CN110887652A - 加速度计的振动探测与位移提取的交互多模型检测方法 - Google Patents

加速度计的振动探测与位移提取的交互多模型检测方法 Download PDF

Info

Publication number
CN110887652A
CN110887652A CN201911229087.9A CN201911229087A CN110887652A CN 110887652 A CN110887652 A CN 110887652A CN 201911229087 A CN201911229087 A CN 201911229087A CN 110887652 A CN110887652 A CN 110887652A
Authority
CN
China
Prior art keywords
model
vibration
state
displacement
detection
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
Application number
CN201911229087.9A
Other languages
English (en)
Other versions
CN110887652B (zh
Inventor
陈亮
沈楠
陈锐志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201911229087.9A priority Critical patent/CN110887652B/zh
Publication of CN110887652A publication Critical patent/CN110887652A/zh
Application granted granted Critical
Publication of CN110887652B publication Critical patent/CN110887652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/004—Testing the effects of speed or acceleration

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明属于传感器技术领域，公开了一种加速度计的振动探测与位移提取的交互多模型检测方法，进行状态模型选择：根据要区分的振动状态选择合适的模型；测量模型选择：对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型；交互多模型滤波：依次进行模型混合、卡尔曼滤波、模型概率计算、模型组合；振动探测：根据计算的模型概率判断振动状态；位移提取：根据最终状态估值中的位移分量作为显著振动的位移提取；根据分段积分进行微弱振动的位移提取。本发明状态参数少，运算量小，适合在线运算。本发明具有自适应性，不需要考虑详细的物理结构，适合在线振动检测和位移提取，能够满足实际生产的需求。

