CN110672058A - 结构监测用传感器的在线校准数据序列匹配方法和装置 - Google Patents

Abstract

本发明属于传感器校准技术领域，公开了一种结构监测用传感器的在线校准数据序列匹配方法和装置，方法包括获取共源激励条件下SUC和RS的初始监测数据序列；根据RS初始监测数据序列得到初始子监测数据序列；利用符号近似聚合方法分别对初始子监测数据序列和SUC初始监测数据序列进行字符化表示；在字符化后的SUC初始监测数据序列中确定与字符化后的初始子监测数据序列的最佳匹配结果；根据最佳匹配结果和初始子监测数据序列获取SUC和RS初始监测数据序列的匹配关系。装置包括第一、二获取模块、字符化模块、最佳匹配结果确定模块和匹配模块。通过方案提高了两数据序列的匹配准确度，可不要求SUC与RS有相同起始时间戳，对时程差较大的序列匹配仍可适用。

Description

结构监测用传感器的在线校准数据序列匹配方法和装置

技术领域

本发明属于传感器校准技术领域，特别涉及一种结构监测用传感器的在线校准数据序列匹配方法。

背景技术

桥梁形变监测是桥梁安全性能评价的关键环节，为了保证桥梁安全，需要用于桥梁形变监测的传感器具有较高的监测准确度。为了保证桥梁形变监测传感器的准确度，需要对该桥梁形变监测传感器进行校准。

以桥梁形变监测传感器中的激光位移计为例，依据激光直线传播特性设计的激光位移计，其发射模块与接收模块可分离安装于结构监测点和参考高程点，用于监测垂直于激光方向的相对形变量，实用性强、准确度高，因而在实际桥梁监测过程中得到广泛应用。但在使用过程中，受传感器自身性能及复杂环境条件的影响，会出现灵敏度、准确度下降的情况，须定期进行校准。

传统的校准方式利用更高精度的专业测量设备(如激光干涉仪等)作为参考仪器，在允许的误差范围内，若待校准激光位移计示值与参考值具有一致性，则认为该激光位移计的计量性能符合使用要求。限于桥梁形变监测系统全天时运行的特殊需求，使用中的激光位移计通常不允许拆缷至实验室内进行校准，因此上述方法往往不具有通用性。

在工程实际中，一般利用行驶车辆的组合加载效应作为激励源进行桥梁健康监测传感器在线校准，通过在相同的监测点同向并排安装参考传感器的方式，实现待校准传感器与参考传感器在相同激励源条件下的量值比对和校准。由于待校准传感器与参考传感器在采样频率、响应特性等方面的差异性，两量值序列的匹配性较差，是影响在线校准的重要难题。

时间序列匹配问题在定位系统、环境监测、物联网、数据挖掘，信息学及人类心理学等领域中有着广泛的应用，近年来逐渐成为各领域的研究热点。其中，基于特征点分段的时间序列匹配算法在两个匹配序列的采样频率接近，且累积时程差异不大的情况下，得到了较好的匹配效果。但对于两个较长时间序列，在距离序列起始位置较远、序列形状的尺度有差异，且已造成较大累积时程差的情况下，此方法匹配效果不佳。

发明内容

为了解决上述问题，本发明一方面提供了一种结构监测用传感器的在线校准数据序列匹配方法，其包括：获取共源激励条件下待校准传感器和参考传感器的初始监测数据序列；根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列；利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示；在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果；根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系。

在如上所述的在线校准数据序列匹配方法中，优选地，所述根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列，具体包括：获取所述参考传感器的初始监测数据序列的特征点，所述特征点为峰值点和谷值点；将所述初始监测数据序列中包含多个所述特征点且起始点和截止点均是所述特征点的子序列作为所述参考传感器的初始子监测数据序列。

在如上所述的在线校准数据序列匹配方法中，优选地，所述获取所述参考传感器的初始监测数据序列的特征点之前，所述方法还包括：对所述参考传感器的初始监测数据序列进行平滑处理；将所述参考传感器的初始监测数据序列中与经平滑处理后的序列中的极值点对应的极值点作为所述参考传感器的初始监测数据序列的特征点。

在如上所述的在线校准数据序列匹配方法中，优选地，所述利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示，具体包括：对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列分别进行降维处理，对应得到第一降维序列和第二降维序列，所述第一降维序列P′为p′₁,p′₂,…,

