加速度计的振动探测与位移提取的交互多模型检测方法
技术领域
[0001] 本
发明属于
传感器技术领域，尤其涉及一种加速度计的振动探测与位移提取的交互多模型检测方法。
背景技术
[0002] 目前，最接近的
现有技术：结构健康监测技术与人们的生命财产安全息息相关。传感器技术是实现结构健康监测的关键。随着
物联网技术和无线传感技术的发展，无线传感网络技术越来越受到关注。无线传感网络技术具有安装部署方便，远程监控等诸多优点。然而，制约无线传感网路发展的主要因素之一是电量消耗。目前针对这一问题存在三种解决方案。一种解决方案是通过事件唤醒机制，即结构处于稳定状态时，系统处于睡眠状态，当一些事件发生时，整个传感器网络被迅速激活。虽然有一些唤醒机制，但是如何可靠、快速地唤醒整个传感器网络仍然是一个有待解决的难题。另一种解决方案是
能量收集，它收集来自太阳光、热梯度、人体运动和体温、振动和环境射频的能量，并将其转换为
电能。然而，目前单靠能量采集无法满足传感器的功耗要求。事实上，传感器的数据传输将消耗大部分电
力。数据传输被认为比在线数据计算消耗更多的电能。因此，在线数据检测和信息提取更有利于减少原始数据的传输，从而延长
电池的使用寿命。另一方面，传感器网络收集了大量的数据，如何从这些数据中检测和提取有价值的信息是
数据处理中需要考虑的问题。
[0003] 但是，传统的位移估计方法需要考虑大量的结构参数，运算量大，不适合在线运算。或者需要考虑详细的物理结构，不适于在线振动检测和位移提取。实际生产中的振动可能比理想模型要复杂的多，传统的理想模型方法很难满足实际生产的需求。目前在结构健康监测中，参数估计都采用单模型估计，不具有自适应性，不利于振动探测与位移提取。
[0004] 综上所述，现有技术存在的问题是：(1)传统的位移估计方法需要考虑大量的结构参数，运算量大，不适于在线运算。实际生产中的振动可能比理想模型要复杂的多，传统的理想模型方法很难满足实际生产的需求。
[0005] (2)传统的位移估计方法需要考虑详细的物理结构，不适于在线振动检测和位移提取。
[0006] (3)目前在结构健康监测中，参数估计都采用单模型估计，不具有自适应性，不利于振动探测与位移提取。
[0007] 解决上述技术问题的难度：现有的振动探测和位移提取
算法，需要考虑复杂结构特点，对于多数应用很难满足这样的要求；此外大量的力学参数的估计所需算法的计算复杂度高，不利于低功耗传感器单元实时运算。因此，目前尚未存在一种简单高效的振动探测和位移提取方法。
[0008] 解决上述技术问题的意义在于：能够从海量数据中高效提取信息，降低算法复杂度，提高运算效率，能够有效探测振动，提取振动位移，降低传感器功耗，延长无线传感器电池的使用寿命，对无线传感网络在结构健康监测中的普及和应用具有重要的意义。
发明内容
[0009] 针对现有技术存在的问题，本发明提供了一种加速度计的振动探测与位移提取的交互多模型检测方法。
[0010] 本发明是这样实现的，一种加速度计的振动探测与位移提取的交互多模型检测方法，所述加速度计的振动探测与位移提取的交互多模型检测方法包括以下步骤：
[0011] 步骤一，状态模型选择：根据要区分的振动状态选择合适的模型，包括明显振动状态模型的选择和微弱振动状态模型的选择。
[0012] 步骤二，测量模型选择：对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型。
[0013] 步骤三，交互多模型滤波：依次进行模型混合、卡尔曼滤波、模型概率计算、模型组合。
[0014] 步骤四，振动探测：根据计算的模型概率判断振动状态，包括显著振动探测和微弱振动探测。
[0015] 步骤五，位移提取：根据最终状态估值中的位移分量作为显著振动的位移提取；根据分段积分进行微弱振动的位移提取。
[0016] 进一步，步骤一中，对于明显振动选择两状态静态模型和阻尼振动模型；对于微弱振动选择三状态静态模型和常加速度模型。
[0017] 进一步，步骤一中，所述静态模型、阻尼振动模型以及常加速度模型的定义如下：
[0018] (1)静态模型
[0019] X(k)＝ΦcpX(k-1)+wcp(k)
[0020] 其中，X(k)为状态参数，k表示第k个历元，Φcp是静态模型的状态转移矩阵，wcp(k)是静态模型的过程噪声。
[0021] 当状态参数选择为位移，速度时Φcp的取值为：
[0022]
[0023] 当状态参数选择为位移，速度和加速度时Φcp的取值为：
[0024]
[0025] (2)阻尼振动模型
[0026] X(k)＝ΦdvX(k-1)+wdv(k)
[0027] 其中，Φdv是阻尼振动模型的状态转移矩阵，wdv(k)是阻尼振动模型的过程噪声。
[0028] Φdv＝eAt
[0029] 其中，A是由自由阻尼振动的连续观测方程确定，t是连续两个历元之间的时间间隔。
[0030] 当状态参数选择为位移，速度时A的取值为：
[0031]
[0032] 当状态参数选择为位移，速度和加速度时A的取值为：
[0033]
[0034] 其中，ζ阻尼比，w0是
角速度，可以通过半功率带宽方法获取。
[0035] (3)常加速度模型
[0036] X(k)＝ΦcaX(k-1)+wca(k)
[0037] 当状态参数选择为位移，速度和加速度时Φca的取值为：
[0038]
[0039] 其中，t是连续两个历元之间的时间间隔。
[0040] 进一步，步骤二中，所述两状态系统测量模型为：
[0041]
[0042] 其中，为测量的加速度； 状态参数选择为位移，速度。
[0043] 所述三状态简单测量模型为：
[0044]
[0045] 其中， 状态参数选择为位移，速度，加速度。
[0046] 进一步，步骤三中，所述模型混合包括：
[0047] 模型混合需要利用前一历元的各个模型概率λi(k-1)，状态估值 以及模型间的
马尔科夫链πij。模型概率的预测值为：
[0048]
[0049] 根据上一历元的模型概率和模型概率，计算前一历元的模型i对模型j的贡献λi|j：
[0050]
[0051] 计算模型j的混合状态向量
[0052]
[0053] 计算每个模型的混合残差
[0054]
[0055] 计算模型j的混合状态向量的协方差阵
[0056]
[0057] 计算的每一个模型的混合状态估值 和协方差阵 作为下一步卡尔曼滤波的输入。
[0058] 进一步，步骤三中，所述卡尔曼滤波包括：
[0059] 根据计算得到的混合值及协方差阵作为卡尔曼滤波的输入，针对设计的每个模型j进行卡尔曼滤波。
[0060] 预测值 计算如下：
[0061]
[0062] 预测值方差 计算如下：
[0063]
[0064] 其中，Gj(k-1)是过程噪声。
[0065] 根据预测值，测量值Z以及测量模型的设计矩阵Hj，计算新息向量vj如下：
[0066]
[0067] 新息向量的协方差Sj计算如下：
[0068] Sj＝HjQj(k|k-1)Hj'+Rj
[0069] 其中，Rj为测量噪声。
[0070] 卡尔曼增益Kj的计算如下：
[0071]
[0072] 模型j的卡尔曼滤波状态估值 计算如下：
[0073]
[0074] 模型j的卡尔曼滤波状态估值的协方差计 算如下：
[0075]
[0076] 进一步，步骤三中，所述模型概率计算的方法为：
[0077] 根据计算得到的模型概率预测值、新息向量及协方差阵作为模型概率计算的输入。模型j的似然函数ηj计算如下：
[0078]
[0079] 模型j的概率λj计算如下：
[0080]
[0081] 进一步，步骤三中，所述模型组合具体包括：
[0082] 最终的状态估值由各个模型的状态估值的加权确定：
[0083]
[0084] 模型i的估值残差 计算如下：
[0085]
[0086] 最终的状态估值的协方差阵Q(k|k)计算如下：
[0087]
[0088] 至此，整个交互多模滤波完成，进入下一个循环流程，即进入模型混合。
[0089] 进一步，步骤四中，对于显著振动，当阻尼振动的模型概率大于静态模型的概率时，模型处于阻尼振动状态；对于微弱振动，当常加速度的模型概率大于静态模型的概率时，模型处于振动状态。
[0090] 进一步，步骤五中，所述微弱振动的位移提取方法包括：首先根据模型概率输出结果，将振动划分为若干振动区间；然后针对各个振动区间进行分段积分；最终再对积分的位移结果进行去趋势，得到微弱振动的位移。
[0091] 本发明的另一目的在于提供一种实施所述加速度计的振动探测与位移提取的交互多模型检测方法的加速度计的振动探测与位移提取的交互多模型检测系统。
[0092] 本发明的另一目的在于提供一种实现所述加速度计的振动探测与位移提取的交互多模型检测方法的信息数据处理终端。
[0093] 本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的加速度计的振动探测与位移提取的交互多模型检测方法。
[0094] 综上所述，本发明的优点及积极效果为：本发明提供的一种加速度计的振动探测与位移提取的交互多模型检测方法，相较于传统的位移估计方法，状态参数少，运算量小，适合在线运算。本发明具有自适应性，不需要考虑详细的物理结构，即可实现在线振动检测和位移提取，能够满足实际生产的需求。
附图说明
[0095] 图1是本发明
实施例提供的加速度计的振动探测与位移提取的交互多模型检测方法
流程图。
[0096] 图2是本发明实施例提供的加速度计的振动探测与位移提取的交互多模型检测方法原理图。
[0097] 图3是本发明实施例提供的显著振动的模型概率示意图。
[0098] 图4是本发明实施例提供的微弱振动的模型概率示意图。
[0099] 图5是本发明实施例提供的显著振动的位移提取示意图。
[0100] 图6是本发明实施例提供的微弱振动位移分段提取示意图。
[0101] 图7是本发明实施例提供的仿真实验数据位移提取结果图。
[0102] 图8是本发明实施例提供的实验室实验各模型概率对比图。
[0103] 图9是本发明实施例提供的实时位移提取结果与高
精度视觉事后位移提取结果对比图。
具体实施方式
[0104] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0105] 传统的位移估计方法需要考虑大量的结构参数，运算量大，不适合在线运算。实际生产中的振动可能比理想模型要复杂的多，传统的理想模型方法很难满足实际生产的需求。传统的位移估计方法需要考虑详细的物理结构，不适于在线振动检测和位移提取。目前在结构健康监测中，参数估计都采用单模型估计，不具有自适应性，不利于振动探测与位移提取。
[0106] 针对现有技术存在的问题，本发明提供了一种加速度计的振动探测与位移提取的交互多模型检测方法，下面结合附图对本发明作详细的描述。
[0107] 如图1所示，本发明实施例提供的一种加速度计的振动探测与位移提取的交互多模型检测方法包括以下步骤：
[0108] S101：状态模型选择：根据要区分的振动状态选择合适的模型，包括明显振动状态模型的选择和微弱振动状态模型的选择。
[0109] S102：测量模型选择：对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型。
[0110] S103：交互多模型滤波：依次进行模型混合、卡尔曼滤波、模型概率计算、模型组合。
[0111] S104：振动探测：根据计算的模型概率判断振动状态，包括显著振动探测和微弱振动探测。
[0112] S105：位移提取：根据最终状态估值中的位移分量作为显著振动的位移提取；根据分段位移进行微弱振动的位移提取。
[0113] 图2是本发明实施例提供的加速度计的振动探测与位移提取的交互多模型检测方法原理。
[0114] 下面结合实施例对本发明作进一步描述。
[0115] 1、模型选择
[0116] 1.1状态模型
[0117] 根据要区分的振动状态选择合适的模型。对于明显振动选择两状态静态模型和阻尼振动模型；对于微弱振动选择三状态静态模型和常加速度模型。静态模型、阻尼振动模型以及常加速度模型的定义如下：
[0118] (1)静态模型
[0119] X(k)＝ΦcpX(k-1)+wcp(k)
[0120] 其中，X(k)为状态参数，k表示第k个历元，Φcp是静态模型的状态转移矩阵，wcp(k)是静态模型的过程噪声。
[0121] 当状态参数选择为位移，速度时Φcp的取值为：
[0122]
[0123] 当状态参数选择为位移，速度和加速度时Φcp的取值为：
[0124]
[0125] (2)阻尼振动模型
[0126] X(k)＝ΦdvX(k-1)+wdv(k)
[0127] 其中，Φdv是阻尼振动模型的状态转移矩阵，wdv(k)是阻尼振动模型的过程噪声。
[0128] Φdv＝eAt
[0129] 其中，A是由自由阻尼振动的连续观测方程确定，t是连续两个历元之间的时间间隔。
[0130] 当状态参数选择为位移，速度时A的取值为：
[0131]
[0132] 当状态参数选择为位移，速度和加速度时A的取值为：
[0133]
[0134] 其中，ζ阻尼比，w0是角速度，可以通过半功率带宽方法获取。
[0135] (3)常加速度模型
[0136] X(k)＝ΦcaX(k-1)+wca(k)
[0137] 当状态参数选择为位移，速度和加速度时Φca的取值为：
[0138]
[0139] 其中，t是连续两个历元之间的时间间隔。
[0140] 1.2测量模型
[0141] 对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型。
[0142] (1)两状态系统测量模型
[0143]
[0144] 其中，为测量的加速度； 状态参数选择为位移，速度。
[0145] (2)三状态简单测量模型
[0146]
[0147] 其中， 状态参数选择为位移，速度，加速度。
[0148] 模型选择总结如表1所示。
[0149] 表1模型选择总结
[0150] 显著振动 微弱振动状态模型 两状态静态模型和阻尼振动模型 三状态静态模型和常加速度模型测量模型 两状态系统测量模型 三状态简单测量模型
[0151] 2、交互多模型滤波
[0152] 2.1模型混合
[0153] 模型混合需要利用前一历元的各个模型概率λi(k-1)，状态估值 以及模型间的马尔科夫链πij。模型概率的预测值为：
[0154]
[0155] 根据上一历元的模型概率和模型概率，计算前一历元的模型i对模型j的贡献λi|j：
[0156]
[0157] 计算模型j的混合状态向量
[0158]
[0159] 计算每个模型的混合残差
[0160]
[0161] 计算模型j的混合状态向量的协方差阵
[0162]
[0163] 计算的每一个模型的混合状态估值 和协方差阵 作为下一步卡尔曼滤波的输入。
[0164] 2.2卡尔曼滤波
[0165] 根据2.1节计算的混合值及协方差阵作为卡尔曼滤波的输入，针对第1节设计的每个模型j进行卡尔曼滤波。
[0166] 预测值 计算如下：
[0167]
[0168] 预测值方差 计算如下：
[0169]
[0170] 其中，Gj(k-1)是过程噪声。
[0171] 根据预测值，测量值Z以及测量模型的设计矩阵Hj，计算新息向量vj如下：
[0172]
[0173] 新息向量的协方差Sj计算如下：
[0174] Sj＝HjQj(k|k-1)Hj'+Rj
[0175] 其中，Rj为测量噪声。
[0176] 卡尔曼增益Kj的计算如下：
[0177]
[0178] 模型j的卡尔曼滤波状态估值 计算如下：
[0179]
[0180] 模型j的卡尔曼滤波状态估值的协方差计 算如下：
[0181]
[0182] 2.3模型概率计算
[0183] 对2.1节中计算的模型概率预测值，2.2节中计算的新息向量及协方差阵作为模型概率计算的输入。模型j的似然函数ηj计算如下：
[0184]
[0185] 模型j的概率λj计算如下：
[0186]
[0187] 2.4模型组合
[0188] 最终的状态估值由各个模型的状态估值的加权确定：
[0189]
[0190] 模型i的估值残差 计算如下：
[0191]
[0192] 最终的状态估值的协方差阵Q(k|k)计算如下：
[0193]
[0194] 至此，整个交互多模滤波完成，进入下一个循环流程，即进入步骤2.1。
[0195] 3、振动探测
[0196] 根据步骤2.3中计算的模型概率判断振动状态。
[0197] 对于显著振动，当阻尼振动的模型概率大于静态模型的概率时，模型处于阻尼振动状态。显著振动的模型概率如图3所示，在104s和106秒之间处于阻尼振动状态。
[0198] 对于微弱振动，当常加速度的模型概率大于静态模型的概率时，模型处于振动状态。微弱振动的模型概率如图4所示，其中灰白色对应的为振动状态。
[0199] 4、位移提取
[0200] 显著振动的位移提取，根据2.4中最终状态估值中的位移分量作为提取的位移。显著振动的位移提取示例如图5所示。
[0201] 微弱振动的位移提取，首先需要根据2.3节中的模型概率输出结果，将振动划分为若干振动区间；然后针对各个振动区间进行分段积分；最终再对积分的位移结果进行去趋势，得到微弱振动的位移。微弱振动的位移提取示例如图6所示。
[0202] 下面结合具体实验结果对本发明作进一步描述。
[0203] 图7是本发明实施例提供的仿真实验数据位移提取结果图。
[0204] 图8是本发明实施例提供的实验室实验各模型概率对比图。
[0205] 图9是本发明实施例提供的实时位移提取结果与高精度视觉事后位移提取结果对比图。
[0206] 在上述实施例中，可以全部或部分地通过
软件、
硬件、
固件或者其任意组合来实现。当使用全部或部分地以
计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、
计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个
网站站点、计算机、
服务器或
数据中心通过有线(例如同轴
电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、
微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是
磁性介质，(例如，
软盘、
硬盘、磁带)、光介质(例如，DVD)、或者
半导体介质(例如固态硬盘Solid State Disk(SSD))等。
[0207] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