Description

加速度计的振动探测与位移提取的交互多模型检测方法
技术领域
本发明属于传感器技术领域，尤其涉及一种加速度计的振动探测与位移提取的交互多模型检测方法。
背景技术
目前，最接近的现有技术：结构健康监测技术与人们的生命财产安全息息相关。传感器技术是实现结构健康监测的关键。随着物联网技术和无线传感技术的发展，无线传感网络技术越来越受到关注。无线传感网络技术具有安装部署方便，远程监控等诸多优点。然而，制约无线传感网路发展的主要因素之一是电量消耗。目前针对这一问题存在三种解决方案。一种解决方案是通过事件唤醒机制，即结构处于稳定状态时，系统处于睡眠状态，当一些事件发生时，整个传感器网络被迅速激活。虽然有一些唤醒机制，但是如何可靠、快速地唤醒整个传感器网络仍然是一个有待解决的难题。另一种解决方案是能量收集，它收集来自太阳光、热梯度、人体运动和体温、振动和环境射频的能量，并将其转换为电能。然而，目前单靠能量采集无法满足传感器的功耗要求。事实上，传感器的数据传输将消耗大部分电力。数据传输被认为比在线数据计算消耗更多的电能。因此，在线数据检测和信息提取更有利于减少原始数据的传输，从而延长电池的使用寿命。另一方面，传感器网络收集了大量的数据，如何从这些数据中检测和提取有价值的信息是数据处理中需要考虑的问题。
但是，传统的位移估计方法需要考虑大量的结构参数，运算量大，不适合在线运算。或者需要考虑详细的物理结构，不适于在线振动检测和位移提取。实际生产中的振动可能比理想模型要复杂的多，传统的理想模型方法很难满足实际生产的需求。目前在结构健康监测中，参数估计都采用单模型估计，不具有自适应性，不利于振动探测与位移提取。
综上所述，现有技术存在的问题是：(1)传统的位移估计方法需要考虑大量的结构参数，运算量大，不适于在线运算。实际生产中的振动可能比理想模型要复杂的多，传统的理想模型方法很难满足实际生产的需求。
(2)传统的位移估计方法需要考虑详细的物理结构，不适于在线振动检测和位移提取。
(3)目前在结构健康监测中，参数估计都采用单模型估计，不具有自适应性，不利于振动探测与位移提取。
解决上述技术问题的难度：现有的振动探测和位移提取算法，需要考虑复杂结构特点，对于多数应用很难满足这样的要求；此外大量的力学参数的估计所需算法的计算复杂度高，不利于低功耗传感器单元实时运算。因此，目前尚未存在一种简单高效的振动探测和位移提取方法。
解决上述技术问题的意义在于：能够从海量数据中高效提取信息，降低算法复杂度，提高运算效率，能够有效探测振动，提取振动位移，降低传感器功耗，延长无线传感器电池的使用寿命，对无线传感网络在结构健康监测中的普及和应用具有重要的意义。
发明内容
针对现有技术存在的问题，本发明提供了一种加速度计的振动探测与位移提取的交互多模型检测方法。
本发明是这样实现的，一种加速度计的振动探测与位移提取的交互多模型检测方法，所述加速度计的振动探测与位移提取的交互多模型检测方法包括以下步骤：
步骤一，状态模型选择：根据要区分的振动状态选择合适的模型，包括明显振动状态模型的选择和微弱振动状态模型的选择。
步骤二，测量模型选择：对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型。
步骤三，交互多模型滤波：依次进行模型混合、卡尔曼滤波、模型概率计算、模型组合。
步骤四，振动探测：根据计算的模型概率判断振动状态，包括显著振动探测和微弱振动探测。
步骤五，位移提取：根据最终状态估值中的位移分量作为显著振动的位移提取；根据分段积分进行微弱振动的位移提取。
进一步，步骤一中，对于明显振动选择两状态静态模型和阻尼振动模型；对于微弱振动选择三状态静态模型和常加速度模型。
进一步，步骤一中，所述静态模型、阻尼振动模型以及常加速度模型的定义如下：
(1)静态模型
X(k)＝ΦcpX(k-1)+wcp(k)
其中，X(k)为状态参数，k表示第k个历元，Φcp是静态模型的状态转移矩阵，wcp(k)是静态模型的过程噪声。
当状态参数选择为位移，速度时Φcp的取值为：
Figure BDA0002303041420000031
当状态参数选择为位移，速度和加速度时Φcp的取值为：
Figure BDA0002303041420000032
(2)阻尼振动模型
X(k)＝ΦdvX(k-1)+wdv(k)
其中，Φdv是阻尼振动模型的状态转移矩阵，wdv(k)是阻尼振动模型的过程噪声。
Φdv＝eAt
其中，A是由自由阻尼振动的连续观测方程确定，t是连续两个历元之间的时间间隔。
当状态参数选择为位移，速度时A的取值为：
Figure BDA0002303041420000041
当状态参数选择为位移，速度和加速度时A的取值为：
Figure BDA0002303041420000042
其中，ζ阻尼比，w0是角速度，可以通过半功率带宽方法获取。
(3)常加速度模型
X(k)＝ΦcaX(k-1)+wca(k)
当状态参数选择为位移，速度和加速度时Φca的取值为：
Figure BDA0002303041420000043
其中，t是连续两个历元之间的时间间隔。
进一步，步骤二中，所述两状态系统测量模型为：
Figure BDA0002303041420000044
其中，
Figure BDA0002303041420000045
为测量的加速度；