所述第二降维序列 Q′为q′₁,q′₂,…,

P′中第i项p′_i与Q′中第i项q′_i的计算公式如下：

式中，f₁、f₂分别为所述参考传感器和所述待校准传感器的采样频率，l₁和 l₂分别为所述参考传感器和所述待校准传感器的步长，所述待校准传感器的初始监测数据序列Q为q₁,q₂,…,所述初始子监测数据序列 P_子为

k为所述初始子监测数据序列的长度；将所述第一降维序列P′和所述第二降维序列Q′中的数据分别映射到字符串，各降维序列中元素的数值范围分别为(V_pL,V_pH)和(V_qL,V_qH)；

若满足：

则p′_i映射到第r个字符上，若满足：

则q′_i映射到第r个字符上；式中，t为所映射字符集的字符总数，r∈{1,2,…,t}。

在如上所述的在线校准数据序列匹配方法中，优选地，所述在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果，具体包括：利用编辑距离作为度量所述初始子监测数据序列与对应窗口内的所述待校准传感器的初始监测数据序列相似度的指标，通过依次向右滑动所述窗口得出相似度曲线；将字符化后的所述待校准传感器的初始监测数据序列中与所述相似度曲线的最大值点对应的字符串作为最佳匹配结果。

在如上所述的在线校准数据序列匹配方法中，优选地，所述根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系，具体包括：根据所述最佳匹配结果的字符匹配位置反射映射确定对应的所述待校准传感器的初始监测数据序列中匹配子序列；以所述初始子监测数据序列和所述匹配子序列为起始匹配点对，对所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列进行匹配。

在如上所述的在线校准数据序列匹配方法中，优选地，所述根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系之后，还包括：分别将得到的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。

在如上所述的在线校准数据序列匹配方法中，优选地，所述计量性能为灵敏度，计算公式用K表示。

在如上所述的在线校准数据序列匹配方法中，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)。

在如上所述的在线校准数据序列匹配方法中，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)。

在如上所述的在线校准数据序列匹配方法中，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。

本发明另一方面提供了一种结构监测用传感器的在线校准数据序列匹配装置，其包括：第一获取模块，用于获取共源激励条件下待校准传感器和参考传感器的初始监测数据序列；第二获取模块，用于根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列；字符化模块，用于利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示；最佳匹配结果确定模块，用于在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果；匹配模块，用于根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系。

在如上所述的在线校准数据序列匹配装置中，优选地，所述第二获取模块具体包括：第二获取单元，用于获取所述参考传感器的初始监测数据序列的特征点，所述特征点为峰值点和谷值点；确定单元，用于将所述初始监测数据序列中包含多个所述特征点且起始点和截止点均是所述特征点的子序列作为所述参考传感器的初始子监测数据序列。

在如上所述的在线校准数据序列匹配装置中，优选地，所述字符化模块具体包括：降维单元，用于对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列分别进行降维处理，对应得到第一降维序列和第二降维序列，所述第一降维序列P′为p′₁,p′₂,…,

所述第二降维序列Q′为q′₁,q′₂,…, P′中第i项p′_i与Q′中第i项q′_i的计算公式如下：

式中，f₁、f₂分别为所述参考传感器和所述待校准传感器的采样频率，所述待校准传感器的初始监测数据序列Q为q₁,q₂,…,

所述初始子监测数据序列P_子为

k为所述初始子监测数据序列的长度；

字符映射单元，用于将所述第一降维序列P′和所述第二降维序列Q′中的数据分别映射到字符串，各降维序列中元素的数值范围分别为(V_pL,V_pH)和 (V_qL,V_qH)；

若满足：

则p′_i映射到第r个字符上，若满足：

则q′_i映射到第r个字符上；式中，t为所映射字符集的字符总数，r∈{1,2,…,t}。

在如上所述的在线校准数据序列匹配装置中，优选地，所述最佳匹配结果确定模块具体包括：相似度曲线得到单元，用于利用编辑距离作为度量所述初始子监测数据序列与对应窗口内的所述待校准传感器的初始监测数据序列相似度的指标，通过依次向右滑动所述窗口得出相似度曲线；最佳匹配结果确定单元，用于将字符化后的所述待校准传感器的初始监测数据序列中与所述相似度曲线的最大值点对应的字符串作为最佳匹配结果。

