CN106932337A - 多光纤光栅钢筋腐蚀传感器系统的数据处理方法 - Google Patents

Abstract

本发明公开了一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，包括波长数据预处理、异常数据的检验与剔除、一致性检验、基于Bayes估计的数据融合、数据融合值的模糊区间建立等过程。采用每个传感器组的多次读数，剔除异常数据，并采用多传感器数据融合，可提高传感器系统的可靠性和鲁棒性，扩展时间或空间上的观测范围，增强系统数据的可信度和精度，并增加信息的利用率。采用腐蚀率融合值的模糊区间，更能体现钢筋腐蚀不均匀的特点。

Description

多光纤光栅钢筋腐蚀传感器系统的数据处理方法

技术领域

本发明涉及腐蚀传感器系统的数据处理，特别是一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法。

背景技术

钢筋腐蚀监测技术可实时获取混凝土中钢筋的腐蚀信息，不仅是尽早分析钢筋腐蚀原因的有效手段，而且可为及时采取应对措施提供必要条件，对于保障结构耐久性和降低后期维护费用有着积极意义。目前，已被广泛用于港口码头、跨海大桥、海底隧道等处于严酷腐蚀环境下的钢筋混凝土结构。光纤光栅钢筋腐蚀传感器集传感与信息传输于一体，且具有抗干扰强、体积小、精度高等优点，现已成为国内外钢筋腐蚀监测技术开发的新热点。光纤光栅钢筋腐蚀传感器通常由腐蚀传感器和补偿传感器两部分组成，如中国发明专利103616325B所公开的一种钢筋混凝土腐蚀监测用光纤传感器组合。光纤传感器组合可通过光纤并联器、光纤转接盒、光缆、光纤监测仪器等部件实现实时监测和远程数据传输，如中国实用新型专利203630020U所公开的用于监测混凝土中钢筋腐蚀的光纤传感遥测系统。实际使用时，单个传感器仅能从某一范围描述钢筋腐蚀状况，只能提供局部信息，很难准确反映结构中钢筋的普遍腐蚀状况。因此，在实际工程中，通常会在结构的典型区域埋设一定数量的传感器，这便形成了多传感器系统。与单个传感器相比，多传感器不仅能够增强传感器系统的存活能力和抗干扰能力，而且可以提高数据的可信度和精度，并增加信息的利用率。尽管多传感器系统存在上述优点，但由于采集的数据信息量大，范围广泛，而且数据之间可能存在相互关系等，使得多传感器系统的数据处理较单个传感器更为复杂，且难度更大。

发明内容

本发明针对上述问题，提出一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，用以解决多光纤光栅钢筋腐蚀传感器系统的数据处理问题，并提高多传感器系统数据的可信度和精度。

为实现上述目的提出如下技术方案：

一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，包括波长数据预处理、异常数据的检验与剔除、一致性检验、基于Bayes估计的数据融合、数据融合值的模糊区间建立等过程。

所述波长数据预处理，指根据采集的传感器系统波长信息，包括补偿传感器中心波长、腐蚀传感器中心波长等，确定某时间段相对初始波长的波长变化量，然后根据波长变化量与腐蚀率的定量关系得到相应的腐蚀率数据；

所述异常数据的检验与剔除，指对从某组传感器得到的腐蚀率数据进行异常数据t检验，剔除异常的数据，接着计算该组数据的均值和方差，并以腐蚀率均值代表该组传感器某时间段的腐蚀率。

所述一致性检验，指通过分布图法对传感器所得到的腐蚀率均值进行一致性检验，根据相应的阀值淘汰掉无效数据；

所述基于Bayes估计的数据融合，指对经过异常数据剔除和一致性检验所得到的数据进行基于Bayes估计的数据融合，获得相应的融合腐蚀率，作为某典型区域的腐蚀率；

所述腐蚀率融合值的模糊区间建立，指根据模糊隶属函数及相应阈值，确定某典型区域腐蚀率融合值的模糊区间，作为某典型区域的腐蚀率范围。

一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，具体步骤如下：

(1)波长数据预处理

钢筋腐蚀传感器和相应的补偿传感器构成一个传感器组，根据第j号补偿传感器h时间段的波长和初始时间段的波长计算补偿波长，接着对腐蚀传感器中心波长进行补偿计算，然后结合腐蚀传感器初始波长得到波长变化量，最后根据波长变化量与腐蚀率的定量关系计算h时间段的腐蚀率；波长变化量Δλ_i(h,j)及腐蚀率ρ_i(h,j)计算公式如下：

ρ_i(h,j)＝f[Δλ_i(h,j)]i＝1,2,…,m；j＝1,2,…,n (2)

式中，λ_i(h,j)为h时间段第j号钢筋腐蚀传感器的第i次中心波长的读数值，λ_B(h,j)为h时间段相应补偿传感器的读数，λ_B(h₀,j)为初始时间段相应补偿传感器的波长，λ_i(h₀,j)为初始时间段第j号钢筋腐蚀传感器波长读数的平均值，ρ_i(h,j)为第j号传感器h时间段的钢筋腐蚀率，Δλ_i(h,j)为波长变化量，f(·)为波长变化量与钢筋腐蚀率的定量关系。

(2)异常数据的检验与剔除

对数据进行预处理，得到h时间段每组传感器的m个腐蚀率ρ_i(h,j)，然后用t检验准则对异常数据进行检验和剔除。

①计算h时间段第j号钢筋腐蚀传感器ρ_i(h,j)的平均值

②在m个腐蚀率值中找出与平均值相比误差最大的腐蚀率值ρ_k(h，j)作为可疑值，即

③计算不包括可疑值ρ_k(h,j)在内的m-1个腐蚀率值的平均值以及标准误差σ(h,j)*：

④选定显著性水平α，计算t检验系数K(m,α)：

其中t_α(m-2)为显著水平为α，自由度为m-2时的t分布临界值；

⑤检验异常值ρ_k(h,j)，当

时，确定ρ_k(h,j)为异常值，将其剔除，然后对剩下的m-1个采集值重复上述检验步骤；当上式不成立时，ρ_k(h,j)不能剔除，检验结束。

(3)一致性检验

假设n个传感器组在h时间段剔除异常数据后所求得的平均值分别为 将这些平均值作为单个传感器组的监测数据。定义n个传感器组监测数据的范数N(j)为：

将N(j)从小到大排列为N(1)，N(2),…，N(n-1),N(n)，则N(n)和N(1)分别称为上极限值和下极限值，中位数为：

相应的上、下四分位数F_u和F_v分别为区间[M,N(n)]与[N(1),M]的中位数。四分位数极差为：

dF＝F_u-F_v (11)

若认为与中位数的距离大于γdF是为离异值，当|N(j)-M|＞γdF(j＝1,2,…，n-1,n)时N(j)是无效数据，相应的淘汰点为：

Θ_v＝M-γdF (12)

Θ_u＝M+γdF (13)

式中，γ为一致性检验常数，其大小视系统的测量误差要求而定，在区间[Θ_v,Θ_u]内传感器数据被认为是有效的一致传感器数据，将用于多传感器数据融合。

(4)基于Bayes估计的数据融合

对经过异常数据剔除和一致性检验的数据进行Bayes数据融合，得到相应的腐蚀率融合值μ_N，假设h时间段n个传感器的监测数据经一致性检验后得到一致数据集为：Bayes数据融合的基本公式如下：

式中，μN为腐蚀率融合值；为经过一致性检验后的有效数据；为的方差；μ0和分别为经过一致性检验后，有效传感器组的多次有效数据的均值和方差。

(5)腐蚀率融合值的模糊区间建立

根据模糊隶属函数及相应阈值确定腐蚀率融合值的模糊区间，公式如下：

其中，为腐蚀率数据，ω为阀值，μ_N为腐蚀率融合值，的方差。

本发明的优点和有益效果为：

该数据处理方法可有效解决多光纤光栅钢筋腐蚀传感器系统的数据处理问题。采用每个传感器组的多次读数，剔除异常数据，并采用多传感器数据融合，可提高传感器系统的可靠性和鲁棒性，扩展时间或空间上的观测范围，增强系统数据的可信度和精度，并增加信息的利用率。采用腐蚀率融合值的模糊区间，更能体现钢筋腐蚀不均匀的特点。

附图说明

图1为多光纤光栅钢筋腐蚀传感器系统的数据处理流程图。

具体实施方式

下面结合具体实施例进一步说明本发明的技术方案。

某钢筋混凝土构件布设了10个传感器组，每个腐蚀传感器读数6次，每个补偿传感器读数1次。腐蚀传感器的平均初始波长、补偿传感器的初始波长和某次采集的波长读数见表1。腐蚀传感器某次采集的波长读数见表2。传感器组的腐蚀率ρ＝2.26916(Δλ)²+0.64302Δλ+0.23229，其中Δλ为波长变化量。传感器组所得腐蚀率t检验的显著性水平为0.05，腐蚀率均值一致性检验的系数γ为1.0，腐蚀率模糊区间建立时采用的阀值为0.5。根据表1和表2中的数据，计算腐蚀率融合值的模糊区间。

表1腐蚀传感器及补偿传感器的波长读数

表2腐蚀传感器采集的波长读数

根据本发明一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，实施例1的具体数据处理步骤如下：

(1)波长数据预处理

按照式(1)对表1和表2所采集的波长读数进行波长数据预处理，得到波长变化量，然后将波长变化量代入式(16)，得到相应的腐蚀率值ρ_i(h,j)，计算结果见表3。

ρ_i(h,j)＝2.26916[Δλ_i(h,j)]²+0.64302Δλ_i(h,j)+0.23229 (16)

表3传感器的腐蚀率数据

备注：*异常数据，#为淘汰点。

(2)异常数据的检验与剔除

以第1号传感器的6次读数来演示异常数据的检验和剔除过程：

①根据式(3)计算传感器组h时间段6个腐蚀率值的平均值，结果为4.78％。

②在6个腐蚀率值中找出与平均值相比误差最大的腐蚀率值，结果为3.90％。

③计算不包括可疑值3.90％在内的5个腐蚀率值的平均值和标准差，结果为4.96％和0.261％。

④显著性水平为0.05，根据式(7)计算t检验系数K(6,0.05)，结果为3.041。

⑤检验可疑值3.90％，计算得到

K(m,α)·σ(h,j)*＝3.041×0.261％＝0.79％ (18)

由于确定3.90％为异常值，将其剔除；然后，对剩下的5个腐蚀率值重复上述检验步骤。结果表明，剩下腐蚀率值均非异常值。采用与第1号传感器相同的步骤对第2～10号传感器的异常值进行检验，结果见表3。

(3)一致性检验

对剔除异常值后计算所得的有效均值(见表3)进行一致性检验：

①将有效均值从小到大排列：N(1)＝2.72％,N(2)＝4.52％,N(3)＝4.68％,N(4)＝4.95％,N(5)＝4.96％,N(6)＝5.04％,N(7)＝5.10％,N(8)＝5.27％,N(9)＝5.36％,N(10)＝5.48％。

②根据式(10)计算有效均值的中位数[N(6)+N(5)]/2，结果为M＝5.00％。

③根据式(11)计算四分位数极差dF＝F_u-F_v＝5.32％-4.82％＝0.50％。

④根据式(12)计算有效的一致传感器数据所在的区间[Θ_v,Θ_u]，结果为[4.50％,5.50％]，那么淘汰点为2.72％，即第10号传感器组的数据。

(4)基于Bayes估计的数据融合

根据式(14)对第1～9号传感器组的有效均值进行Bayes数据融合，计算所得的腐蚀率融合值为5.07％，具体结果见表4。

表4根据第1～9传感器组数据计算所得的腐蚀率融合值

(5)腐蚀率融合值的模糊区间建立

根据式(15)计算腐蚀率融合值的模糊区间，计算结果为[4.81％，5.33％]。

以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (4)

1.一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，其特征在于，包括以下步骤：

(1)波长数据预处理

钢筋腐蚀传感器和相应的补偿传感器构成一个传感器组，根据第j号补偿传感器h时间段的波长和初始时间段的波长计算补偿波长，接着对腐蚀传感器中心波长进行补偿计算，然后结合腐蚀传感器初始波长得到波长变化量，最后根据波长变化量与腐蚀率的定量关系计算h时间段的腐蚀率；波长变化量Δλ_i(h,j)及腐蚀率ρ_i(h,j)计算公式如下：

${\mathrm{\Δ\λ}}_i(h,j)={\mathrm{\λ}}_i(h,j)-\[{\mathrm{\λ}}_B(h,j)-{\mathrm{\λ}}_B(h_0,j)\]-{\stackrel{\‾}{\mathrm{\λ}}}_i(h_0,j),i=1,2,\mathrm{...},m;j=1,2,...,n---\left(1\right)$

ρ_i(h,j)＝f[Δλ_i(h,j)] i＝1,2,…,m；j＝1,2,…,n (2)

式中，λ_i(h,j)为h时间段第j号钢筋腐蚀传感器的第i次中心波长的读数值，λ_B(h，j)为h时间段相应补偿传感器的读数，λ_B(h₀,j)为初始时间段相应补偿传感器的波长，为初始时间段第j号钢筋腐蚀传感器波长读数的平均值，ρ_i(h,j)为第j号传感器h时间段的钢筋腐蚀率，Δλ_i(h,j)为波长变化量，f(·)为波长变化量与钢筋腐蚀率的定量关系；

(2)异常数据的检验与剔除

对数据进行预处理，得到h时间段每组传感器的m个腐蚀率ρ_i(h,j)，然后用t检验准则对异常数据进行检验和剔除；

①计算h时间段第j号钢筋腐蚀传感器ρ_i(h,j)的平均值

$\stackrel{\‾}{\mathrm{\ρ}}(h,j)=\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ρ}}_i(h,j)---\left(3\right)$

②在m个腐蚀率值中找出与平均值相比误差最大的腐蚀率值ρ_k(h，j)作为可疑值，即

$|{\mathrm{\ρ}}_k(h,j)-\stackrel{\‾}{\mathrm{\ρ}}(h,j)|>|{\mathrm{\ρ}}_i(h,j)-\stackrel{\‾}{\mathrm{\ρ}}(h,j)|---\left(4\right)$

③计算不包括可疑值ρ_k(h,j)在内的m-1个腐蚀率值的平均值以及标准误差σ(h,j)*：

$\stackrel{\‾}{\mathrm{\ρ}}(h,j)*=\frac{1}{m-1}\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ρ}}_i(h,j),i\≠k---\left(5\right)$

$\mathrm{\σ}(h,j)*=\sqrt{\frac{1}{m-2}\underset{i=1}{\overset{m}{\Σ}}{\left({\mathrm{\ρ}}_i\right(h,j)-\stackrel{\‾}{\mathrm{\ρ}}(h,j)*)}^2},i\≠k---\left(6\right)$

④选定显著性水平α，计算t检验系数K(m,α)：

$K(m,\mathrm{\α})=t_{\mathrm{\α}}(m-2)\sqrt{1+\frac{1}{m-1}}---\left(7\right)$

其中t_α(m-2)为显著水平为α，自由度为m-2时的t分布临界值；

⑤检验异常值ρ_k(h,j)，当

$|{\mathrm{\ρ}}_k(h,j)-\stackrel{\‾}{\mathrm{\ρ}}(h,j)*|>K(m,\mathrm{\α})\·\mathrm{\σ}(h,j)*---\left(8\right)$