Figure BDA0002303041420000046
状态参数选择为位移，速度。
所述三状态简单测量模型为：
Figure BDA0002303041420000047
其中，
Figure BDA0002303041420000051
状态参数选择为位移，速度，加速度。
进一步，步骤三中，所述模型混合包括：
模型混合需要利用前一历元的各个模型概率λi(k-1)，状态估值
Figure BDA0002303041420000052
以及模型间的马尔科夫链πij。模型概率的预测值为：
Figure BDA0002303041420000053
根据上一历元的模型概率和模型概率，计算前一历元的模型i对模型j的贡献λi|j：
Figure BDA0002303041420000054
计算模型j的混合状态向量
Figure BDA0002303041420000055
Figure BDA0002303041420000056
计算每个模型的混合残差
Figure BDA0002303041420000057
Figure BDA0002303041420000058
计算模型j的混合状态向量的协方差阵
Figure BDA0002303041420000059
Figure BDA00023030414200000510
计算的每一个模型的混合状态估值
Figure BDA00023030414200000511
和协方差阵
Figure BDA00023030414200000512
作为下一步卡尔曼滤波的输入。
进一步，步骤三中，所述卡尔曼滤波包括：
根据计算得到的混合值及协方差阵作为卡尔曼滤波的输入，针对设计的每个模型j进行卡尔曼滤波。
预测值
Figure BDA00023030414200000513
计算如下：
Figure BDA00023030414200000514
预测值方差
Figure BDA0002303041420000061
计算如下：
Figure BDA0002303041420000062
其中，Gj(k-1)是过程噪声。
根据预测值，测量值Z以及测量模型的设计矩阵Hj，计算新息向量vj如下：
Figure BDA0002303041420000063
新息向量的协方差Sj计算如下：
Sj＝HjQj(k|k-1)Hj'+Rj
其中，Rj为测量噪声。
卡尔曼增益Kj的计算如下：
Figure BDA0002303041420000064
模型j的卡尔曼滤波状态估值
Figure BDA0002303041420000065
计算如下：
Figure BDA0002303041420000066
模型j的卡尔曼滤波状态估值的协方差计
Figure BDA0002303041420000067
算如下：
Figure BDA0002303041420000068
进一步，步骤三中，所述模型概率计算的方法为：
根据计算得到的模型概率预测值、新息向量及协方差阵作为模型概率计算的输入。模型j的似然函数ηj计算如下：
Figure BDA0002303041420000069
模型j的概率λj计算如下：
Figure BDA00023030414200000610
进一步，步骤三中，所述模型组合具体包括：
最终的状态估值由各个模型的状态估值的加权确定：
Figure BDA0002303041420000071
模型i的估值残差
Figure BDA0002303041420000072
计算如下：
Figure BDA0002303041420000073
最终的状态估值的协方差阵Q(k|k)计算如下：
Figure BDA0002303041420000074
至此，整个交互多模滤波完成，进入下一个循环流程，即进入模型混合。
进一步，步骤四中，对于显著振动，当阻尼振动的模型概率大于静态模型的概率时，模型处于阻尼振动状态；对于微弱振动，当常加速度的模型概率大于静态模型的概率时，模型处于振动状态。
进一步，步骤五中，所述微弱振动的位移提取方法包括：首先根据模型概率输出结果，将振动划分为若干振动区间；然后针对各个振动区间进行分段积分；最终再对积分的位移结果进行去趋势，得到微弱振动的位移。
本发明的另一目的在于提供一种实施所述加速度计的振动探测与位移提取的交互多模型检测方法的加速度计的振动探测与位移提取的交互多模型检测系统。
本发明的另一目的在于提供一种实现所述加速度计的振动探测与位移提取的交互多模型检测方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的加速度计的振动探测与位移提取的交互多模型检测方法。
综上所述，本发明的优点及积极效果为：本发明提供的一种加速度计的振动探测与位移提取的交互多模型检测方法，相较于传统的位移估计方法，状态参数少，运算量小，适合在线运算。本发明具有自适应性，不需要考虑详细的物理结构，即可实现在线振动检测和位移提取，能够满足实际生产的需求。
附图说明
图1是本发明实施例提供的加速度计的振动探测与位移提取的交互多模型检测方法流程图。
图2是本发明实施例提供的加速度计的振动探测与位移提取的交互多模型检测方法原理图。
图3是本发明实施例提供的显著振动的模型概率示意图。
图4是本发明实施例提供的微弱振动的模型概率示意图。
图5是本发明实施例提供的显著振动的位移提取示意图。
