CN108268428A - 一种基于传感器使用的数据稳定性增强方法 - Google Patents

Abstract

本发明提供一种基于传感器使用的数据稳定性增强方法，包括：获取传感器的测试数据，计算所述测试数据的中心线和极差；计算每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；计算位置概率因子并替代卡尔曼滤波系数，获得改进后滤波算法；数据稳定时，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算输出距离；数据产生突变时，对所述测试数据采用突变算法处理；当测试目标参量连续缓变时，采用动态连续缓变算法。提高了测量数据的重复精度和稳定性，实现静态滤波算法的动态智能调节，增加突变和连续缓变的动态响应算法，实现了传感器测量环境突变和连续变化情况下的快速响应。

Description

一种基于传感器使用的数据稳定性增强方法

技术领域

本发明涉及传感器数据处理领域，具体涉及一种基于传感器使用的数据稳定性增强方法。

背景技术

近年来，传感器的发展突飞猛进，对于传感器的稳定性和重复精度的要求也越来越高。而单纯靠传感器自身敏感元件的性能，还不能满足人们的需求。因此各种滤波算法纷纷涌现，滤波算法能够大幅提高传感器的重复精度和稳定性，但滤波效果越好的算法，其动态响应就越差，而传感器的应用场合各不相同，很多传感器会面临检测环境的复杂变化，数据的动态特性较强，因此，在追求传感器数据稳定的同时，也对动态响应特性提出了严格要求。

通常传感器采用的提高稳定性的方法为滤波方法，包括中值滤波，均值滤波，滑动取平均滤波，卡尔曼滤波等。

中值滤波和均值滤波对于静态数据滤波效果较好，但传感器测量出现错误点后，对结果影响较大，因此，滤波后数据会出现蠕变现象。

滑动取平均滤波法对静态数据滤波较好，滑动取的滤波数据越多，滤波效果越显著，动态响应延迟也就越大。

卡尔曼滤波对于静态数据滤波效果较好，且滤波后数据仍服从正态分布。但卡尔曼系数收敛后不易改变，不能对实时的测量情况进行及时调节，动态性能较差，有严重的动态滞后。

发明内容

为解决上述技术问题，本发明的目的在于提供一种基于传感器使用的数据稳定性增强方法。

本发明是通过以下技术方案实现的：

一种基于传感器使用的数据稳定性增强方法，包括以下步骤：

S1、获取传感器的测试数据，计算所述测试数据的中心线和极差，所述测试数据近似服从高斯分布规律；

S2、计算所述测试数据中每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；

S3、根据所述差值和所述极差计算得到位置概率因子；

S4、结合卡尔曼滤波算法对滤波系数进行改进，用所述位置概率因子替代卡尔曼滤波系数，获得改进后滤波算法的输出距离计算公式；

S5、当所述差值的绝对值在阈值范围内时，判断为数据稳定，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算所述输出距离；

S6、当所述差值的绝对值超出所述阈值范围时，判断为数据产生突变，对所述测试数据采用突变算法处理；

S7、当测试目标参量连续缓变时，采用动态连续缓变算法。

进一步的，所述中心线代表若干个测试数据的均值；所述极差为所述测试数据中的最大值减去最小值的差。传感器的测量数据有相应的可靠程度，这个可靠程度与在此位置测量的数据的极差十分接近，认为近似相等。

进一步的，步骤S2中，所述均值为Dis_avg，所述测量值为Dis_measure，所述差值为D_value，计算公式为：D_value＝Dis_measure﹣Dis_avg，所述极差为precision，所述位置的高斯分布因子为position，所述差值D_value的绝对值为abs(D_value)，计算公式如下：

所述position的值越大，表示所述测量值处于越远离所述中心线的位置；当所述positon＝0，表示所述测量值处于中心线上；当所述position＝1，表示所述测量值处于所述极差的边界。

进一步的，步骤S3中，所述位置概率因子为chance，计算公式如下：

chance＝1-abs(D_value)×2/precision (2)。

进一步的，步骤S4中，所述卡尔曼滤波算法中，计算公式如下：

Distance＝Dis_avg+Kg×D_value (3)

Distance为输出距离，Kg为卡尔曼滤波系数，用chance替代Kg，改进后滤波算法的输出距离计算公式如下：

Distance＝Dis_avg+chance×D_value (4)。

静态滤波的动态智能调节，由公式(2)可知，chance是一个与极差precision有关的参量，而极差与传感器数据的可靠程度息息相关，当环境改变时，如测量距离变远，测量目标物改变等，传感器测得的数据可靠程度也会改变，位置概率因子chance也就随之改变。传感器会根据其环境变化，对滤波系数进行智能调节。

进一步的，步骤S5中，所述阈值为Threshold，m为调整系数，计算公式如下：

Threshold＝m×precision (5)。

进一步的，步骤S5中，

当abs(D_value)≤Threshold且chance＜0.6时，令chance＝0，表示距中心线较远，舍去此数据，将所述均值Dis_avg作为所述输出距离；

当abs(D_value)≤Threshold且chance＞0.8时，令chance＝1，还原接近中心线的真实数据,所述测量值Dis_measure作为所述输出距离；

当abs(D_value)≤Threshold且0.6≤chance≤0.8时，chance取实际计算值,采用所述公式(4)计算出所述输出距离。

进一步的，步骤S6中，当abs(D_value)＞Threshold时，令chance＝1，代入所述公式(4)得

Distance＝Dis_avg+D_value

则计算得出所述输出距离为当前实时的测量值，根据所述输出距离对突变进行快速响应。

进一步的，步骤S7中，被测目标物以一定速度靠近传感器，距离有一定趋势，且运动速度大于一定阈值后，判断为目标参量连续缓变，令chance＝1，代入所述公式(4)，所述输出距离为当前实时的所述测量值，快速响应。

进一步的，取所述传感器在某时间段内连续等时间间隔⊿T采集的7个原始距离数据a0～a6，分别以a0、a1和a2为起点，依次计算4⊿T时间内的三个平均速度speed1、speed2和speed3，

speed1＝(a4-a0)/4⊿T；

speed2＝(a5-a1)/4⊿T；

speed3＝(a6-a2)/4⊿T；

当speed1,speed2,speed3异号时，表示此时所述距离没有一定的变化趋势；

当speed1,speed2,speed3同号时，表示此时所述距离有上升或下降趋势。

相比现有技术,本发明具有如下有益效果：

1、根据高斯分布特性，改进卡尔曼滤波系数

根据高斯分布规律和传感器数据的极差，计算出数据位置概率因子chance，替换了卡尔曼滤波算法中的卡尔曼系数，获得了适合传感器测量数据分布的滤波效果；对传感器的测量数据进行滤波处理，提高测量数据的重复精度和稳定性。

2、对不同位置的数据采用不同的处理，一定程度上还原原始数据分布。根据数据的位置概率，判断数据所处的位置，将远离中心的数据舍去，靠近中心的数据进行滤波，中心线附近的数据不进行处理。

3、利用测量数据的可靠程度与极差的关系，实现静态滤波算法的动态智能调节；将传感器测得数据的可靠程度与数据在此处波动的极差关联起来，传感器在不同的感应位置，其数据可靠程度不同，极差也会不同。引入了极差因子，根据极差的变化可对滤波参数进行连续的动态智能调节。

4、增加突变和连续缓变的动态响应算法

增加了突变算法、运动速度判断、运动趋势判断算法，通过调节静态滤波算法中的位置概率因子chance，克服了传统滤波方法数据滞后的问题，实现了传感器测量环境突变和连续变化情况下的快速响应。

附图说明

图1为传感器的测试数据高斯分布图；

图2为位置概率因子的不同区间范围内不同方法计算的输出距离图；

图3为采用改进后滤波算法的滤波效果图；

图4为传感器连续采集的等时间间隔的7个原始距离数据图；

图5为采用动态连续缓变算法滤波后的动态响应效果图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程。

如图1所示，传感器测试得到的数据近似服从高斯分布规律，大部分数据处于靠近中心的区域(±3δ)，数据落在该区域的概率高达99％，只有1％的数据落在远离中心的区域，而这1％的数据，可能使重复精度变差一倍以上。

取5个点的测试距离平均值作为中心线位置，测试数据中的最大值减去最小值的差为极差，传感器的测量数据有相应的可靠程度，这个可靠程度与在此位置测量的数据的极差十分接近，认为近似相等。

根据中心线位置和极差这两个已知量，得出测得的数据落在了哪个区域，进行取舍和处理判断。

均值为Dis_avg，测量值为Dis_measure，二者差值D_value计算公式如下：

D_value＝Dis_measure﹣Dis_avg

利用此差值(D_value)与极差(precision)的比值，求出本次测试的数据处于极差范围内的哪个位置(position)：

当position的值越大，表示本次测试的值处于越远离中心线的位置；当positon＝0，表示本次测试的值处于中心线上；当position＝1，表示本次测试的值处于极差边界。position为位置的高斯分布因子。

结合卡尔曼滤波算法对滤波系数进行改进

基于卡尔曼滤波算法，对本例中的测距传感器数据进行滤波，公式如下：

Distance＝Dis_avg+Kg×D_value (3)

其中，Kg为卡尔曼滤波系数，它与本次预测距离的可信度和本次测得距离的可信度有关。调整卡尔曼系数，可以调整滤波的效果。结合高斯分布因子position，对卡尔曼系数进行改进。针对每次测试的值与中心线的差值，对其分配了概率chance(相当于卡尔曼系数)，为位置概率因子。当数据与中心线较近，则对应的概率较大；当数据与中心线较远，则对应的概率较小；当数据靠近极差边界时，概率将非常小。

下式为测试数据的位置概率因子计算公式：

chance＝1-abs(D_value)×2/precision (2)

用chance替代卡尔曼系数，则输出距离计算公式为：

Distance＝Dis_avg+chance×D_value (4)

当测得的数据与中心线差值D_value越大，说明此点越远离中心线，计算出的概率就越小。当chance＝0时，表示测得的数据被舍去，输出距离为计算的均值；当chance＝1时，表示测得的距离直接作为输出距离。

阈值Threshold是与极差precision有关的参数：

Threshold＝m×precision

其中m为调整系数，根据测量范围不同，需要进行不同配置。例如，测距传感器中，当目标距离较近时，数据稳定，极差(precision)较小，而突变需要达到几倍的差值才可触发，可以适当增大m的值；当测量距离较远时，极差(precision)较大，可适当减小m的值。

为保证一定的数据稳定性提高效果和原始数据分布状态，本发明根据数据分散程度的不同，采取不同的处理方法。

如图2所示，当所述差值的绝对值在阈值范围内时，判断为数据稳定，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算所述输出距离；

当abs(D_value)≤Threshold且chance＜0.6时，令chance＝0，表示距中心线较远，舍去此数据，将所述均值Dis_avg作为所述输出距离；

当abs(D_value)≤Threshold且chance＞0.8时，令chance＝1，还原接近中心线的真实数据，所述测量值Dis_measure作为所述输出距离；

当abs(D_value)≤Threshold且0.6≤chance≤0.8时，chance取实际计算值，采用所述公式(4)计算出所述输出距离。

如图3所示，为采用改进后滤波算法的滤波效果图,左边纵坐标为滤波前的距离,右边纵坐标是滤波后的距离,单位为mm,横坐标为数据点个数。

当所述差值的绝对值超出所述阈值范围时，判断为数据产生突变，测距过程中出现距离突变现象，对所述测试数据采用突变算法处理；

由于传感器的应用场合复杂，目标物易突然改变，而造成测量参量的突变。使用滤波算法后，会造成很大的数据动态滞后。因此，此处需要引入突变判断机制。

当abs(D_value)＞Threshold时，令chance＝1，

Distance＝Dis_avg+D_value

则滤波计算公式得出的值为当前实时的测试值，即可快速对突变进行响应。

当测试目标参量连续缓变时，采用动态连续缓变算法。

在传感器的使用过程中，还会遇到测试目标参量连续缓变的环境，如测距传感器的目标物以一定速度靠近传感器。这种情况下如果只采用滤波算法，会导致数据变化滞后，无法进行及时响应。

针对这种情况，结合运动趋势和运动速度变化，采用动态连续缓变算法。当运动有一定趋势，且运动速度达到一定值后，即视为在动态连续变化中，此时令chance＝1，实现快速响应。

速度计算方法：

如图4所示，传感器在某时间段连续采集的等时间间隔⊿T的7个原始距离数据(a0～a6)，并进行滑动存储，其中，a0始终为最新一次的采集数据。

speed1＝(a4-a0)/4⊿T；

speed2＝(a5-a1)/4⊿T；

speed3＝(a6-a2)/4⊿T；

当speed1,speed2,speed3异号时，表示此时所述距离没有一定的变化趋势；

当speed1,speed2,speed3同号时，表示此时所述距离有上升或下降趋势。

最终的速度(speed)取三个速度中绝对值最小的一个。当速度大于一定阈值时，可以认为传感器测量参量处于连续变化的状态。而这个阈值根据不同的测量范围，有不同的配置。

当测量距离较近时，数据极差小，因此速度判断阈值可设置低一些；

随着测试距离增大，数据极差逐渐增大，速度判断阈值需要逐步提高；

当距离较远时，数据极差增长幅度较大，速度判断阈值需要相应幅度增大。

当速度大于阈值，则可认为是传感器测量参数连续变化中。此时为保证响应及时，可令位置概率因子chance＝1，则

Distamce＝Dis_avg+D_value

滤波计算得出的值为当前实时的测试值，即可快速对突变进行响应。

如图5所示，为采用动态连续缓变算法滤波后的动态响应效果图,

左边纵坐标为原始数据的距离,后边是滤波处理后的距离,单位为mm,横坐标为数据点个数。

可以看到，采用本发明数据稳定性增强方法提高了传感器的动态响应特性。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (10)

1.一种基于传感器使用的数据稳定性增强方法，其特征在于：包括以下步骤：

S1、获取传感器的测试数据，计算所述测试数据的中心线和极差，所述测试数据近似服从高斯分布规律；

S2、计算所述测试数据中每个测量值与所述中心线的差值，估算所述每个测量值在所述极差范围内的位置；

S3、根据所述差值和所述极差计算得到位置概率因子；

S4、结合卡尔曼滤波算法对滤波系数进行改进，用所述位置概率因子替代卡尔曼滤波系数，获得改进后滤波算法的输出距离计算公式；

S5、当所述差值的绝对值在阈值范围内时，判断为数据稳定，根据所述位置概率因子的不同区间范围，采用静态滤波算法计算所述输出距离；

S6、当所述差值的绝对值超出所述阈值范围时，判断为数据产生突变，对所述测试数据采用突变算法处理；

S7、当测试目标参量连续缓变时，采用动态连续缓变算法。

2.根据权利要求1所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S1中，所述中心线代表若干个测试数据的均值；所述极差为所述测试数据中的最大值减去最小值的差。

3.根据权利要求2所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S2中，所述均值为Dis_avg，所述测量值为Dis_measure，所述差值为D_value，计算公式为：D_value＝Dis_measure﹣Dis_avg，所述极差为precision，所述位置的高斯分布因子为position，所述差值D_value的绝对值为abs(D_value)，计算公式如下：

所述position的值越大，表示所述测量值处于越远离所述中心线的位置；当所述positon＝0，表示所述测量值处于中心线上；当所述position＝1，表示所述测量值处于所述极差的边界。

4.根据权利要求3所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S3中，所述位置概率因子为chance，计算公式如下：

chance＝1-abs(D-value)×2/precision (2)。

5.根据权利要求4所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S4中，所述卡尔曼滤波算法中，计算公式如下：

Distance＝Dis_avg+Kg×D_value (3)

Distance为输出距离，Kg为卡尔曼滤波系数，用chance替代Kg，改进后滤波算法的输出距离计算公式如下：

Distance＝Dis_avg+chance×D_value (4)。

6.根据权利要求5所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S5中，所述阈值为Threshold，m为调整系数，计算公式如下：

Threshold＝m×precision (5)。

7.根据权利要求6所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S5中，

当abs(D_value)≤Threshold且chance＜0.6时，令chance＝0，表示距中心线较远，舍去此数据，将所述均值Dis_avg作为所述输出距离；

当abs(D_value)≤Threshold且chance＞0.8时，令chance＝1，还原接近中心线的真实数据，所述测量值Dis_measure作为所述输出距离；

当abs(D_value)≤Threshold且0.6≤chance≤0.8时，chance取实际计算值，采用所述公式(4)计算出所述输出距离。

8.根据权利要求6所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S6中，当abs(D_value)＞Threshold时，令chance＝1，代入所述公式(4)得

Distance＝Dis_avg+D_value

则计算得出所述输出距离为当前实时的测量值，根据所述输出距离对突变进行快速响应。

9.根据权利要求5所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，步骤S7中，被测目标物以一定速度靠近传感器，距离有一定趋势，且运动速度大于一定阈值后，判断为目标参量连续缓变，令chance＝1，代入所述公式(4)，所述输出距离为当前实时的所述测量值，快速响应。

10.根据权利要求9所述的一种基于传感器使用的数据稳定性增强方法，其特征在于，取所述传感器在某时间段内连续等时间间隔⊿T采集的7个原始距离数据a0～a6，分别以a0、a1和a2为起点，依次计算4⊿T时间内的三个平均速度speed1、speed2和speed3，

speed1＝(a4-a0)/4⊿T；

speed2＝(a5-a1)/4⊿T；

speed3＝(a6-a2)/4⊿T；

当speed1,speed2,speed3异号时，表示此时所述距离没有一定的变化趋势；

当speed1,speed2,speed3同号时，表示此时所述距离有上升或下降趋势。