合模型算法的倾斜角与振动特性测量系统，包括用户终端、数据采集模块、倾斜监测模块、测量判断模块、振动特性监测模块以及服务器；

[0053] 所述用户终端用于输入倾斜角和振动特性的测量请求，并将测量请求发送至服务器；

[0054] 所述数据采集模块用于采集倾斜数据和振动特性数据发送至服务器，所述服务器将倾斜数据发送至倾斜监测模块，所述服务器将振动特性数据发送至振动特性监测模块；

[0055] 所述倾斜监测模块在高抗振动特性下基于倾斜角度融合算法进行监测，得到倾斜监测结果，监测过程具体如下：

[0056] 在振动信号分析中， 滤波算法就是把我们所关注和感兴趣的部分信号从采集得到的信号中提取出来的过程。滤除测试信号中的噪声或虚假成分、抑制干扰信号、其他频率分量数据等，从而提高信噪比、稳定性，平滑分析数据。高抗振动特性的倾斜角度融合算法，融合4个传感器数据，采用两级滤波算法处理，前级采用IIR滤波，后级来采用中值滑动平均滤波实现；

[0057] 信息融合作为对多传感器信息的综合处理过程，具有本质的复杂性。在信息融合处理过程中，根据对原始数据处理方法的不同，本算法将4个传感器获得的原始数据直接送至服务器进行融合处理，在算法实现实时融合，其数据处理的精度高，算法灵活，数据稳定性，可靠性高。

[0058] 传感器信息融合技术的基本原理就像人的大脑综合处理信息的过程一样，将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。在这个过程中要充分地利用多源数据进行合理支配与使用，而信息融合的最终目标则是基于各传感器获得的分离观测信息，通过对信息多级别、多方面组合导出更多有用信息。这不仅是利用了多个传感器相互协同操作的优势，而且也综合处理了其它信息源的数据来提高整个传感器系统的智能化。多传感器融合系统具有四个显著的特点：

[0059] 1、信息的冗余性：对于环境的某个特征，可以通过多个传感器（或者单个传感器的多个不同时刻）得到它的多份信息，这些信息是冗余的，并且具有不同的可靠性，通过融合处理，可以从中提取出更加准确和可靠的信息。此外，信息的冗余性可以提高系统的稳定性，从而能够避免因单个传感器失效而对整个系统所造成的影响。

[0060] 2、信息的互补性：不同种类的传感器可以为系统提供不同性质的信息，这些信息所描述的对象是不同的环境特征，它们彼此之间具有互补性。如果定义一个由所有特征构成的坐标空间，那么每个传感器所提供的信息只属于整个空间的一个子空间，和其他传感器形成的空间相互独立。

[0061] 3、信息处理的及时性：各传感器的处理过程相互独立，整个处理过程可以采用并行导热处理机制，从而使系统具有更快的处理速度，提供更加及时的处理结果。

[0062] 4、信息处理的低成本性：多个传感器可以花费更少的代价来得到相当于单传感器所能得到的信息量。另一方面，如果不将单个传感器所提供的信息用来实现其他功能，单个传感器的成本和多传感器的成本之和是相当的。

[0063] 需要具体说明的是，IIR数字滤波器，称为无限长冲激响应滤波器，是常用的数字滤波器之一，它可以使信号在时域上将离散数据信号通过代入差分方程进行滤波的一种方法，此方法可以使其结果能实现波形过滤。

[0064] IIR数字滤波器的设计需要根据实际参数分析的需要确定出滤波器的技术指标；其次再要根据己确定的技术指标，设计基于数学和数字信号处理的过滤器的模型。

[0065] 其中，IIR数字率变频器的设计步骤是：

[0066] S1：按一定的规则将给出的数字滤波器的技术指标转换为模拟低通率变频器的技术指标；

[0067] S2：根据转换后的技术指标设计模拟低通滤波器G（s）；

[0068] S3：再按一定的规则将G（s）转换成H（z）；

[0069] 其中，IIR滤波器差分方程的一般表达式为：

[0070] ；式中，x（n）为输入序列，y（n）为输出序列，ai和bi均为滤波器系数，N为滤波器的阶数。

[0071] IIR 滤波器具有无限长度的单位脉冲响应，在结果上存在反馈回路，具有递归性，即 IIR 滤波器的输出不仅与输入有关，而且与过去的输出有关。IIR 滤波器具有多种形式，主要有：直接型（也称直接I型）、标准型（也称直接II型）、变换型、级联型和并联型，在此不作具体介绍。

[0072] 本实施例中所采用直接I型IIR滤波器是基于二阶Biquad级联的方式来实现的，每个Biquad由一个二阶的滤波器组成：

[0073] y（n）= b0×x（n）+b1×x（n‑1）+b2×x（n‑2）+a1×y（n‑1）+a2×y（n‑2）；

[0074] 直接I型算法每个阶段需要5个系数和4个状态变量。

[0075] 这里有一点要特别的注意，有些滤波器系数生成工具是采用的下面公式实现：

[0076] y（n） = b0×x（n）+b1×x（n‑1）+ b2×x（n‑2）‑a1×y（n‑1）‑a2×y（n‑2）；

[0077] 通过Matlab工具箱生成IIR滤波器系数，在设计滤波器比较重要的技术指标，如：截止频率ωp、阻带截止频率ωs、通常波动系数Rp、阻带波动系数Rs以及滤波器的阶数M。带宽由此我们可以设计两个低通滤波器用此过滤高频振动干扰。

[0078] 需要具体说明的是，中值滑动平均滤波的过程是对某一参数连续采样N次（N一般为奇数），然后把N次采样的值按从小到大排列，再取中间值作为本次采样值，整个过程实际上是一个序列排序的过程。比较适用于去掉由偶然因素引起的波动和采样器不稳定而引起的脉动干扰。若被测量值变化比较慢，采用中值滑动平均滤波法效果会比较好，但如果数据变化比较快，则不宜采用此方法。

[0079] 中值滑动平均滤波的过程是把连续取得的N个采样值看成一个队列，队列的长度固定为N，每次采样到一个新数据放入队尾，并扔掉原来队首的一次数据（先进先出原则），把队列中的N个数据进行算术平均运算，获得新的滤波结果。 其优点是对周期性干扰有良好的抑制作用，平滑度高，适用于高频振荡的系统。其缺点灵敏度低，对偶然出现的脉冲性干扰的抑制作用较差，不易消除由于脉冲干扰所引起的采样值偏差，不适用于脉冲干扰比较严重的场合；

[0080] 因此我们采用中值滑动平均滤波，融合四个传感器数据，两种滤波的优点。消除大部分振动撞击干扰，引起的采样值偏差小，有效实现抗振动滤波效果。

[0081] 所述振动特性监测模块基于测量倾斜角与振动特性的融合模型算法进行监测，得到振动特性监测结果，监测过程具体如下；

[0082] 随着倾角测量的应用不断拓展，传感器所面临的环境也更加复杂，当传感器使用在动态测量的环境中，常伴有振动，振动信号含有的频率成分不尽相同，通过傅里叶变换我们可以知道振动信号序列中含有哪些频率成分，各个频率成分的振幅是多大。再通过快速傅里叶逆变换我们可以把频率域的信号转化为时间域，从而得到与原信号长度相同的时间序列。那么，我们就可以通过将频率域中的某些频率成分的振幅置零，然后运用逆变换到时间域实现滤波。一种测量倾斜角与振动特性的融合模型算法正是基于此实现。

[0083] 特征级融合过程为先提取各传感器的采集信息的特征，得到对应的特征向量，特征向量必须尽可能多的保证元数据包含的信息，再利用算法融合消去这些特征向量，从而实现准确测量倾斜角。

[0084] 通过傅里叶变换可得到随机振动波形中各个频率对应的幅值和相位，这个过程反过来就是傅里叶逆变换，将信号进行傅里叶变换可以信号中有哪些频率成分，将需要滤除的频率成分的幅值置零，然后进行傅里叶逆变换就可以达到滤波的目的。在实际测量应用中，某些物体的振动是以固定频率所表现的，这样我们通过这种方法可以把振动频率滤除，从而达到精准测量角度。

[0085] 传统的 DFT 算法能够获取信号频域特征，但是算法计算量大，耗时长，不利于计算机实时对信号进行处理。因此导致DFT 被发现以来，在很长的一段时间内都不能被应用到实际工程项目中，直到一种快速的离散傅立叶计算方法‑FFT 被发现，离散是傅立叶变换才在实际的工程中得到广泛应用。需要强调的是，FFT 并不是一种新的频域特征获取方式，而是 DFT 的一种快速实现算法。利用Matlab的FFT与IFFT函数就可以轻松完成设计。

[0086] X=fft（x，N）；

[0087] x=ifft（X，N）；

[0088] 其中，x为离散的时域信号，N为采样点数，X为离散的频域信号。这里我们假定采样频率为Fs，信号频率F。

[0089] 1）为便于计算，N一般取大于信号长度的2的整数次方，当N大于信号长度时，FFT将取零补齐。采样频率Fs被N‑1个点平均分成N等份，每个点的频率依次增加，对于第n点所表示的频率为：Fn=（n‑1）×Fs/N。因此其频率分辨率为Fs/N，可见采样频率和采样点数决定频率分辨率。

[0090] 2）X的长度为N，同时关于N/2点对称。基于离散傅里叶变换的表达式，我们知道FFT得到的第一点频率为0，即为直流分量，其幅值为实际直流分量的N倍。而X后面的为复数，其幅值为实际的N/2倍。因此为得到实际的幅值，我们需要除以一定的系数。

[0091] 例如某物体固有振动8Hz‑12Hz，那么我们可以通过以下办法滤除。

[0092] N=512；%采样点数

[0093] t=0：dt：（N‑1）×dt；%采样时刻

[0094] fs=1/dt；%采样频率，与才采样间隔互为倒数

[0095] n=0：1：N‑1；

[0096] f=（fs/N）×n；%X轴每个点对应的频率

[0097] x=0.5×sin（2×pi×3×t）+cos（2×pi×10×t）；%信号

[0098] figure（1）

[0099] plot（t，x）

[0100] y=fft（x）；%傅里叶变换得到一个复数

[0101] Ay=abs（y）；%取模

[0102] Ayy=Ay×2/N；%转换成实际的幅值

[0103] figure（2）

[0104] plot（f（1：N/2），Ayy（1：N/2））

[0105] f1=8；

[0106] f2=15；

[0107] yy=zeros（1，length（y））；

[0108] for m=0：N‑1

[0109] if（m×（fs/N）＞f1&m×（fs/N）（fs‑f2）&m×（fs/N）＜（fs‑f1））；%将奈奎斯特之后的频率也滤除点掉；

[0110] yy（m+1）=0；

[0111]         else

[0112]             yy（m+1）=y（m+1）；

[0113]         End

[0114] end      %将频率为8Hz‑12Hz的信号的幅值置0

[0115] yyi=abs（yy）；

[0116] figure（3）

[0117] plot（f（1：N/2），yyi（1：N/2））

[0118] yi=ifft（yy）；

[0119] figure（4）

[0120] plot（t，real（yi））

[0121] 总的来说，通过FFT逆变换可以消除物体的特征振动，在使用中值滑动平均滤波，从而使测量结果基本不受振动干扰，从而实现精准测量；

[0122] 所述测量判断模块结合倾斜监测模块和振动特性监测模块的检测结果用于进行智能测量。

[0123] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置，相关参数的取值大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权相关参数的取值大小，只要不影响参数与量化后数值的比例关系即可。

[0124] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。