图6是本发明实施例提供的微弱振动位移分段提取示意图。
图7是本发明实施例提供的仿真实验数据位移提取结果图。
图8是本发明实施例提供的实验室实验各模型概率对比图。
图9是本发明实施例提供的实时位移提取结果与高精度视觉事后位移提取结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
传统的位移估计方法需要考虑大量的结构参数，运算量大，不适合在线运算。实际生产中的振动可能比理想模型要复杂的多，传统的理想模型方法很难满足实际生产的需求。传统的位移估计方法需要考虑详细的物理结构，不适于在线振动检测和位移提取。目前在结构健康监测中，参数估计都采用单模型估计，不具有自适应性，不利于振动探测与位移提取。
针对现有技术存在的问题，本发明提供了一种加速度计的振动探测与位移提取的交互多模型检测方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的一种加速度计的振动探测与位移提取的交互多模型检测方法包括以下步骤：
S101：状态模型选择：根据要区分的振动状态选择合适的模型，包括明显振动状态模型的选择和微弱振动状态模型的选择。
S102：测量模型选择：对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型。
S103：交互多模型滤波：依次进行模型混合、卡尔曼滤波、模型概率计算、模型组合。
S104：振动探测：根据计算的模型概率判断振动状态，包括显著振动探测和微弱振动探测。
S105：位移提取：根据最终状态估值中的位移分量作为显著振动的位移提取；根据分段位移进行微弱振动的位移提取。
图2是本发明实施例提供的加速度计的振动探测与位移提取的交互多模型检测方法原理。
下面结合实施例对本发明作进一步描述。
1、模型选择
1.1状态模型
根据要区分的振动状态选择合适的模型。对于明显振动选择两状态静态模型和阻尼振动模型；对于微弱振动选择三状态静态模型和常加速度模型。静态模型、阻尼振动模型以及常加速度模型的定义如下：
(1)静态模型
X(k)＝ΦcpX(k-1)+wcp(k)
其中，X(k)为状态参数，k表示第k个历元，Φcp是静态模型的状态转移矩阵，wcp(k)是静态模型的过程噪声。
当状态参数选择为位移，速度时Φcp的取值为：
Figure BDA0002303041420000091
当状态参数选择为位移，速度和加速度时Φcp的取值为：
Figure BDA0002303041420000101
(2)阻尼振动模型
X(k)＝ΦdvX(k-1)+wdv(k)
其中，Φdv是阻尼振动模型的状态转移矩阵，wdv(k)是阻尼振动模型的过程噪声。
Φdv＝eAt
其中，A是由自由阻尼振动的连续观测方程确定，t是连续两个历元之间的时间间隔。
当状态参数选择为位移，速度时A的取值为：
Figure BDA0002303041420000102
当状态参数选择为位移，速度和加速度时A的取值为：
Figure BDA0002303041420000103
其中，ζ阻尼比，w0是角速度，可以通过半功率带宽方法获取。
(3)常加速度模型
X(k)＝ΦcaX(k-1)+wca(k)
当状态参数选择为位移，速度和加速度时Φca的取值为：
Figure BDA0002303041420000104
其中，t是连续两个历元之间的时间间隔。
1.2测量模型
对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型。
(1)两状态系统测量模型
Figure BDA0002303041420000111
其中，
Figure BDA0002303041420000112
为测量的加速度；
Figure BDA0002303041420000113
状态参数选择为位移，速度。
(2)三状态简单测量模型
Figure BDA0002303041420000114
其中，
Figure BDA0002303041420000115
状态参数选择为位移，速度，加速度。
模型选择总结如表1所示。
表1模型选择总结
显著振动 微弱振动
状态模型 两状态静态模型和阻尼振动模型 三状态静态模型和常加速度模型
测量模型 两状态系统测量模型 三状态简单测量模型
2、交互多模型滤波
2.1模型混合
模型混合需要利用前一历元的各个模型概率λi(k-1)，状态估值
Figure BDA0002303041420000116
以及模型间的马尔科夫链πij。模型概率的预测值为：
Figure BDA0002303041420000117
根据上一历元的模型概率和模型概率，计算前一历元的模型i对模型j的贡献λi|j：
Figure BDA0002303041420000118
计算模型j的混合状态向量
Figure BDA0002303041420000121
Figure BDA0002303041420000122
计算每个模型的混合残差
Figure BDA0002303041420000123
Figure BDA0002303041420000124
计算模型j的混合状态向量的协方差阵
Figure BDA0002303041420000125
Figure BDA0002303041420000126
计算的每一个模型的混合状态估值
Figure BDA0002303041420000127
和协方差阵
Figure BDA0002303041420000128
作为下一步卡尔曼滤波的输入。
2.2卡尔曼滤波
根据2.1节计算的混合值及协方差阵作为卡尔曼滤波的输入，针对第1节设计的每个模型j进行卡尔曼滤波。
预测值
Figure BDA0002303041420000129
计算如下：
Figure BDA00023030414200001210
预测值方差
Figure BDA00023030414200001211
计算如下：
Figure BDA00023030414200001212
其中，Gj(k-1)是过程噪声。
根据预测值，测量值Z以及测量模型的设计矩阵Hj，计算新息向量vj如下：
Figure BDA00023030414200001213
新息向量的协方差Sj计算如下：
Sj＝HjQj(k|k-1)Hj'+Rj
其中，Rj为测量噪声。
卡尔曼增益Kj的计算如下：
Figure BDA0002303041420000131
模型j的卡尔曼滤波状态估值
Figure BDA0002303041420000132
计算如下：
Figure BDA0002303041420000133
模型j的卡尔曼滤波状态估值的协方差计
Figure BDA0002303041420000134
算如下：
Figure BDA0002303041420000135
2.3模型概率计算
对2.1节中计算的模型概率预测值，2.2节中计算的新息向量及协方差阵作为模型概率计算的输入。模型j的似然函数ηj计算如下：
Figure BDA0002303041420000136
模型j的概率λj计算如下：
Figure BDA0002303041420000137
2.4模型组合
最终的状态估值由各个模型的状态估值的加权确定：
Figure BDA0002303041420000138
模型i的估值残差
Figure BDA0002303041420000139
计算如下：
Figure BDA00023030414200001310
最终的状态估值的协方差阵Q(k|k)计算如下：
Figure BDA00023030414200001311
至此，整个交互多模滤波完成，进入下一个循环流程，即进入步骤2.1。
3、振动探测
根据步骤2.3中计算的模型概率判断振动状态。
对于显著振动，当阻尼振动的模型概率大于静态模型的概率时，模型处于阻尼振动状态。显著振动的模型概率如图3所示，在104s和106秒之间处于阻尼振动状态。
对于微弱振动，当常加速度的模型概率大于静态模型的概率时，模型处于振动状态。微弱振动的模型概率如图4所示，其中灰白色对应的为振动状态。
4、位移提取
显著振动的位移提取，根据2.4中最终状态估值中的位移分量作为提取的位移。显著振动的位移提取示例如图5所示。
微弱振动的位移提取，首先需要根据2.3节中的模型概率输出结果，将振动划分为若干振动区间；然后针对各个振动区间进行分段积分；最终再对积分的位移结果进行去趋势，得到微弱振动的位移。微弱振动的位移提取示例如图6所示。
下面结合具体实验结果对本发明作进一步描述。
图7是本发明实施例提供的仿真实验数据位移提取结果图。
图8是本发明实施例提供的实验室实验各模型概率对比图。
图9是本发明实施例提供的实时位移提取结果与高精度视觉事后位移提取结果对比图。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，所述加速度计的振动探测与位移提取的交互多模型检测方法包括以下步骤：
步骤一，状态模型选择：根据区分的振动状态选择明显振动状态模型和微弱振动状态模型；
步骤二，测量模型选择：对于明显振动选择两状态系统测量模型；对于微弱振动选择三状态简单观测模型；
步骤三，交互多模型滤波：依次进行模型混合、卡尔曼滤波、模型概率计算、模型组合；
步骤四，振动探测：根据计算的模型概率进行显著振动探测和微弱振动探测；
步骤五，位移提取：根据最终状态估值中的位移分量进行显著振动的位移提取以及根据分段积分进行微弱振动的位移提取。
2.如权利要求1所述加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，步骤一中，对于明显振动选择两状态静态模型和阻尼振动模型；对于微弱振动选择三状态静态模型和常加速度模型；
所述静态模型为
X(k)＝ΦcpX(k-1)+wcp(k)；
其中，X(k)为状态参数，k表示第k个历元，Φcp是静态模型的状态转移矩阵，wcp(k)是静态模型的过程噪声；
当状态参数选择为位移，速度时Φcp的取值为：
Figure FDA0002303041410000011
当状态参数选择为位移，速度和加速度时Φcp的取值为：
Figure FDA0002303041410000012
所述阻尼振动模型为：
X(k)＝ΦdvX(k-1)+wdv(k)；
其中，Φdv是阻尼振动模型的状态转移矩阵，wdv(k)是阻尼振动模型的过程噪声；
Φdv＝eAt
其中，A是由自由阻尼振动的连续观测方程确定，t是连续两个历元之间的时间间隔；
当状态参数选择为位移，速度时A的取值为：
Figure FDA0002303041410000021
当状态参数选择为位移，速度和加速度时A的取值为：
Figure FDA0002303041410000022
其中，ζ阻尼比，w0是角速度，通过半功率带宽方法获取；
所述常加速度模型
X(k)＝ΦcaX(k-1)+wca(k)
当状态参数选择为位移，速度和加速度时Φca的取值为：
Figure FDA0002303041410000023
其中，t是连续两个历元之间的时间间隔。
3.如权利要求1所述加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，步骤二中，所述两状态系统测量模型为：
Figure FDA0002303041410000024
其中，
Figure FDA0002303041410000031
为测量的加速度；
Figure FDA0002303041410000032
状态参数选择为位移，速度；
所述三状态简单测量模型为：
Figure FDA0002303041410000033
其中，
Figure FDA0002303041410000034
状态参数选择为位移，速度，加速度。
4.如权利要求1所述加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，步骤三中，所述模型混合包括：
模型混合需要利用前一历元的各个模型概率λi(k-1)，状态估值
Figure FDA0002303041410000035
以及模型间的马尔科夫链πij；
模型概率的预测值为：
Figure FDA0002303041410000036
根据上一历元的模型概率和模型概率，计算前一历元的模型i对模型j的贡献λi|j：
Figure FDA0002303041410000037
计算模型j的混合状态向量
Figure FDA0002303041410000038
Figure FDA0002303041410000039
计算每个模型的混合残差
Figure FDA00023030414100000310
Figure FDA00023030414100000311
计算模型j的混合状态向量的协方差阵
Figure FDA00023030414100000312
Figure FDA00023030414100000313
计算的每一个模型的混合状态估值
Figure FDA0002303041410000041
和协方差阵
Figure FDA0002303041410000042
作为下一步卡尔曼滤波的输入。
5.如权利要求1所述加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，步骤三中，所述模型概率计算的方法为：
根据计算得到的模型概率预测值、新息向量及协方差阵作为模型概率计算的输入；
模型j的似然函数ηj计算如下：
Figure FDA0002303041410000043
模型j的概率λj计算如下：
Figure FDA0002303041410000044
步骤三中，所述模型组合具体包括：
最终的状态估值由各个模型的状态估值的加权确定：
Figure FDA0002303041410000045
模型i的估值残差
Figure FDA0002303041410000046
计算如下：
Figure FDA0002303041410000047
最终的状态估值的协方差阵Q(k|k)计算如下：
Figure FDA0002303041410000048
至此，整个交互多模滤波完成，进入下一个循环流程，即进入模型混合。
6.如权利要求1所述加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，步骤四中，对于显著振动，当阻尼振动的模型概率大于静态模型的概率时，模型处于阻尼振动状态；对于微弱振动，常加速度的模型概率大于静态模型的概率时，模型处于振动状态。
7.如权利要求1所述加速度计的振动探测与位移提取的交互多模型检测方法，其特征在于，步骤五中，所述微弱振动的位移提取方法包括：首先根据模型概率输出结果，将振动划分为若干振动区间；然后针对各个振动区间进行分段积分；最终再对积分的位移结果进行去趋势，得到微弱振动的位移。
8.一种实施权利要求1～7所述加速度计的振动探测与位移提取的交互多模型检测方法的加速度计的振动探测与位移提取的交互多模型检测系统。
9.一种实现权利要求1～7任意一项所述加速度计的振动探测与位移提取的交互多模型检测方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的加速度计的振动探测与位移提取的交互多模型检测方法。
CN201911229087.9A 2019-12-04 2019-12-04 加速度计的振动探测与位移提取的交互多模型检测方法 Active CN110887652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911229087.9A CN110887652B (zh) 2019-12-04 2019-12-04 加速度计的振动探测与位移提取的交互多模型检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911229087.9A CN110887652B (zh) 2019-12-04 2019-12-04 加速度计的振动探测与位移提取的交互多模型检测方法

Publications (2)

Publication Number Publication Date
CN110887652A true CN110887652A (zh) 2020-03-17
CN110887652B CN110887652B (zh) 2021-06-29

Family

ID=69750403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911229087.9A Active CN110887652B (zh) 2019-12-04 2019-12-04 加速度计的振动探测与位移提取的交互多模型检测方法

Country Status (1)

Country Link
CN (1) CN110887652B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650388A (zh) * 2020-12-22 2021-04-13 瑞声新能源发展(常州)有限公司科教城分公司 马达振动信号生成方法、装置、计算机设备及存储介质
CN114781432A (zh) * 2022-03-24 2022-07-22 北京工业大学 一种基于多源信息融合与去趋势波动分析的位移解算方法
CN114781432B (zh) * 2022-03-24 2024-06-11 北京工业大学 一种基于多源信息融合与去趋势波动分析的位移解算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049801A1 (en) * 1996-07-05 2005-03-03 Stefan Lindberg Analysis system
CN101718634A (zh) * 2009-11-20 2010-06-02 西安交通大学 基于多元概率模型的设备状态综合动态报警方法
CN110375731A (zh) * 2019-07-01 2019-10-25 东南大学 一种混合交互式多模型滤波方法
CN110398264A (zh) * 2019-07-31 2019-11-01 联想(北京)有限公司 一种设备状态监测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049801A1 (en) * 1996-07-05 2005-03-03 Stefan Lindberg Analysis system
CN101718634A (zh) * 2009-11-20 2010-06-02 西安交通大学 基于多元概率模型的设备状态综合动态报警方法
CN110375731A (zh) * 2019-07-01 2019-10-25 东南大学 一种混合交互式多模型滤波方法
CN110398264A (zh) * 2019-07-31 2019-11-01 联想(北京)有限公司 一种设备状态监测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650388A (zh) * 2020-12-22 2021-04-13 瑞声新能源发展(常州)有限公司科教城分公司 马达振动信号生成方法、装置、计算机设备及存储介质
CN112650388B (zh) * 2020-12-22 2022-06-28 瑞声新能源发展(常州)有限公司科教城分公司 马达振动信号生成方法、装置、计算机设备及存储介质
CN114781432A (zh) * 2022-03-24 2022-07-22 北京工业大学 一种基于多源信息融合与去趋势波动分析的位移解算方法
CN114781432B (zh) * 2022-03-24 2024-06-11 北京工业大学 一种基于多源信息融合与去趋势波动分析的位移解算方法

Also Published As

Publication number Publication date
CN110887652B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Yao et al. Rdeepsense: Reliable deep mobile computing models with uncertainty estimations
Zhao et al. Where to go next: A spatio-temporal LSTM model for next POI recommendation
Yao et al. Sensegan: Enabling deep learning for internet of things with a semi-supervised framework
Su et al. Dam safety prediction model considering chaotic characteristics in prototype monitoring data series
Xie et al. Asymmetric correlation regularized matrix factorization for web service recommendation
Gunaratne et al. Exponentially weighted control charts to monitor multivariate process variability for high dimensions
CN110887652B (zh) 加速度计的振动探测与位移提取的交互多模型检测方法
Gao et al. Enhancing collaborative filtering via topic model integrated uniform euclidean distance
WO2022028131A1 (zh) 一种基于隐私保护的数据处理模型获取方法、装置、终端设备及存储介质
CN117407771A (zh) 基于数字孪生的轴承健康状态评估方法、装置及相关设备
CN108898190A (zh) 一种基于环保大数据的环境监测预警方法及系统
Wang et al. Identification of ARMA models with binary-valued observations
Li et al. Fault diagnosis and prediction of complex system based on Hidden Markov model
Chen et al. Periodic pattern mining based on GPS trajectories
Fang et al. A context-aware matrix factorization recommender algorithm
CN116467631A (zh) 电力指纹识别模型训练方法、电力指纹识别方法及装置
CN111144473A (zh) 训练集构建方法、装置、电子设备及计算机可读存储介质
CN107204879B (zh) 一种基于指数移动平均的分布式系统自适应故障检测方法
Yang et al. Hybrid extended‐cubature Kalman filters for non‐linear continuous‐time fractional‐order systems involving uncorrelated and correlated noises using fractional‐order average derivative
CN112836381B (zh) 一种基于多源信息的船舶剩余寿命预测方法及系统
CN112187894B (zh) 一种基于负载相关性预测的容器动态调度方法
Chaouche et al. Statistical inference for the generalized Pareto distribution: Maximum likelihood revisited
Kamoto et al. Unsupervised energy disaggregation of home appliances
Yang et al. Neural process for health prognostics with uncertainty estimations
Ge et al. Hybrid degradation equipment remaining useful life prediction oriented parallel simulation considering model soft switch

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant