CN105627978A - 一种雨季滑坡变形监测方法及系统 - Google Patents
一种雨季滑坡变形监测方法及系统 Download PDFInfo
- Publication number
- CN105627978A CN105627978A CN201610053426.2A CN201610053426A CN105627978A CN 105627978 A CN105627978 A CN 105627978A CN 201610053426 A CN201610053426 A CN 201610053426A CN 105627978 A CN105627978 A CN 105627978A
- Authority
- CN
- China
- Prior art keywords
- value
- covariance matrix
- speed
- time point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种雨季滑坡变形监测方法,数据融合中心根据位移传感器和速度传感器获取一个监测点在当前采样时间点的位移值和速度值,采样时间点的前一和二个采样时间点的位移、速度值以及两个已知误差协方差矩阵,并根据当前采样时间点的序数及上述参数获取监测点在当前采样时间点的量测噪声协方差矩阵和过程噪声协方差矩阵估计值;用获取的两个矩阵估计值对当前时间点的位移和速度值进行卡尔曼滤波,获得当前采样时间点的位移和速度的最优估计值。上述位移和速度值或为位移加权平均值和速度加权平均值。本发明根据实际采集的位移和速度值来对两个协方差矩阵进行估计,而非人为给定,得到的矩阵估计值真实,滤波结果精确。还涉及雨季滑坡变形监测系统。
Description
技术领域
本发明涉及一种雨季滑坡变形监测方法及系统。
背景技术
数据融合技术在无线传感器网络中占据很重要的地位。其中,卡尔曼数据融合技术是比较著名的一种融合技术。
目前,应用于雨季滑坡变形监测的技术主要是通过无线传感器对滑坡的位移和速度进行长期量测,无线传感器将测得的位移数据和速度数据发送给无线传感器网络中的数据融合中心,数据融合中心对传感器发送过来的位移数据和速度数据进行处理,然后人为经验地给定过程噪声协方差矩阵和量测噪声协方差矩阵,最后将给定的过程噪声协方差矩阵和量测噪声协方差矩阵代入卡尔曼滤波算法中,对测量到的多个位移数据和速度数据进行过滤,得到最后的用来表示滑坡的位移和速度数据。
上述过程噪声协方差矩阵和量测噪声协方差矩阵主要是测量人员根据经验给定的,但是,由于实际环境的复杂性以及不可预知性,在滑坡变形监测中,特别是在每年降雨量均不同的雨季,系统的过程噪声和量测噪声都是不同的。使用错误的过程噪声协方差矩阵和量测噪声协方差矩阵必然导致数据融合中心所得到的滑坡变形监测数据不够精确,从而影响滑坡的整体监测效果。
发明内容
本发明提供一种雨季滑坡变形监测方法及系统,利用该方法可以获得更接近真实值的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,从而获得更精确的位移值和速度值。
第一方面,本发明提供一种雨季滑坡变形监测方法,包括:
监测滑坡体的监测点的位移传感器和速度传感器获取所述监测点在当前采样时间点的第一位移值和所述监测点在当前采样时间点的第一速度值,并将所述第一位移值和第一速度值传输给所述数据融合中心;
所述数据融合中心获取所述监测点的第二位移值、第二速度值、第三位移值、第三速度值、所述监测点在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述监测点在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;
其中,所述第二位移值和第二速度值分别为所述监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述监测点在所述当前采样时间点前面第二个采样时间点的位移值和速度值;
所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移值和第一速度值进行卡尔曼滤波,获得所述监测点在当前采样时间点的位移的最优估计值和速度的最优估计值。
优选的,根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,包括:
根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值;
根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、一步预测输出误差协方差矩阵和量测噪声协方差矩阵估计值获取过程噪声协方差矩阵估计值。
优选的,通过下式获得所述监测点在当前采样时间点的量测噪声协方差矩阵估计值:
其中,Covk(v)为所述监测点在第k个采样时间点的量测噪声协方差矩阵估计值,
ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述监测点在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述监测点在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述监测点第k个采样时间点的位移值和速度值组成的列向量,yk-1为由所述监测点第k-1个采样时间点的位移值和速度值组成的列向量,yk-2为由所述监测点第k-2个采样时间点的位移值和速度值组成的列向量,A=[11;01]。
优选的,通过下式获取过程噪声协方差矩阵估计值:
Covk(Bw)=Covk(ξ)-ACovk(v)AT-Covk(v)
其中,Covk(Bw)为所述监测点在第k个采样时间点的过程噪声协方差矩阵估计值;
ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述监测点在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述监测点在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述监测点第k个采样时间点的位移值和速度值组成的列向量,yk-1为由所述监测点第k-1个采样时间点的位移值和速度值组成的列向量,yk-2为由所述监测点第k-2个采样时间点的位移值和速度值组成的列向量,A=[11;01]。
另一方面,本发明还提供一种雨季滑坡变形监测方法,包括:
