CN110645934A - 位移传感器的在线校准方法 - Google Patents

Abstract

本发明属于桥梁监测技术领域，公开了一种位移传感器的在线校准方法，其包括：同步采集参考传感器和待校准传感器的监测数据以分别获取参考初始数据序列和待校准初始数据序列；利用基于特征点的分段匹配算法对参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，特征点包括极值点；对参考匹配数据序列和待校准匹配数据序列进行分析，获取待校准传感器的计量性能。本发明解决了因激励源变化和传感器响应特性差异所导致的错位问题，从而获取两个传感器对同一输入量的对应测量结果；还解决了因限于在线校准的现场条件，而导致无法通过多次循环正反行程试验的方法进行基本误差校准试验的问题。

Description

位移传感器的在线校准方法

技术领域

本发明属于桥梁监测技术领域，特别涉及一种位移传感器的在线校准方法。

背景技术

位移传感器是动态监测目标位置与参考位置之间相对位移的传感器，如属于位移传感器种类的激光投射式位移计常用于桥梁等动态挠曲度及平行位移的长期监测，在大坝、码头、高层建筑等变形、振动、位移监测领域也有广泛应用。目前，对激光位移计的溯源性校准方法主要依据校准规范《JJF1305-2011线位移传感器校准规范.2011》的相关规定：采集激光位移计输出量值与参考仪器的输出结果进行比对，采用最小二乘法获得参比直线，并计算得到线性度、基本误差、灵敏度等校准结果。然而此方法主要用于传感器安装前的溯源性校准，对于野外长期、无间断工作的在用系统则难以实施。

针对传感器在线校准问题，国内外学者已经开展了大量有益的尝试。如有的提出了一种基于标准球的CMM(Coordinate Measuring Machine，坐标测量机)外部校准方法，利用与CMM同步运动的激光传感器在线获取距离参考数据。有的利用惯性测量单元和位置传感器融合数据，结合EKF(Extended Kalman Filter，扩展卡尔曼滤波)方法来估计运动学参数，实现了机器人的运动参数在线校准。有的针对三角法激光位移传感器测量过程中的倾角误差问题，提出了量化补偿模型。有的提出了集成系统中里程计的在线校准及定位补偿方法。有的提出了一种基于平面的全局校准方法，通过获取靶标平面分别在视觉系统和激光跟踪仪坐标系中的平面方程，求解坐标转换矩阵，实现系统全局校准。有的提出了一种可用于微纳级在线校准的夹持装置。上述针对特定领域的在线校准方法为相关研究奠定了基础，但仍受限于具体的应用条件而无法通用。

发明内容

为了解决上述问题，本发明提供了一种位移传感器的在线校准方法，其包括：同步采集参考传感器和待校准传感器的监测数据以分别获取参考初始数据序列和待校准初始数据序列，所述参考传感器以与所述待校准传感器具有共源激励的方式设置，并和所述待校准传感器为同一种位移传感器；利用基于特征点的分段匹配算法对所述参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，所述特征点包括极值点；对所述参考匹配数据序列和所述待校准匹配数据序列进行统计分析，获取所述待校准传感器的计量性能。

优选地，所述利用基于特征点的分段匹配算法对所述参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，所述特征点包括极值点，具体包括：获取同一时间段的所述参考初始数据序列的特征点和待校准初始数据序列的特征点；分别以所述参考初始数据序列的特征点和所述待校准初始数据序列的特征点为节点对所述参考初始数据序列和所述待校准初始数据序列进行分段得到所述参考分段数据序列和待校准分段数据序列，所述特征点包括极值点；在所述参考分段数据序列的各分段区间内确定与所述待校准分段数据序列的各分段区间内的采样点对应的匹配点，形成所述参考匹配数据序列；在所述待校准分段数据序列的各分段区间内确定与所述参考分段数据序列的各分段区间内的采样点对应的匹配点，形成所述待校准匹配数据序列。

优选地，在所述获取参考初始数据序列和待校准初始数据序列之后，所述方法还包括：分别对所述参考初始数据序列和所述待校准初始数据序列进行平滑处理；将经平滑处理后的所述参考初始数据序列的极值点作为所述参考初始数据序列的极值点，将经平滑处理后的所述待校准初始数据序列的极值点作为所述待校准初始数据序列的极值点。

优选地，所述特征点还包括：所述参考初始数据序列和所述待校准初始数据序列的起始采样点和终止采样点。

优选地，所述对所述参考匹配数据序列和所述待校准匹配数据序列进行统计分析，获取所述待校准传感器的计量性能，具体包括：分别将所述参考匹配数据序列和所述待校准匹配数据序列划分为N个区间以构建所述参考区间数据序列L和所述待校准区间数据序列Y，L＝L₁,L₂,…L_i…L_N，Y＝y₁,y₂,…y_i…y_N，L_i为所述参考匹配数据序列的第i个校准点，等于所述参考匹配数据序列在第i个区间中输出值的平均值，y_i为所述待校准匹配数据序列的第i个校准点，等于所述待校准匹配数据序列在第i个区间中输出值的平均值，i＝1,2,…N，N为自然数；对所述参考区间数据序列L和所述待校准区间数据序列Y进行线性拟合，利用最小二乘法得到参比直线方程Y_i＝Y₀+KL_i，斜率K及截距Y₀的计算公式如下：

其中，Y_i为所述待校准匹配数据序列在第i个校准点输出量的拟合输出值，Y₀为参比直线的截距，K为参比直线的斜率，y_i为所述待校准匹配数据序列在第i个校准点输出值，

为所述待校准匹配数据序列在各采样点处输出值的平均，L_i为所述参考匹配数据序列在第i个校准点输出值，

为所述待校准匹配数据序列在各校准点输出值的平均；根据所述参比直线方程获取所述待校准传感器的计量性能。

优选地，所述计量性能为灵敏度，计算公式用K表示。

优选地，所述计量性能为基本误差，取值为δ_ij中绝对值最大者，δ_ij的计算公式如下：

其中，y_ij为所述待校准匹配数据序列在第i个区间中的第j个输出值，j＝1,2,…M_i，M_i为所述待校准匹配数据序列中处于第i个区间的输出值个数，Y_FS为所述参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)。

优选地，所述计量性能为线性度，取值为l_i中绝对值最大者，l_i的计算公式如下：

其中，Y_FS为所述参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)。

优选地，所述计量性能为重复性r_i，计算公式如下：

其中，Y_FS为所述参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)，Δ_i＝max(Δ_i+,Δ_i-)，Δ_i+为y_ik中正行程测量数据的最大差值，Δ_i-为y_ik中反行程测量数据的最大差值，y_ik为所述待校准匹配数据序列中与所述参考初始数据序列中和测量值为L_i的同值点L_ik匹配的采样点，k为自然数并小余N。

优选地，所述待校准传感器和所述参考传感器均为激光投射式位移计或光纤光栅式位移计或电阻应变式位移计。

本发明实施例提供的技术方案带来的有益效果是：

通过同步采集参考传感器和待校准传感器的监测数据以分别获取参考初始数据序列和待校准初始数据序列，利用基于特征点的分段匹配算法对参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，特征点包括极值点，对参考匹配数据序列和待校准匹配数据序列进行分析，获取待校准传感器的计量性能，从而解决了因激励源变化和传感器响应特性差异所导致的错位问题，能获取两个传感器对同一输入量的对应测量结果；还解决了因限于在线校准的现场条件，而导致无法通过多次循环正反行程试验的方法进行基本误差校准试验的问题。

附图说明

图1为本发明实施例提供的一种位移传感器的在线校准方法的流程示意图；

图2为本发明实施例提供的一种待校准初始数据序列和参考初始数据序列的采样点示意图；

图3为本发明实施例提供的一种对待校准初始数据序列和参考初始数据序列进行特征点提取后的示意图；

图4为本发明实施例提供的一种与待校准初始数据序列中7个采样点相匹配的参考初始数据序列中7个采样点的示意图；

图5a为本发明实施例提供的一种参考区间数据序列的示意图；

图5b为本发明实施例提供的一种待校准区间数据序列的示意图；

图6为本发明实施例提供的一种参比直线的示意图；

图7a为本发明实施例提供的一种参考区间数据序列中同值点的示意图；

图7b为本发明实施例提供的一种待校准区间数据序列中同值点的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

参见图1，本发明一实施例提供了一种位移传感器的在线校准方法，其包括如下步骤：

步骤101，同步采集参考传感器和待校准传感器的监测数据以分别获取参考初始数据序列和待校准初始数据序列，参考传感器以与待校准传感器具有共源激励的方式设置，并和待校准传感器为同一种位移传感器。

具体地，选择与待校准传感器为同一种类的线位移传感器，如待校准传感器为激光投射式位移计，则参考传感器也为激光投射式位移计；待校准传感器为光纤光栅式位移计，则参考传感器也为光纤光栅式位移计；待校准传感器为电阻应变式位移计，则参考传感器也为电阻应变式位移计；然后安装参考传感器，使其与待校准传感器在共源随机激励条件下作用，即两个传感器在同一监测点设置，使得两者的测量对象在校准所允许的不确定度范围内可以视为相同。同步采集参考传感器的监测数据和待校准传感器的监测数据，分别得到一组时间序列数据，将其称为参考初始数据序列和待校准初始数据序列。优选地，参考传感器为经过溯源的位移传感器。

下面以激光投射式位移计为例对监测数据的采集过程进行说明：

在常规桥梁监测系统中，激光投射式位移计的发射端通常安装于固定结构上，作为位置参考基准，激光投射式位移计的接收端安装于桥身待监测位置，可随其产生位移。当桥梁结构在荷载作用下发生形变，从而使接收端产生竖直方向位移时，激光在接收端靶面上的投影位置变化以电信号形式传输，然后经运算获得桥梁监测点的位移数据，该位移数据即为监测数据。

步骤102，利用基于特征点的分段匹配算法对参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，特征点包括极值点。

具体地，该步骤的实现方式如下：获取同一时间段的参考初始数据序列的特征点和待校准初始数据序列的特征点；分别以参考初始数据序列的特征点和待校准初始数据序列的特征点为节点对参考初始数据序列和待校准初始数据序列进行分段得到参考分段数据序列和待校准分段数据序列，特征点包括极值点，极值点为峰值点和谷值点；在参考分段数据序列的各分段区间内确定与待校准分段数据序列的各分段区间内的采样点对应的匹配点，形成参考匹配数据序列；在待校准分段数据序列的各分段区间内确定与参考分段数据序列的各分段区间内的采样点对应的匹配点，形成待校准匹配数据序列。

对同一时间段的参考初始数据序列和待校准初始数据序列进行特征点提取，相当于以时间戳先对参考初始数据序列和待校准初始数据序列进行了粗匹配。

考虑到两个初始数据序列峰值、谷值处特征较为明显，因此将其作为特征点优先匹配，再处理特征点之间数据，以提高匹配准确性。若采用直接求极值提取特征点的方法无法避免激励源信号噪声引入的异常数据干扰。因此需对算法进行优化，加入数据筛查过程以去除伪特征点，具体优化过程如下：

在步骤101之后，并且在步骤102之前，本方法还包括：分别对参考初始数据序列和待校准初始数据序列进行平滑处理，将经平滑处理后的参考初始数据序列的极值点作为参考初始数据序列的极值点，将经平滑处理后的待校准初始数据序列的极值点作为待校准初始数据序列的极值点。

如：设待校准初始数据序列(或称SUC(待校准传感器，Sensor UnderCalibration)初始数据序列)为：P＝p₁,p₂…p_n；

参考初始数据序列(或称RS(参考传感器，Reference Sensor)初始数据序列)为：Q＝q₁,q₂…q_m；

其中，n为待校准传感器的采样点数，m为参考传感器的采样点数。

然后，对待校准初始数据序列进行平滑处理，计算公式如下：

式中：j＝(span-1)/2，span为平滑尺度，其大小与激励信号保持时间、频率和采样频率有关，实际应用中宜针对不同传感器和激励源特性来确定，p′_i为平滑后的数据，i＝1,2,…n。

将序列P′中的极值点依次保存，并找出该点对应的待校准初始数据序列中采样数据p_i，以p_i作为真实的特征点。对整个待校准初始数据序列按上述方法进行操作，得到待校准初始数据序列中各特征点的提取结果，如图3所示。

得到参考初始数据序列中各特征点的方法可参见上述关于得到待校准初始数据中各特征点的方法，此处不再一一赘述，需要说明的是，平滑处理计算公式中的i相应地为i＝1,2,…m。

若将取值为峰值点或谷值点的特征点作为节点，据此对前述初始数据序列进行分段，然后将相邻两连续特征点之间的序列段作为分段区间，从而得到参考分段数据序列和待校准分段数据序列。设采集到的特征点总数为K，为不失监测数据的完整性，在步骤获取特征点之后，本方法还包括：将两个初始序列的起始采样点均设为序列初始特征点t₀，将两个初始序列的终止采样点设为序列最后一个特征点t_K+1，则两个初始数据序列均被分为K+1段，待校准初始数据序列的特征点序列为t₀,t₁,t₂…t_k,t_k+1，参考初始数据序列的特征点序列为t′₀,t′₁,t′₂…t′_k,t′_k+1，待校准分段数据序列为：{t₀,…,t₁}、{t₁,…,t₂}、…、{t_k,…,t_k+1}，参考分段数据序列为：{t₀′,…,t₁′}、{t₁′,…,t₂′}、…、{t_k′,…,t_k+1′}。

相应地，以参考匹配数据序列为例对匹配点的确定方法进行说明：

设输入为待校准初始数据序列上任意一点p_i，目标输出为参考初始数据序列上与p_i相匹配的点q_j，j表示其为参考初始数据序列的第j个采样点。

根据p_i的位置信息对照特征点序列定位出待匹配点p_i所属的特征区间，设其位于待校准初始数据序列的第k段，则j由下式确定：

式中，t_r-1|_x，t_r|_x，t'_r-1|_x，t'_r|_x分别表示待校准初始数据序列在特征点t_r-1，t_r和参考初始数据序列在特征点t'_r-1，t'_r的横坐标。

为直观显示匹配效果，在待校准初始数据序列的任意区间中随机选取12个采样点进行匹配，结果如图4所示。

基于特征点的分段匹配对传感器采样频率漂移具有良好的适应性，还能提高准确度和效率。通过此方法，对任意待校准初始数据序列的采样点均可在参考初始数据序列中找到相应的匹配点。基于同样原理，对任意参考初始数据序列的采样点均可在待校准初始数据序列中找到相应的匹配点。

步骤103，对参考匹配数据序列和待校准匹配数据序列进行分析，获取待校准传感器的计量性能。

由于线位移传感器是桥梁结构监测的常用传感器，对线位移传感器的计量性能常采用灵敏度、基本误差、线性度和重复性等参数进行评定。校准规范中给出了实验室条件下常用计量性能指标的标准计算方法。基本误差和线性度的计算以参比直线作为参考基准，因此，参比直线的构建方法是基本误差和线性度等性能参数计算的前提。

在校准规范中对于参比直线斜率和截距的计算提出了最小二乘法和最佳参比直线法。在传感器的输出范围内大致均匀分布取11个校准点(包含上、下限)，按顺序分别读出长度标准器给出的位移值L_i和各校准点上的传感器输出值y_i。以正、反两个行程为一个测量循环，共测量三个循环，根据三个循环的测量结果，采用最小二乘法计算参比直线Y_i＝Y₀+KL_i，其斜率K及截距Y₀的计算公式如下：

式中，Y_i为被校准线位移传感器在第i个校准点处输出量的拟合输出值；y_ij为被校准线位移传感器在第j次行程中第i个校准点的输出值；

为被校准线位移传感器各校准点输出值的平均；L_ij被校准线位移传感器在第j次行程中第i个校准点的输入值；

为被校准线位移传感器各校准点输入位移值的平均值；i为校准点序号i＝1,2,…,10,11；j为行程序号j＝1,2,…,5,6。

然而，限于在线校准的现场条件，无法通过多次循环正反行程试验的方法进行基本误差校准试验，因而有必要根据长周期试验的数据序列统计特征提出新的基本误差计算方法，即步骤103所公开的方法。

具体地，该步骤的实现方法如下：

分别将参考匹配数据序列和待校准匹配数据序列划分为N个区间，N为自然数，其值可以等于校准规范中的取值11，构建参考区间数据序列L和待校准区间数据序列Y，L＝L₁,L₂,...L_N，Y＝y₁,y₂,…y_N，L_i为参考匹配数据序列在第i个区间中输出值的平均值或称参考匹配数据序列的第i个校准点，y_i为待校准匹配数据序列在第i个区间中输出值的平均值或称待校准匹配数据序列的第i个校准点，i＝1,2,…N。数据序列L和Y的构建方法分别如图5a和图5b所示。

对两个区间数据序列L和Y进行线性拟合，利用最小二乘法计算得到参比直线方程Y_i＝Y₀+KL_i，斜率K及截距Y₀的计算公式如下：

式中：Y_i为所述待校准匹配数据序列在第i个校准点输出量的拟合输出值，Y₀为参比直线的截距，K为参比直线的斜率，y_i为所述待校准匹配数据序列在第i个校准点输出值，

为所述待校准匹配数据序列在各采样点处输出值的平均，L_i为所述参考匹配数据序列在第i个校准点输出值，

为所述待校准匹配数据序列在各校准点输出值的平均。

根据参比直线方程获取待校准传感器的计量性能。

当计量性能采用灵敏度参数进行评定时，将参比直线方程的的斜率K设为待校准传感器的灵敏度。

当计量性能采用基本误差参数进行评定时，求出参比直线方程的情况下，在线校准曲线可以用图6来表示。在图6中，求出待校准匹配数据序列中第i个校准点的拟合输出值Y_i，令y_ij为待校准匹配数据序列在第i个区间中的第j个输出值，其中j＝1,2,…M_i，M_i为待校准匹配数据序列中处于第i个区间的输出值个数。根据参比直线方程求出待校准匹配数据序列在第i个校准点处的拟合输出值Y_i后，取下面公式中绝对值最大者为待校准传感器的基本误差。

式中，y_ij为待校准匹配数据序列在第i个区间中的第j个输出值，j＝1,2,…M_i，M_i为待校准匹配数据序列中处于第i个区间的输出值个数，Y_FS为参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)，其也为待校准传感器的满量程输出。δ_ij的大小反映了待校准传感器各点测量结果偏离参比直线的程度，其值越小，表明传感器测量结果的示值误差越小，传感器计量性能越好。

当计量性能采用线性度参数进行评定时，利用参比直线方程Y_i＝Y₀+KL_i，求出待校准区间数据序列中第i个校准点的拟合输出值Y_i后，取下面计算公式中绝对值最大者为传感器的线性度。

l_i的大小反映了待校准传感器各点测量结果偏离参比直线的程度，其值越小，表明传感器测量结果的线性度越小，传感器计量性能越好。

当计量性能采用重复性参数进行评定时，计算公式仍可采用如下公式计算：

由于是在线校准条件，则式中，Δ_i的确定由以下方法实现：

在参考初始数据序列中，取测量值为L_i的同值点L_ik，k＝1,2,…7，如图7a所示，在待校准数据序列中找到对应的匹配点y_ik，k＝1,2,…7，如图7b所示。

记y_ik中正行程测量数据的最大差值为Δ_i+，反行程测量数据的最大差值为Δ_i-，则Δ_i＝max(Δ_i+,Δ_i-)。

通过同步采集参考传感器和待校准传感器的监测数据以分别获取参考初始数据序列和待校准初始数据序列，利用基于特征点的分段匹配算法对参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，特征点包括极值点，对参考匹配数据序列和待校准匹配数据序列进行分析，获取待校准传感器的计量性能，从而解决了因激励源变化和传感器响应特性差异所导致的错位问题，能获取两个传感器对同一输入量的对应测量结果；还解决了因限于在线校准的现场条件，而导致无法通过多次循环正反行程试验的方法进行基本误差校准试验的问题。

桥梁等大型结构监测系统处于全天时、连续工作状态，对关键传感器的校准不能以中断其正常监测过程为代价。因此，校准工作须在原有系统在线工作条件下完成。所以，本发明另一实施例还提供了一种位移传感器的在线校准系统，其以预先定义的数据接口模块建立在线校准子系统与在用桥梁结构监测子系统(或称现有桥梁结构监测子系统)的数据链路，以一种松耦合、非干扰的方式实现在线计量。该系统包括：在用桥梁结构监测子系统和在线校准子系统。在用桥梁结构监测子系统包括：待校准传感器、结构监测系统采集仪和结构监测系统服务器。线校准子系统包括参考传感器、便携式数据采集仪、在线计量数据分析模块、数据转发服务器、数据备份服务器、校准工作站和在线校准接口模块。

在线校准过程由在线计量数据分析模块启动，其通过1路控制指令控制便携式数据采集仪获取待参考传感器的实时测量数据；同时，发送指令给结构监测系统服务器和数据转发服务器，使待校准传感器的测量数据依次经结构监测系统采集仪、结构监测系统服务器、在线校准结构模块和数据转发服务器可以实时传回在线计量数据分析模块，经现场初步分析确定无异常后，参考传感器和待校准传感器的数据将结构化存储于数据备份服务器，以便后期细化分析和输出校准结果。校准工作站接收数据备份服务器发来的数据，然后对其进行分析处理，分析处理的过程参见上述步骤102～103的相关描述，此处不再一一赘述。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (10)

1.一种位移传感器的在线校准方法，其特征在于，所述在线校准方法包括：

同步采集参考传感器和待校准传感器的监测数据以分别获取参考初始数据序列和待校准初始数据序列，所述参考传感器以与所述待校准传感器具有共源激励的方式设置，并和所述待校准传感器为同一种位移传感器；

利用基于特征点的分段匹配算法对所述参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，所述特征点包括极值点；

对所述参考匹配数据序列和所述待校准匹配数据序列进行分析，获取所述待校准传感器的计量性能。

2.根据权利要求1所述的在线校准方法，其特征在于，所述利用基于特征点的分段匹配算法对所述参考初始数据序列和待校准初始数据序列进行匹配，得到参考匹配数据序列和待校准匹配数据序列，所述特征点包括极值点，具体包括：

获取同一时间段的所述参考初始数据序列的特征点和待校准初始数据序列的特征，所述特征点包括极值点；

分别以所述参考初始数据序列的特征点和所述待校准初始数据序列的特征点为节点对所述参考初始数据序列和所述待校准初始数据序列进行分段得到参考分段数据序列和待校准分段数据序列；

在所述参考分段数据序列的各分段区间内确定与所述待校准分段数据序列的各分段区间内的采样点对应的匹配点，形成所述参考匹配数据序列；

在所述待校准分段数据序列的各分段区间内确定与所述参考分段数据序列的各分段区间内的采样点对应的匹配点，形成所述待校准匹配数据序列。

3.根据权利要求1或2所述的在线校准方法，其特征在于，在所述获取参考初始数据序列和待校准初始数据序列之后，所述方法还包括：

分别对所述参考初始数据序列和所述待校准初始数据序列进行平滑处理；

将经平滑处理后的所述参考初始数据序列的极值点作为所述参考初始数据序列的极值点，将经平滑处理后的所述待校准初始数据序列的极值点作为所述待校准初始数据序列的极值点。

4.根据权利要求1所述的在线校准方法，其特征在于，所述特征点还包括：所述参考初始数据序列和所述待校准初始数据序列的起始采样点和终止采样点。

5.根据权利要求1所述的在线校准方法，其特征在于，所述对所述参考匹配数据序列和所述待校准匹配数据序列进行分析，获取所述待校准传感器的计量性能，具体包括：

分别将所述参考匹配数据序列和所述待校准匹配数据序列划分为N个区间以构建参考区间数据序列L和待校准区间数据序列Y，L＝L₁,L₂,…L_i…L_N，Y＝y₁,y₂,…y_i…y_N，L_i为所述参考匹配数据序列的第i个校准点，等于所述参考匹配数据序列在第i个区间中输出值的平均值，y_i为所述待校准匹配数据序列的第i个校准点，等于所述待校准匹配数据序列在第i个区间中输出值的平均值，i＝1,2,…N，N为自然数；

对所述参考区间数据序列L和所述待校准区间数据序列Y进行线性拟合，利用最小二乘法得到参比直线方程Y_i＝Y₀+KL_i，斜率K及截距Y₀的计算公式如下：

其中，Y_i为所述待校准匹配数据序列在第i个校准点输出量的拟合输出值，Y₀为参比直线的截距，K为参比直线的斜率，y_i为所述待校准匹配数据序列在第i个校准点输出值，

为所述待校准匹配数据序列在各采样点处输出值的平均，L_i为所述参考匹配数据序列在第i个校准点输出值，

为所述待校准匹配数据序列在各校准点输出值的平均；

根据所述参比直线方程获取所述待校准传感器的计量性能。

6.根据权利要求5所述的在线校准方法，其特征在于，所述计量性能为灵敏度，计算公式用K表示。

7.根据权利要求5所述的在线校准方法，其特征在于，所述计量性能为基本误差，取值为δ_ij中绝对值最大者，δ_ij的计算公式如下：

其中，y_ij为所述待校准匹配数据序列在第i个区间中的第j个输出值，j＝1,2,…M_i，M_i为所述待校准匹配数据序列中处于第i个区间的输出值个数，Y_FS为所述参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)。

8.根据权利要求5所述的在线校准方法，其特征在于，所述计量性能为线性度，取值为l_i中绝对值最大者，l_i的计算公式如下：

其中，Y_FS为所述参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)。

9.根据权利要求5所述的在线校准方法，其特征在于，所述计量性能为重复性r_i，计算公式如下：

其中，Y_FS为所述参比直线方程上最大输入值L_max和最小输入值L_min所对应的输出值之差，计算公式为Y_FS＝K·(L_max-L_min)，Δ_i＝max(Δ_i+,Δ_i-)，Δ_i+为y_ik中正行程测量数据的最大差值，Δ_i-为y_ik中反行程测量数据的最大差值，y_ik为所述待校准匹配数据序列中与所述参考初始数据序列中和测量值为L_i的同值点L_ik匹配的采样点，k为自然数并小余N。

10.根据权利要求1所述的在线校准方法，其特征在于，所述待校准传感器和所述参考传感器均为激光投射式位移计或光纤光栅式位移计或电阻应变式位移计。

Images