时，确定ρ_k(h,j)为异常值，将其剔除，然后对剩下的m-1个采集值重复上述检验步骤；当上式不成立时，ρ_k(h,j)不能剔除，检验结束。

(3)一致性检验

假设n个传感器组在h时间段剔除异常数据后所求得的平均值分别为 将这些平均值作为单个传感器组的监测数据，定义n个传感器组监测数据的范数N(j)为：

$N\left(j\right)=\left|\right|\stackrel{\‾}{\mathrm{\ρ}}(h,j)**\left|\right|=\sqrt{{\[\stackrel{\‾}{\mathrm{\ρ}}(h,j)**\]}^2},j=1,2,...,n---\left(9\right)$

将N(j)从小到大排列为N(1)，N(2),…，N(n-1),N(n)，则N(n)和N(1)分别称为上极限值和下极限值，中位数为：

相应的上、下四分位数F_u和F_v分别为区间[M,N(n)]与[N(1),M]的中位数，四分位数极差为：

dF＝F_u-F_v (11)

若认为与中位数的距离大于γdF是为离异值，当|N(j)-M|＞γdF(j＝1,2,…，n-1,n)时N(j)是无效数据，相应的淘汰点为：

Θ_v＝M-γdF (12)

Θ_u＝M+γdF (13)

式中，γ为一致性检验常数，其大小视系统的测量误差要求而定，在区间[Θ_v,Θ_u]内传感器数据被认为是有效的一致传感器数据，将用于多传感器数据融合。

(4)基于Bayes估计的数据融合

对经过异常数据剔除和一致性检验的数据进行Bayes数据融合，得到相应的腐蚀率融合值μ_N，假设h时间段n个传感器的监测数据经一致性检验后得到一致数据集为：r≤n，Bayes数据融合的基本公式如下：

${\mathrm{\μ}}_N=(\underset{j=1}{\overset{r}{\Σ}}\frac{\stackrel{\‾}{\mathrm{\ρ}}(h,j)**}{{\mathrm{\σ}}_j^2}+\frac{{\mathrm{\μ}}_0}{{\mathrm{\σ}}_0^2})/(\underset{j=1}{\overset{r}{\Σ}}\frac{1}{{\mathrm{\σ}}_j^2}+\frac{1}{{\mathrm{\σ}}_0^2})---\left(14\right)$

式中，μ_N为腐蚀率融合值；为经过一致性检验后的有效数据；为的方差；μ₀和分别为经过一致性检验后，有效传感器组的多次有效数据的均值和方差；

(5)腐蚀率融合值的模糊区间建立

根据模糊隶属函数及相应阈值确定腐蚀率融合值的模糊区间，公式如下：

${\mathrm{\μ}}_N-\sqrt{-{\mathrm{\σ}}_0^{2}ln\mathrm{\ω}}\≤\widehat{\mathrm{\ρ}}\≤{\mathrm{\μ}}_N+\sqrt{-{\mathrm{\σ}}_0^{2}ln\mathrm{\ω}}---\left(15\right)$

其中，为腐蚀率数据，ω为阀值，μ_N为腐蚀率融合值，为的方差。

2.根据权利要求1所述的一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，其特征在于：腐蚀率值ρ_i(h,j)＝2.26916[Δλ_i(h,j)]²+0.64302Δλ_i(h,j)+0.23229。

3.根据权利要求1所述的一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，其特征在于：腐蚀率均值一致性检验的系数γ为1.0。

4.根据权利要求1所述的一种多光纤光栅钢筋腐蚀传感器系统的数据处理方法，其特征在于：腐蚀率模糊区间建立时采用的阀值ω为0.5。