分别监测滑坡体的多个监测点的多个位移传感器和多个速度传感器分别获取滑坡体的第一位移集合和第一速度集合,并将所述第一位移集合中的各位移值和第一速度值集合中的各速度值传输给所述数据融合中心;其中,所述第一位移集合包括所述多个监测点中每个监测点在当前采样时间点的位移值,所述第一速度集合包括所述每个监测点在所述当前采样时间点的速度值;
所述数据融合中心计算所述第一位移集合中各位移值的加权平均值和第一速度集合中各速度值的加权平均值;
所述数据融合中心获取第二位移集合、第二速度集合、第三位移集合、第三速度集合、所述滑坡体在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述滑坡体在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并计算所述第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值;
其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;
所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移集合中的各位移值的加权平均值和第一速度集合中的各速度值的加权平均值进行卡尔曼滤波,获得滑坡体在当前采样时间点的位移的最优估计值和速度的最优估计值。
优选的,所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,包括:
所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述滑坡体在当前采样时间点的量测噪声协方差矩阵估计值;
根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和量测噪声协方差矩阵估计值获取所述滑坡体在当前采样时间点的过程噪声协方差矩阵估计值。
优选的,通过下式获得所述滑坡体在当前采样时间点的量测噪声协方差矩阵估计值:
其中,Covk(v)为所述滑坡体在第k个采样时间点的量测噪声协方差矩阵估计值, ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述滑坡体在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述滑坡体在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述每个监测点的第k个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,yk-1由所述每个监测点的第k-1个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,yk-2为由所述每个监测点的第k-2个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,A=[11;01]。
优选的,通过下式获取过程噪声协方差矩阵估计值:
Covk(Bw)=Covk(ξ)-ACovk(v)AT-Covk(v)
其中,Covk(Bw)为所述滑坡体的第k个采样时间点的过程噪声协方差矩阵估计值;
其中,Covk(v)为所述滑坡体在第k个采样时间点的量测噪声协方差矩阵估计值,
第三方面,本发明还提供一种雨季滑坡变形监测系统,包括:
第一位移和速度获取单元,监测滑坡体的监测点的位移传感器和速度传感器获取所述监测点在当前采样时间点的第一位移值和所述监测点在当前采样时间点的第一速度值,并将所述第一位移值和第一速度值传输给所述数据融合中心;
第一矩阵估计值获取单元,所述数据融合中心获取所述监测点的第二位移值、第二速度值、第三位移值、第三速度值、所述监测点在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述监测点在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;其中,所述第二位移值和第二速度值分别为所述监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述监测点在所述当前采样时间点前面第二个采样时间点的位移值和速度值;
第一位移和速度最优估计值获取单元,所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移值和第一速度值进行卡尔曼滤波,获得所述监测点在当前采样时间点的位移的最优估计值和速度的最优估计值。
第四方面,本发明还提供一种雨季滑坡变形监测系统,包括:
第二位移和速度获取单元,分别监测滑坡体的多个监测点的多个位移传感器和多个速度传感器分别获取滑坡体的第一位移集合和第一速度集合,并将所述第一位移集合中的各位移值和第一速度值集合中的各速度值传输给所述数据融合中心;其中,所述第一位移集合包括所述多个监测点中每个监测点在当前采样时间点的位移值,所述第一速度集合包括所述每个监测点在所述当前采样时间点的速度值;
第一计算单元,所述数据融合中心计算所述第一位移集合中各位移值的加权平均值和第一速度集合中各速度值的加权平均值;
第二计算单元,所述数据融合中心获取第二位移集合、第二速度集合、第三位移集合、第三速度集合、所述滑坡体在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述滑坡体在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并计算所述第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值;
其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
第二矩阵估计值获取单元,所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
第二位移和速度最优估计值获取单元,所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移集合中的各位移值的加权平均值和第一速度集合中的各速度值的加权平均值进行卡尔曼滤波,获得滑坡体在当前采样时间点的位移的最优估计值和速度的最优估计值。
由上述技术方案可知,本发明由于根据实际采集的当前采样时间点的位移值和速度值对量测噪声协方差矩阵和过程噪声协方差矩阵进行估计,而不是人为根据经验获取的,所以根据上述这些位移值和速度值获取的所述监测点的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值是更接近真实值的,用该量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值滤波后得到的位移值和速度值更精确,从而监测得到的所述监测点的变形程度更接近真实值。
附图说明
图1为本发明一实施例提供的一种雨季滑坡变形监测方法的流程图;
图2为本发明另一实施例提供的一种雨季滑坡变形监测方法的流程图;
图3为本发明一实施例中一种雨季滑坡变形监测系统的原理框图;
图4为本发明另一实施例中一种雨季滑坡变形监测系统的原理框图。
附图标记说明
第一位移和速度获取单元31第一矩阵估计值获取单元32
第一位移和速度最优估计值获取单元33第二位移和速度获取单元41
第一计算单元42第二计算单元43第二矩阵估计值获取单元44
第二位移和速度最优估计值获取单元45
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
卡尔曼数据融合技术中,需要精确的已知系统模型中的过程噪声协方差矩阵和量测噪声协方差矩阵。但是,由于实际环境的复杂性以及不可预知性,在滑坡变形监测中,特别是在每年降雨量均不同的雨季,系统的过程噪声和量测噪声都是不可复制的。使用错误的过程噪声和量测噪声的话,必然导致数据融合中心所得到的滑坡变形监测数据不够精确,从而影响滑坡的整体监测效果。
本发明根据位移传感器和速度传感器实际采集的位移数据和速度数据获取更接近真实值的量测噪声协方差矩阵和过程噪声协方差矩阵,用更接近真实值的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对采集的位移值和速度值进行卡尔曼滤波,可以获得相应采样时间点的精确的滑坡变形数据。此处位移传感器和速度传感器采集的是数据是测量值,和真实值也具有一定的误差,因此需要求得量测噪声协方差矩阵和过程噪声协方差矩阵,对采集的位移数据和速度数据进行卡尔曼滤波,才能得到更真实的位移数据和速度数据。
图1示出了本发明一实施例提供的一种雨季滑坡变形监测方法的流程图。
如图1所示,一种雨季滑坡变形监测方法,包括:
S11、监测滑坡体的监测点的位移传感器和速度传感器获取所述监测点在当前采样时间点的第一位移值和所述监测点在当前采样时间点的第一速度值,并将所述第一位移值和第一速度值传输给所述数据融合中心;
S12、所述数据融合中心获取所述监测点的第二位移值、第二速度值、第三位移值、第三速度值、所述监测点在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述监测点在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;
其中,所述第二位移值和第二速度值分别为所述监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述监测点在所述当前采样时间点前面第二个采样时间点的位移值和速度值;
S13、所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移值和第一速度值进行卡尔曼滤波,获得所述监测点在当前采样时间点的位移的最优估计值和速度的最优估计值。
所述第二位移值、第二速度值、第三位移值、第三速度值都是位移传感器和速度传感器以前采集存储在数据融合中心的,一步预测输出误差协方差矩阵、两步预测输出误差协方差矩阵也是数据融合中心在以前计算存储在数据融合中心的。
本发明由于根据实际采集的当前采样时间点的位移值和速度值对量测噪声协方差矩阵和过程噪声协方差矩阵进行估计,而不是人为根据经验获取的,所以根据上述这些位移值和速度值获取的所述监测点的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值是更接近真实值的,用该量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值滤波后得到的位移值和速度值更精确,从而监测得到的所述监测点的变形程度更接近真实值。
监测滑坡体的监测点的位移传感器和速度传感器尽量安置在同一个地方,在降雨量较大的季节,滑坡体变形程度较大时,以一个小时一次的采样频率采集位移和速度数据,位移和速度数据分别以毫米和毫米/每小时为单位,采集到位移数据和速度数据后无线传输给数据融合中心,相对于现有的以月为单位的采样频率,可以频繁对所述监测点的变形进行监测,且较快的采样频率还可使计算量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值时可以更快的收敛,以使计算的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值更接近真实值,进而使通过该量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值滤波后得到的位移值和速度值更接近真实值。
本文中的数据融合中心可理解为利用卡尔曼滤波技术中的进行数据处理的处理单元,以下同。
上述步骤S12中的根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,包括:
S121、根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值;
S122、根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、一步预测输出误差协方差矩阵和量测噪声协方差矩阵估计值获取过程噪声协方差矩阵估计值。
优选的,所述步骤S121中通过下式获得所述监测点在当前采样时间点的量测噪声协方差矩阵估计值:
其中,Covk(v)为所述监测点在第k个采样时间点的量测噪声协方差矩阵估计值,
ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述监测点在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述监测点在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述监测点第k个采样时间点的位移值和速度值组成的列向量,yk-1为由所述监测点第k-1个采样时间点的位移值和速度值组成的列向量,yk-2为由所述监测点第k-2个采样时间点的位移值和速度值组成的列向量,A=[11;01]。所述列向量指由位移值和速度值组成的两行一列的向量。
优选的,所述步骤S122中通过下式获取过程噪声协方差矩阵估计值:
Covk(Bw)=Covk(ξ)-ACovk(v)AT-Covk(v)
其中,Covk(Bw)为所述监测点在第k个采样时间点的过程噪声协方差矩阵估计值,其他参数的含义请详见上述量测噪声协方差矩阵估计值具体公式。
本发明的所述一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵可以分别通过
迭代得到。
设位移传感器和速度传感器可以开始采样的时间点为k=1时刻(此时认为位移传感器和速度传感器开机后的第一个采样时间点)。假设两个虚拟的采样时刻k=0和k=-1,并将这两个虚拟时刻的位移值和速度值均设为0,并假设虚拟时刻k=0时,Cov0(ξ)=0,Cov0(η)=0。以下k的取值与此处相同,不再详述。
需要说明的是:这里的虚拟时刻k=0和k=-1的速度值和位移值都是在位移传感器和速度传感器还没开机的时候就在数据融合中心给出的,它是事先给出的值,不是真实的量测的位移值和速度值。虚拟时刻k=0时的一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵也是事先在数据融合中心给出的。
按照本发明的该种方式计算出的协方差矩阵滤波后的位移值和速度值开始时与真实值会差的比较多,随着k值的增加,滤波后的值与真实值会越来越接近。以下k的取值与此处相同,不再详述。
以下的一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵的获取方法可以与此相同,不再详述。
通常,为了检测滑坡体较大范围的变形程度,会在滑坡体上安置若干组位移传感器和速度传感器,并以每一小时一次的采样频率对滑坡体的位移和速度数据进行检测,位移和速度数据分别以毫米和毫米/每小时为单位。下面提供一种基于多组位移传感器和速度传感器同时监测多个监测点的方法的实施例。
图2为本发明另一实施例提供的一种雨季滑坡变形监测方法的流程图。
如图2所示,一种雨季滑坡变形监测方法,包括:
S21、分别监测滑坡体的多个监测点的多个位移传感器和多个速度传感器分别获取滑坡体的第一位移集合和第一速度集合,并将所述第一位移集合中的各位移值和第一速度值集合中的各速度值传输给所述数据融合中心;其中,所述第一位移集合包括所述多个监测点中每个监测点在当前采样时间点的位移值,所述第一速度集合包括所述每个监测点在所述当前采样时间点的速度值;
S22、所述数据融合中心计算所述第一位移集合中各位移值的加权平均值和第一速度集合中各速度值的加权平均值;
S23、所述数据融合中心获取第二位移集合、第二速度集合、第三位移集合、第三速度集合、所述滑坡体在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述滑坡体在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并计算所述第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值;
其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
S24、所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;
S25、所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移集合中的各位移值的加权平均值和第一速度集合中的各速度值的加权平均值进行卡尔曼滤波,获得滑坡体在当前采样时间点的位移的最优估计值和速度的最优估计值。
所述多个检测点指至少两个监测点。
所述第二位移集合中的各位移值、第二速度集合中的各速度值、第三位移集合中的各位移值、第三速度集合中的各速度值都是各监测点的位移传感器和速度传感器以前采集存储在数据融合中心的,一步预测输出误差协方差矩阵、两步预测输出误差协方差矩阵也是数据融合中心在以前计算存储在数据融合中心的。加权平均值的求法为现有技术,不再详述。
本发明由于根据实际采集的当前采样时间点的位移值和速度值对量测噪声协方差矩阵和过程噪声协方差矩阵进行估计,而不是人为根据经验获取的,所以根据上述这些位移值和速度值获取的所述滑坡体的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值是更接近真实值的,用量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值滤波后得到的位移值和速度值更精确,从而监测得到的所述监测点的变形程度更接近真实值。由于本方法中采用的是每个监测点的位移值的加权平均值和速度值的加权平均值获得的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,并用该两个矩阵估计值对上述各位移值的加权平均值和速度值的加权平均值进行卡尔曼滤波,因此可得到设置所述监测点的滑坡体的整体的变形程度(具有代表性)。
监测滑坡体的监测点的每组位移传感器和速度传感器尽量安置在同一个地方,在降雨量较大的季节,滑坡体变形程度较大时,以一个小时一次的采样频率采集位移和速度数据,位移和速度数据分别以毫米和毫米/每小时为单位,采集到位移数据和速度数据后无线传输给数据融合中心,相对于现有的以月为单位的采样频率,可以频繁对所述监测点的变形进行监测,且较快的采样频率还可使计算量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值时可以更快的收敛,以使计算的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值更接近真实值,进而使通过该量测噪声协方差估计估计值和过程噪声协方差矩阵估计值滤波后得到的位移值和速度值更接近真实值。
所述步骤S24,包括:
S241、所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述滑坡体在当前采样时间点的量测噪声协方差矩阵估计值;
S242、根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和量测噪声协方差矩阵估计值获取所述滑坡体在当前采样时间点的过程噪声协方差矩阵估计值。
优选的,所述步骤S241中通过下式获得所述滑坡体在当前采样时间点的量测噪声协方差矩阵估计值:
其中,Covk(v)为所述滑坡体在第k个采样时间点的量测噪声协方差矩阵估计值, ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述滑坡体在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述滑坡体在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述每个监测点的第k个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,yk-1由所述每个监测点的第k-1个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,yk-2为由所述每个监测点的第k-2个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,A=[11;01]。此处的所述列向量指由位移值的加权平均值和速度值的加权平均值组成的两行一列的向量。
优选的,所述步骤S242中通过下式获取过程噪声协方差矩阵估计值:
Covk(Bw)=Covk(ξ)-ACovk(v)AT-Covk(v)
其中,Covk(Bw)为所述滑坡体的第k个采样时间点的过程噪声协方差矩阵估计值,其他参数的含义请详见上述量测噪声协方差矩阵估计值具体公式。
图3为本发明一实施例中一种雨季滑坡变形监测系统的原理框图。
参照图3,本发明还涉及一种雨季滑坡变形监测系统,包括:
第一位移和速度获取单元31,监测滑坡体的监测点的位移传感器和速度传感器获取所述监测点在当前采样时间点的第一位移值和所述监测点在当前采样时间点的第一速度值,并将所述第一位移值和第一速度值传输给所述数据融合中心;
第一矩阵估计值获取单元32,所述数据融合中心获取所述监测点的第二位移值、第二速度值、第三位移值、第三速度值、所述监测点在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述监测点在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;其中,所述第二位移值和第二速度值分别为所述监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述监测点在所述当前采样时间点前面第二个采样时间点的位移值和速度值;
第一位移和速度最优估计值获取单元33,所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移值和第一速度值进行卡尔曼滤波,获得所述监测点在当前采样时间点的位移的最优估计值和速度的最优估计值。
图4为本发明另一实施例中一种雨季滑坡变形监测系统的原理框图。
参照图4,一种雨季滑坡变形监测系统,包括:
第二位移和速度获取单元41,分别监测滑坡体的多个监测点的多个位移传感器和多个速度传感器分别获取滑坡体的第一位移集合和第一速度集合,并将所述第一位移集合中的各位移值和第一速度值集合中的各速度值传输给所述数据融合中心;其中,所述第一位移集合包括所述多个监测点中每个监测点在当前采样时间点的位移值,所述第一速度集合包括所述每个监测点在所述当前采样时间点的速度值;
第一计算单元42,所述数据融合中心计算所述第一位移集合中各位移值的加权平均值和第一速度集合中各速度值的加权平均值;
第二计算单元43,所述数据融合中心获取第二位移集合、第二速度集合、第三位移集合、第三速度集合、所述滑坡体在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述滑坡体在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并计算所述第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值;
其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
第二矩阵估计值获取单元44,所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
第二位移和速度最优估计值获取单元45,所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移集合中的各位移值的加权平均值和第一速度集合中的各速度值的加权平均值进行卡尔曼滤波,获得滑坡体在当前采样时间点的位移的最优估计值和速度的最优估计值。
由于本发明的一种雨季滑坡变形监测系统和上述方法是一一对应的,因此对系统不再详述。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种雨季滑坡变形监测方法,其特征在于,包括:
监测滑坡体的监测点的位移传感器和速度传感器获取所述监测点在当前采样时间点的第一位移值和所述监测点在当前采样时间点的第一速度值,并将所述第一位移值和第一速度值传输给所述数据融合中心;
所述数据融合中心获取所述监测点的第二位移值、第二速度值、第三位移值、第三速度值、所述监测点在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述监测点在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;
其中,所述第二位移值和第二速度值分别为所述监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述监测点在所述当前采样时间点前面第二个采样时间点的位移值和速度值;
所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移值和第一速度值进行卡尔曼滤波,获得所述监测点在当前采样时间点的位移的最优估计值和速度的最优估计值。
2.根据权利要求1所述的方法,其特征在于,根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点的当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,包括:
根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值;
根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、一步预测输出误差协方差矩阵和量测噪声协方差矩阵估计值获取过程噪声协方差矩阵估计值。
3.根据权利要求2所述的方法,其特征在于,通过下式获得所述监测点在当前采样时间点的量测噪声协方差矩阵估计值:
其中,Covk(v)为所述监测点在第k个采样时间点的量测噪声协方差矩阵估计值,
ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述监测点在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述监测点在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述监测点第k个采样时间点的位移值和速度值组成的列向量,yk-1为由所述监测点第k-1个采样时间点的位移值和速度值组成的列向量,yk-2为由所述监测点第k-2个采样时间点的位移值和速度值组成的列向量,A=[11;01]。
4.根据权利要求2或3所述的方法,其特征在于,通过下式获取过程噪声协方差矩阵估计值:
Covk(Bw)=Covk(ξ)-ACovk(v)AT-Covk(v)
其中,Covk(Bw)为所述监测点在第k个采样时间点的过程噪声协方差矩阵估计值;
ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述监测点在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述监测点在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述监测点第k个采样时间点的位移值和速度值组成的列向量,yk-1为由所述监测点第k-1个采样时间点的位移值和速度值组成的列向量,yk-2为由所述监测点第k-2个采样时间点的位移值和速度值组成的列向量,A=[11;01]。
5.一种雨季滑坡变形监测方法,其特征在于,包括:
分别监测滑坡体的多个监测点的多个位移传感器和多个速度传感器分别获取滑坡体的第一位移集合和第一速度集合,并将所述第一位移集合中的各位移值和第一速度值集合中的各速度值传输给所述数据融合中心;其中,所述第一位移集合包括所述多个监测点中每个监测点在当前采样时间点的位移值,所述第一速度集合包括所述每个监测点在所述当前采样时间点的速度值;
所述数据融合中心计算所述第一位移集合中各位移值的加权平均值和第一速度集合中各速度值的加权平均值;
所述数据融合中心获取第二位移集合、第二速度集合、第三位移集合、第三速度集合、所述滑坡体在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述滑坡体在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并计算所述第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值;
其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;
所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移集合中的各位移值的加权平均值和第一速度集合中的各速度值的加权平均值进行卡尔曼滤波,获得滑坡体在当前采样时间点的位移的最优估计值和速度的最优估计值。
6.根据权利要求5所述的方法,其特征在于,所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值,包括:
所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述滑坡体在当前采样时间点的量测噪声协方差矩阵估计值;
根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和量测噪声协方差矩阵估计值获取所述滑坡体在当前采样时间点的过程噪声协方差矩阵估计值。
7.根据权利要求6所述的方法,其特征在于,通过下式获得所述滑坡体在当前采样时间点的量测噪声协方差矩阵估计值:
其中,Covk(v)为所述滑坡体在第k个采样时间点的量测噪声协方差矩阵估计值, ξk=yk-Ayk-1,ηk=yk-A2yk-2,k为采样时间点的序数,Covk-1(ξ)为所述滑坡体在第k-1个采样时间点的一步预测输出误差协方差矩阵,Covk-1(η)为所述滑坡体在第k-1个采样时间点的两步预测输出误差协方差矩阵,yk为由所述每个监测点的第k个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,yk-1由所述每个监测点的第k-1个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,yk-2为由所述每个监测点的第k-2个采样时间点的位移值的加权平均值和速度值的加权平均值组成的列向量,A=[11;01]。
8.根据权利要求6或7所述的方法,其特征在于,通过下式获取过程噪声协方差矩阵估计值:
Covk(Bw)=Covk(ξ)-ACovk(v)AT-Covk(v)
其中,Covk(Bw)为所述滑坡体的第k个采样时间点的过程噪声协方差矩阵估计值;
其中,Covk(v)为所述滑坡体在第k个采样时间点的量测噪声协方差矩阵估计值,
9.一种雨季滑坡变形监测系统,其特征在于,包括:
第一位移和速度获取单元,监测滑坡体的监测点的位移传感器和速度传感器获取所述监测点在当前采样时间点的第一位移值和所述监测点在当前采样时间点的第一速度值,并将所述第一位移值和第一速度值传输给所述数据融合中心;
第一矩阵估计值获取单元,所述数据融合中心获取所述监测点的第二位移值、第二速度值、第三位移值、第三速度值、所述监测点在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述监测点在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并根据所述当前采样时间点的序数、第一位移值、第一速度值、第二位移值、第二速度值、第三位移值、第三速度值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取所述监测点在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;其中,所述第二位移值和第二速度值分别为所述监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述监测点在所述当前采样时间点前面第二个采样时间点的位移值和速度值;
第一位移和速度最优估计值获取单元,所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移值和第一速度值进行卡尔曼滤波,获得所述监测点在当前采样时间点的位移的最优估计值和速度的最优估计值。
10.一种雨季滑坡变形监测系统,其特征在于,包括:
第二位移和速度获取单元,分别监测滑坡体的多个监测点的多个位移传感器和多个速度传感器分别获取滑坡体的第一位移集合和第一速度集合,并将所述第一位移集合中的各位移值和第一速度值集合中的各速度值传输给所述数据融合中心;其中,所述第一位移集合包括所述多个监测点中每个监测点在当前采样时间点的位移值,所述第一速度集合包括所述每个监测点在所述当前采样时间点的速度值;
第一计算单元,所述数据融合中心计算所述第一位移集合中各位移值的加权平均值和第一速度集合中各速度值的加权平均值;
第二计算单元,所述数据融合中心获取第二位移集合、第二速度集合、第三位移集合、第三速度集合、所述滑坡体在当前采样时间点的前一采样时间点的一步预测输出误差协方差矩阵和所述滑坡体在当前采样时间点的前一采样时间点的两步预测输出误差协方差矩阵,并计算所述第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值;
其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
第二矩阵估计值获取单元,所述数据融合中心根据所述当前采样时间点的序数、第一位移集合中各位移值的加权平均值、第一速度集合中各速度值的加权平均值、第二位移集合中各位移值的加权平均值、第二速度集合中各速度值的加权平均值、第三位移集合中各位移值的加权平均值和第三速度集合中各速度值的加权平均值、一步预测输出误差协方差矩阵和两步预测输出误差协方差矩阵获取滑坡体在当前采样时间点的量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值;其中,所述第二位移集合包括所述多个监测点中每个监测点的第二位移值,所述第二速度集合包括所述每个监测点的第二速度值,所述第三位移集合包括所述每个监测点的第三位移值,所述第三速度集合包括所述每个监测点的第三速度值;所述第二位移值和第二速度值分别为所述每个监测点在当前采样时间点前一采样时间点的位移值和速度值,所述第三位移值和第三速度值分别为所述每个监测点在当前采样时间点前面第二个采样时间点的位移值和速度值;
第二位移和速度最优估计值获取单元,所述数据融合中心通过所述量测噪声协方差矩阵估计值和过程噪声协方差矩阵估计值对所述第一位移集合中的各位移值的加权平均值和第一速度集合中的各速度值的加权平均值进行卡尔曼滤波,获得滑坡体在当前采样时间点的位移的最优估计值和速度的最优估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053426.2A CN105627978B (zh) | 2016-01-27 | 2016-01-27 | 一种雨季滑坡变形监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053426.2A CN105627978B (zh) | 2016-01-27 | 2016-01-27 | 一种雨季滑坡变形监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105627978A true CN105627978A (zh) | 2016-06-01 |
CN105627978B CN105627978B (zh) | 2018-08-10 |
Family
ID=56043131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610053426.2A Active CN105627978B (zh) | 2016-01-27 | 2016-01-27 | 一种雨季滑坡变形监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105627978B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097728A (zh) * | 2020-09-17 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于反向解算惯性导航系统的惯性双矢量匹配形变测量方法 |
CN112991689A (zh) * | 2021-03-18 | 2021-06-18 | 武汉星辰北斗科技有限公司 | 一种不依靠参考站的新型滑坡监测方法及装置 |
CN114001703A (zh) * | 2021-10-09 | 2022-02-01 | 四川轻化工大学 | 一种滑坡变形数据实时过滤方法 |
CN114061535A (zh) * | 2021-11-15 | 2022-02-18 | 北京环安工程检测有限责任公司 | 一种基于mems的地铁隧道自动化变形监测方法和装置 |
CN114818518A (zh) * | 2022-06-30 | 2022-07-29 | 深圳特科动力技术有限公司 | 一种陡坡防滑坡危险监测信息分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4256890B2 (ja) * | 2006-10-25 | 2009-04-22 | 地球観測株式会社 | 地盤変状監視方法 |
CN102509420A (zh) * | 2011-10-12 | 2012-06-20 | 北京科技大学 | 一种基于临滑区变形信息的滑坡预报方法 |
CN103150871A (zh) * | 2013-01-31 | 2013-06-12 | 青岛理工大学 | 利用地下水位与位移实时监测的滑坡预测方法 |
CN103512631A (zh) * | 2013-09-25 | 2014-01-15 | 青岛理工大学 | 基于监测确定边坡临界排水水位线的方法 |
CN104318103A (zh) * | 2014-10-23 | 2015-01-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害监测预警降雨阈值判定方法 |