本发明实施例提供的技术方案带来的有益效果是：

通过获取参考传感器的初始子监测数据序列，并利用符号近似聚合方法分别对初始子监测数据序列和待校准传感器的初始监测数据序列进行字符化表示，然后在字符化后的待校准传感器的初始监测数据序列中确定与字符化后的初始子监测数据序列的最佳匹配结果，并根据最佳匹配结果和初始子监测数据序列获取待校准传感器的初始监测数据序列和参考传感器的初始监测数据序列的匹配关系，从而提高了待校准传感器和参考传感器的初始监测数据序列的匹配准确度，可不要求待校准传感器和参考传感器具有相同起始时间戳，对时程差较大的序列匹配仍可适用。

附图说明

图1为本发明一实施例提供的一种结构监测用传感器的在线校准数据序列匹配方法的流程示意图；

图2～图7为本发明一实施例提供的与在线校准数据序列匹配方法对应的数据序列示意图；

图8为本发明一实施例提供的待校准传感器和参考传感器的初始监测数据序列的示意图；

图9为与图8中参考传感器的初始监测数据序列对应的特征点示意图；

图10为与图8中待校准传感器和参考传感器的初始监测数据序列的字符化示意图；

图11为图8中待校准传感器的初始监测数据序列与参考传感器的初始子监测数据序列的匹配相似度曲线示意图；

图12为图8中字符化后的待校准传感器的初始监测数据序列与参考传感器的初始子监测数据序列的匹配结果示意图；

图13为匹配结果在待校准传感器和参考传感器的初始监测数据序列中的表示示意图；

图14为本发明实施例提供的一种参比直线的示意图；

图15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16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结构监测用传感器的在线校准数据序列匹配方法，其包括如下步骤：

步骤101，获取共源激励条件下待校准传感器和参考传感器的初始监测数据序列。

具体地，将SUC(待校准传感器，Sensor Under Calibration)以与RS(参考传感器，Reference Sensor)具有共同的外源激励的方式安装于结构上，使得在受到共源激励作用时，两个传感器可保持类似的响应，从而分别获取 SUC的初始监测数据序列

和RS的初始监测数据序列

序列中n₂为SUC采样点数，n₁为RS采样点数，该序列为时间序列，如图8所示。实现共同外源激励的方式可以是：通过在相同的监测点同向并排安装参考传感器的方式，实现待校准传感器与参考传感器在相同激励源条件下的量值比对和校准。该结构可以是桥梁，还可以是道路，本实施例对此不进行限定。待校准传感器和参考传感器可以为位移传感器。

步骤102，根据参考传感器的初始监测数据序列得到参考传感器的初始子监测数据序列。

具体他，获取参考传感器的初始监测数据序列的特征点，特征点为峰值点和谷值点，选取包含多个特征点的子序列作为参考传感器的初始子监测数据序列，并且该子序列的起始点和截止点均为特征点。如在RS数据序列

上选取一段长度为k，起始序号为i₀的子段作为初始子监测数据序列(或称shapelet或时间序列子形态)，表示为

为初始子监测数据序列的第一个采样点，为初始子监测数据序列的第k个采样点，如图4所示，在图4中，RS初始监测数据序列上两条竖直虚线之间为构造的初始子监测数据序列。在图5中，选取的初始子监测数据序列。

考虑用单纯的数值比较方法确定初始监测数据序列的波峰(或称峰值点) 和波谷(或称谷值点的鲁棒性较差，对数据采样过程中出现的噪声较为敏感，因此在步骤获取所述参考传感器的初始监测数据序列的特征点之前，方法还包括：对参考传感器的初始监测数据序列进行平滑处理，在经平滑处理后的初始监测数据序列中确定峰值点和谷值点，然后在未经平滑处理的初始监测数据序列中找到对应的采样数值点，并将其作为参考传感器的初始监测数据序列的特征点。如图3所示，RS的初始监测数据序列中带标记的点为特征点。图9为与图8对应的RS初始监测数据序列的特征点的示意图。

步骤103，利用符号近似聚合方法分别对初始子监测数据序列和待校准传感器的初始监测数据序列进行字符化表示。

具体地，利用SAX(符号近似聚合，Symbolic Aggregate Approximation)方法对初始子监测数据序列和SUC的初始监测数据序列Q进行字符化表示，设 RS和SUC的步长分别为l₁和l₂，降维后的新序列分别为第一降维序列P′和第二降维序列Q′，

其中，P′和Q′中第i项p′_i和q′_i由下式得到：

并且l₁和l₂满足：

式中，f₁、f₂分别为RS和SUC的采样频率。

在得到第一降维序列和第二降维序列后，将第一降维序列P′和第二降维序列Q′中的数据分别映射到字符串，设序列P′和Q′中元素的数值范围分别为 (V_pL,V_pH)和(V_qL,V_qH)，

若满足：

则p′_i→character(r)，即p′_i映射到第r个字符上。上式中t为所映射字符集的字符总数，r∈{1,2,…,t}， t表示所映射字符集的字符总数，换言之，t的大小决定了转换为字符串后的细节可区分度，例如，t＝2时，转换后的字符串中只含有a和b。t＝5时，转换后的字符串由a、b、c、d、e构成。实际应用中，根据匹配的细节程度选择t的大小。

同理，若满足：

则q′_i→character(r)，即q′_i映射到第r个字符上。

以图8所示初始监测数据序列为例，进行字符化处理，所得字符序列如图10所示。

通过该步骤将初始子监测数据序列和SUC初始监测数据序列从实数集映射到字符集，将实数集中的形态匹配问题转化为基于字符集的形态匹配问题。在字符化时，不是采用相同的采样间隔，而是使各序列根据各自的波长设置适当的采样间隔，即根据各序列采样频率，设置差异化采样间隔(步长)，从而可应用于两个波长不同的序列的匹配。

需要说明的是：字符串是由英文字符abcde…等构成的，第1个字符就是a，第2个字符是b，具体映射到哪个字符，可通过上述步骤来确定。

步骤104，在字符化后的待校准传感器的初始监测数据序列中确定与字符化后的初始子监测数据序列的最佳匹配结果。

具体地，利用编辑距离作为度量初始子监测数据序列与对应窗口内的待校准传感器的初始监测数据序列相似度的指标，通过依次向右滑动窗口得出相似度曲线；将字符化后的待校准传感器的初始监测数据序列中与相似度曲线的最大值点对应的字符串作为最佳匹配结果。

应用时，为了在SUC初始监测数据序列中查找RS初始子监测数据序列的最佳匹配项，此处利用编辑距离的方法实现。编辑距离作为用来度量两个序列相似程度的指标，其是指两个字符串之间，由其中一个字符串S₁转化为另一个字符串S₂所需要的最少单字符编辑操作次数，其中，单字符编辑操作包含插入(Insertion)、删除(Deletion)、替换(Substitution)三种。以edit(i,j)表示第一个字符串S₁的长度为i的子串到第二个字符串S₂的长度为j的子串的编辑距离，有如下动态规划公式成立：

当第一个字符串的第i个字符不等于第二个字符串的第j个字符时， f(i,j)＝1，否则，f(i,j)＝0。

将RS初始子监测数据序列与SUC初始监测数据序列的起始端对齐，利用编辑距离度量RS初始子监测数据序列t与对应窗口内SUC子序列的相似度。该算法可以以MATLAB为平台实现。通过依次向右滑动窗口得出的相似度曲线如图11所示，图11中标示点表示最佳匹配点，与最佳匹配点对应的字符匹配结果如图12所示。

步骤105，根据最佳匹配结果和初始子监测数据序列获取待校准传感器的初始监测数据序列和参考传感器的初始监测数据序列的匹配关系。

具体地，根据最佳匹配结果的字符匹配位置反射映射确定对应的待校准传感器的初始监测数据序列中匹配子序列；以初始子监测数据序列和匹配子序列为起始匹配点对，对待校准传感器的初始监测数据序列和参考传感器的初始监测数据序列进行匹配。

应用时，根据上图所示的字符匹配位置，反射映射查找与其对应的原字符序列中的匹配位置并进行标记，得到的结果如图13所示。可以看出，匹配所得的SUC子序列与shapelet数据特征高度一致。

需要说明的是：图2～图7为与在线校准数据序列匹配方法对应的数据序列示意图，图3～7中，A均表示RS的初始监测数据序列，B均表示SUC的初始监测数据序列。

本实施例通过上述数据序列匹配方法，选取特征子序列作为shapelet，利用SAX对实数域时序序列进行降维，采用编辑距离度量两待匹配序列之间的相似度，实现了SUC与RS序列的匹配。从结果看，该方法匹配准确度较高。从实现过程看，通过选取shapelet作为匹配子序列，在SUC数据序列中查找匹配项，不要求SUC与RS具备相同的起始时间戳，对于时程差较大的序列匹配仍具有适用性。SAX操作时引入了两传感器的采样频率，即

以及量值输出范围，即(V_pL,V_pH)和(V_qL,V_qH)等参数，并将其作为实数字符化过程中横、纵轴的放缩系数，使得该方法对共激励源条件下不同类型传感器采样数据的匹配也具有很好的适用性。

在获取待校准传感器的初始监测数据序列和参考传感器的初始监测数据序列的匹配关系后，可得到参考匹配数据序列和待校准匹配数据序列，对匹配后的两数据序列进行分析，从而可获取待校准传感器的计量性能。

当待校准传感器为线位移传感器时，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。

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14来表示。在图14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15 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16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-)。

本发明另一实施例提供了一种结构监测用传感器的在线校准数据序列匹配装置，其包括：第一获取模块、第二获取模块、字符化模块、最佳匹配结果确定模块和匹配模块。

其中，第一获取模块用于获取共源激励条件下待校准传感器和参考传感器的初始监测数据序列。第二获取模块用于根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列。字符化模块用于利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示。最佳匹配结果确定模块用于在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果。匹配模块用于根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系。

作为一种可选实施例，第二获取模块具体包括：第二获取单元，用于获取参考传感器的初始监测数据序列的特征点，特征点为峰值点和谷值点；确定单元，用于将初始监测数据序列中包含多个特征点且起始点和截止点均是特征点的子序列作为参考传感器的初始子监测数据序列。

作为一种可选实施例，字符化模块具体包括：降维单元，用于对初始子监测数据序列和待校准传感器的初始监测数据序列分别进行降维处理，对应得到第一降维序列和第二降维序列，第一降维序列P′为p′₁,p′₂,…,

第二降维序列Q′为q′₁,q′₂,…,

P′中第i项p′_i与Q′中第i项q′_i的计算公式如下：

式中，f₁、f₂分别为参考传感器和待校准传感器的采样频率，待校准传感器的初始监测数据序列Q为q₁,q₂,…,

初始子监测数据序列 P_子为

k为初始子监测数据序列的长度；字符映射单元，用于将第一降维序列P′和第二降维序列Q′中的数据分别映射到字符串，各降维序列中元素的数值范围分别为(V_pL,V_pH)和(V_qL,V_qH)；

若满足：

则p′_i映射到第r个字符上，若满足：

则q′_i映射到第r个字符上；式中，t为所映射字符集的字符总数，r∈{1,2,…,t}。

作为一种可选实施例，最佳匹配结果确定模块具体包括：相似度曲线得到单元，用于利用编辑距离作为度量初始子监测数据序列与对应窗口内的待校准传感器的初始监测数据序列相似度的指标，通过依次向右滑动窗口得出相似度曲线；最佳匹配结果确定单元，用于将字符化后的待校准传感器的初始监测数据序列中与相似度曲线的最大值点对应的字符串作为最佳匹配结果。

作为一种可选实施例，匹配模块具体用于根据最佳匹配结果的字符匹配位置反射映射确定对应的待校准传感器的初始监测数据序列中匹配子序列；以初始子监测数据序列和匹配子序列为起始匹配点对，对待校准传感器的初始监测数据序列和参考传感器的初始监测数据序列进行匹配。

关于第一获取模块的处理方式具体可参见上述实施例中的步骤101的相关描述，第二获取模块的处理方式具体可参见上述实施例中的步骤102相关描述，字符化模块的处理方式具体可参见上述实施例中的步骤103的相关描述，最佳匹配结果确定模块的处理方式具体可参见上述实施例中的步骤104 的相关描述，匹配模块的处理方式具体可参见上述实施例中的步骤105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)

1.一种结构监测用传感器的在线校准数据序列匹配方法，其特征在于，所述在线校准数据序列匹配方法包括：

获取共源激励条件下待校准传感器和参考传感器的初始监测数据序列；

根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列；

利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示；

在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果；

根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系。

2.根据权利要求1所述的在线校准数据序列匹配方法，其特征在于，所述根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列，具体包括：

获取所述参考传感器的初始监测数据序列的特征点，所述特征点为峰值点和谷值点；

将所述初始监测数据序列中包含多个所述特征点且起始点和截止点均是所述特征点的子序列作为所述参考传感器的初始子监测数据序列。

3.根据权利要求2所述的在线校准数据序列匹配方法，其特征在于，所述获取所述参考传感器的初始监测数据序列的特征点之前，所述方法还包括：

对所述参考传感器的初始监测数据序列进行平滑处理；

将所述参考传感器的初始监测数据序列中与经平滑处理后的序列中的极值点对应的极值点作为所述参考传感器的初始监测数据序列的特征点。

4.根据权利要求1所述的在线校准数据序列匹配方法，其特征在于，所述利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示，具体包括：

对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列分别进行降维处理，对应得到第一降维序列和第二降维序列，所述第一降维序列P′为所述第二降维序列Q′为

P′中第i项p′_i与Q′中第i项q′_i的计算公式如下：

式中，f₁、f₂分别为所述参考传感器和所述待校准传感器的采样频率，l₁和l₂分别为所述参考传感器和所述待校准传感器的步长，所述待校准传感器的初始监测数据序列Q为

所述初始子监测数据序列P_子为

k为所述初始子监测数据序列的长度；

将所述第一降维序列P′和所述第二降维序列Q′中的数据分别映射到字符串，各降维序列中元素的数值范围分别为(V_pL,V_pH)和(V_qL,V_qH)；

若满足：

则p′_i映射到第r个字符上，若满足：

则q′_i映射到第r个字符上；

式中，t为所映射字符集的字符总数，r∈{1,2,…,t}。

5.根据权利要求1所述的在线校准数据序列匹配方法，其特征在于，所述在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果，具体包括：

利用编辑距离作为度量所述初始子监测数据序列与对应窗口内的所述待校准传感器的初始监测数据序列相似度的指标，通过依次向右滑动所述窗口得出相似度曲线；

将字符化后的所述待校准传感器的初始监测数据序列中与所述相似度曲线的最大值点对应的字符串作为最佳匹配结果。

6.根据权利要求1所述的在线校准数据序列匹配方法，其特征在于，所述根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系，具体包括：

根据所述最佳匹配结果的字符匹配位置反射映射确定对应的所述待校准传感器的初始监测数据序列中匹配子序列；

以所述初始子监测数据序列和所述匹配子序列为起始匹配点对，对所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列进行匹配。

7.一种结构监测用传感器的在线校准数据序列匹配装置，其特征在于，所述在线校准数据序列匹配装置包括：

第一获取模块，用于获取共源激励条件下待校准传感器和参考传感器的初始监测数据序列；

第二获取模块，用于根据所述参考传感器的初始监测数据序列得到所述参考传感器的初始子监测数据序列；

字符化模块，用于利用符号近似聚合方法分别对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列进行字符化表示；

最佳匹配结果确定模块，用于在字符化后的所述待校准传感器的初始监测数据序列中确定与字符化后的所述初始子监测数据序列的最佳匹配结果；

匹配模块，用于根据所述最佳匹配结果和所述初始子监测数据序列获取所述待校准传感器的初始监测数据序列和所述参考传感器的初始监测数据序列的匹配关系。

8.根据权利要求7所述的在线校准数据序列匹配装置，其特征在于，所述第二获取模块具体包括：

第二获取单元，用于获取所述参考传感器的初始监测数据序列的特征点，所述特征点为峰值点和谷值点；

确定单元，用于将所述初始监测数据序列中包含多个所述特征点且起始点和截止点均是所述特征点的子序列作为所述参考传感器的初始子监测数据序列。

9.根据权利要求7所述的在线校准数据序列匹配装置，其特征在于，所述字符化模块具体包括：

降维单元，用于对所述初始子监测数据序列和所述待校准传感器的初始监测数据序列分别进行降维处理，对应得到第一降维序列和第二降维序列，所述第一降维序列P′为

所述第二降维序列Q′为

P′中第i项p′_i与Q′中第i项q′_i的计算公式如下：

式中，f₁、f₂分别为所述参考传感器和所述待校准传感器的采样频率，所述待校准传感器的初始监测数据序列Q为

所述初始子监测数据序列P_子为

k为所述初始子监测数据序列的长度；

字符映射单元，用于将所述第一降维序列P′和所述第二降维序列Q′中的数据分别映射到字符串，各降维序列中元素的数值范围分别为(V_pL,V_pH)和(V_qL,V_qH)；

若满足：

则p′_i映射到第r个字符上，若满足：

则q′_i映射到第r个字符上；

式中，t为所映射字符集的字符总数，r∈{1,2,…,t}。

10.根据权利要求7所述的在线校准数据序列匹配装置，其特征在于，所述最佳匹配结果确定模块具体包括：

相似度曲线得到单元，用于利用编辑距离作为度量所述初始子监测数据序列与对应窗口内的所述待校准传感器的初始监测数据序列相似度的指标，通过依次向右滑动所述窗口得出相似度曲线；

最佳匹配结果确定单元，用于将字符化后的所述待校准传感器的初始监测数据序列中与所述相似度曲线的最大值点对应的字符串作为最佳匹配结果。

Images