CN104699995A (zh) * | 2015-04-03 | 2015-06-10 | 吉林大学 | 一种滑坡监测数据对数拟合的预测预报方法 |
-
2016
- 2016-01-27 CN CN201610053426.2A patent/CN105627978B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4256890B2 (ja) * | 2006-10-25 | 2009-04-22 | 地球観測株式会社 | 地盤変状監視方法 |
CN102509420A (zh) * | 2011-10-12 | 2012-06-20 | 北京科技大学 | 一种基于临滑区变形信息的滑坡预报方法 |
CN103150871A (zh) * | 2013-01-31 | 2013-06-12 | 青岛理工大学 | 利用地下水位与位移实时监测的滑坡预测方法 |
CN103512631A (zh) * | 2013-09-25 | 2014-01-15 | 青岛理工大学 | 基于监测确定边坡临界排水水位线的方法 |
CN104318103A (zh) * | 2014-10-23 | 2015-01-28 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害监测预警降雨阈值判定方法 |
CN104699995A (zh) * | 2015-04-03 | 2015-06-10 | 吉林大学 | 一种滑坡监测数据对数拟合的预测预报方法 |
Non-Patent Citations (1)
Title |
---|
陆付民 等: "《离散卡尔曼滤波法在滑坡变形预测中的应用》", 《水利水电科技进展》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097728A (zh) * | 2020-09-17 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于反向解算惯性导航系统的惯性双矢量匹配形变测量方法 |
CN112097728B (zh) * | 2020-09-17 | 2021-07-30 | 中国人民解放军国防科技大学 | 基于反向解算组合惯性导航系统的惯性双矢量匹配形变测量方法 |
CN112991689A (zh) * | 2021-03-18 | 2021-06-18 | 武汉星辰北斗科技有限公司 | 一种不依靠参考站的新型滑坡监测方法及装置 |
CN114001703A (zh) * | 2021-10-09 | 2022-02-01 | 四川轻化工大学 | 一种滑坡变形数据实时过滤方法 |
CN114001703B (zh) * | 2021-10-09 | 2023-07-28 | 四川轻化工大学 | 一种滑坡变形数据实时过滤方法 |
CN114061535A (zh) * | 2021-11-15 | 2022-02-18 | 北京环安工程检测有限责任公司 | 一种基于mems的地铁隧道自动化变形监测方法和装置 |
CN114818518A (zh) * | 2022-06-30 | 2022-07-29 | 深圳特科动力技术有限公司 | 一种陡坡防滑坡危险监测信息分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105627978B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105627978A (zh) | 一种雨季滑坡变形监测方法及系统 | |
US10458863B2 (en) | Hybrid virtual load monitoring system and method | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
CN103792000B (zh) | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 | |
CN105263731B (zh) | 脉冲宽度测量方法及装置 | |
CN102023010B (zh) | 基于mems的小波域多传感器信息融合系统及融合方法 | |
CN103344448A (zh) | 一种桥梁结构损伤识别方法和系统 | |
CN103968910B (zh) | 一种提高机动车燃油量估算精度的方法 | |
CN104880172B (zh) | 基于卡尔曼滤波的路面平整度测量方法及装置 | |
CN104133950A (zh) | 一种悬臂梁运行模态分析实验方法及装置 | |
CN104165742A (zh) | 一种基于互谱函数的运行模态分析实验方法及装置 | |
CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN103973263A (zh) | 一种新的逼近滤波方法 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及系统 | |
CN108982096A (zh) | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 | |
CN106157616A (zh) | 一种交通流量短时预测装置 | |
CN114859351A (zh) | 一种基于神经网络的地表形变场异常检测的方法 | |
CN108398183B (zh) | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 | |
CN114692465B (zh) | 桥梁损伤位置的无损识别方法、存储介质及设备 | |
CN113687192B (zh) | 输电线路放电信号采集及定位方法 | |
CN108646248A (zh) | 一种针对低速运动声源的被动声学测速测距方法 | |
CN111561929B (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
CN109239477B (zh) | 触摸按键的检测方法及检测系统 | |
CN106970357A (zh) | 高精度的实时超声波定位追踪方法及系统 | |
CN107219376A (zh) | 一种适应对象运动特性的互相关测速方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |