CN112861947B - 传感器数据处理方法、装置及计算设备 - Google Patents
传感器数据处理方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112861947B CN112861947B CN202110124874.8A CN202110124874A CN112861947B CN 112861947 B CN112861947 B CN 112861947B CN 202110124874 A CN202110124874 A CN 202110124874A CN 112861947 B CN112861947 B CN 112861947B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- fusion
- moment
- data
- sensor
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 390
- 230000004927 fusion Effects 0.000 claims abstract description 306
- 230000002159 abnormal effect Effects 0.000 claims abstract description 139
- 238000001914 filtration Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims description 37
- 230000005856 abnormality Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Abstract
本申请公开一种传感器数据处理方法、装置及计算设备，包括：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中第一融合结果包括每个时刻下多个监测数据的第一融合值；根据第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；利用第二融合值对第一融合结果进行修正，得到传感器数据的第二融合结果。本申请解决现有技术中传感器数据融合准确度低的技术问题。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种传感器数据处理方法、装置及计算设备。
背景技术
数据融合技术是将多源传感器监测信息进行融合、综合为一个可信状态评估结果的过程，当前数据融合的研究分为数据级融合、特征级融合、决策级融合三个融合层次，其中，特征级、决策级融合属于高层次融合技术，目的是通过对数据提取特征、再对多种特征进行综合评估得到一个针对监测结构体状态的初步评估结论。数据级融合是针对多源同质传感器监测数据进行融合的过程，将监测同一对象的传感器监测数据进行融合得到的融合结果一般比直接监测得到的数据相对真实值误差更小。数据级融合可以提高传感器监测精度、降低噪声干扰，广泛应用于工程结构监测系统中。
当前，数据级融合技术有加权融合技术、卡尔曼滤波融合技术、贝叶斯数据融合技术等。其中卡尔曼滤波融合技术相对于其他融合技术的优点是可以在融合过程中滤去数据中的异常值，例如毛刺噪声等，且不需要考虑监测数据的先验概率，但是不足之处是在卡尔曼滤波融合过程中，对于一些由于被测对象状态突发异常而造成的异常值也可能被该算法滤去。不同于监测系统受干扰造成的异常值，这一类由于被测对象状态突发异常而造成的异常值通常反应被测对象的真实状态，在被测对象的状态监测过程中发挥着至关重要的作用，不应当滤去。综上所述，对传感器数据进行卡尔曼滤波融合虽然能去除毛刺噪声，但是也容易滤除被测对象状态突发异常而造成的异常值，造成传感器融合数据失真。
针对上述现有技术中传感器数据融合准确度低的技术问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种传感器数据处理方法、装置及计算设备，以至少解决现有技术中传感器数据融合准确度低的技术问题。
根据本申请实施例的一个方面，提供了一种传感器数据处理方法，获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留。
根据本申请实施例的另一个方面，提供了一种传感器数据处理方法，包括：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；根据所述第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；若是，则利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正。
根据本申请实施例的另一个方面，提供了一种传感器数据处理装置，包括获取单元，用于获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；滤波单元，用于对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；第一融合单元，用于对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；第二融合单元，用于根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；修正单元，用于利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留。
根据本申请实施例的另一个方面，提供了一种传感器数据处理装置，包括：第二获取单元，用于获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；第四融合单元，用于对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；第二滤波单元，用于对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；第五融合单元，用于对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；判断单元，用于根据所述第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；第二修正单元，用于在整体异常时利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正。
在上述任一实施例的基础上，根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常包括：获取所述第一融合结果中每个时刻下的第一融合值；获取每个时刻下多个传感器的监测数据；确定每个时刻下的所述第一融合值分别与多个传感器的监测数据之间的多个差值；根据所述多个差值确定该时刻传感器的监测数据是否整体异常。
在上述任一实施例的基础上，根据所述多个差值确定该时刻传感器的监测数据是否整体异常包括:计算每个时刻t下所述多个差值的标准差σ(t)和平均值m(t)；利用m 个时刻下的标准差的倒数σ-1(t)和平均值m(t)的乘积，构建序列γ，其中γ＝ [σ-1(t1)m(t1),σ-1(t2)m(t2),σ-1(t3)m(t3),…,σ-1(tm)m(tm)]；根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常。
在上述任一实施例的基础上，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值包括：计算监测数据整体异常时刻下多个传感器的监测数据的平均值；计算监测数据整体异常时刻下每个传感器的监测数据与所述平均值之间的相关系数；根据所述相关系数确定每个传感器的监测数据对应的加权系数；根据监测数据整体异常时刻下每个传感器的监测数据和对应的加权系数，计算得到监测数据整体异常时刻下多个监测数据的第二融合值。
在上述任一实施例的基础上，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值包括：对多组监测数据进行融合，得到传感器数据的第三融合结果，其中所述第三融合结果包括每个时刻下多个监测数据的第三融合值；读取监测数据整体异常时刻下多个监测数据的第三融合值，作为所述第二融合值。
在上述任一实施例的基础上，对多组监测数据进行融合，得到传感器数据的第三融合结果包括：
构建M个传感器在N个时刻下的监测数据矩阵X，其中Xi表示第i个传感器的一组监测数据，xi(j)表示第i个传感器在第j个时刻的监测数据：
计算N个时刻下M个传感器的监测数据的平均值
计算每个传感器的监测数据Xi与所述平均值之间的皮尔逊相关系数绝对值其中/>为第i个传感器在N个时刻下的监测数据的均值，/>为平均值/>的平均值；
根据所述皮尔逊相关系数绝对值确定每个传感器的监测数据对应的加权系数；
根据每个时刻下每个传感器的监测数据和对应的加权系数，计算得到每个时刻下多个监测数据的第三融合值；
在上述任一实施例的基础上，对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果包括：
wi＝P-1(k|k)×Pi -1(k|k)
表示k时刻下第i个传感器监测值的卡尔曼滤波结果，i＝1,2,3....,n，wi表示每一个滤波结果对应的加权值，由/>在k时刻下对应的估计误差协方差Pi(k|k) 计算得出，/>为k时刻下多源传感器监测值的融合结果。
根据本申请实施例的另一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任一实施例所述的方法。
根据本申请实施例的另一个方面，提供了一种计算设备，包括处理器，处理器用于运行程序，其中，程序运行时执行上述任一实施例所述的方法。
在本申请实施例中，通过获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，实现了将因监测数据整体异常而被滤除的传感器数据予以保留的技术效果，进而解决了现有技术中传感器数据融合准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种用于实现传感器数据处理方法的计算机终端(或移动设备)的硬件结构框图；
图2是根据本申请实施例的一种传感器数据处理方法的流程图；
图3是根据本申请实施例的又一种传感器数据处理方法的流程图；
图4是根据本申请实施例的另一种传感器数据处理方法的流程图；
图5a-5d是根据本申请实施例的一种传感器数据处理方法的结果示意图；
图6是根据本申请实施例的一种传感器数据处理装置的结构示意图；以及
图7是根据本申请实施例的又一种传感器数据处理装置的结构示意图
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本申请实施例，还提供了一种传感器数据处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现传感器数据处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入 /输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10 还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的产品激活确定方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104 内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的传感器数据处理方法方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处，需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
本申请在上述运行环境下运行如图2所示的一种传感器数据处理方法。图2是根据本申请实施例的传感器数据处理方法的流程图，如图2所示，传感器数据处理方法可以包括：
步骤S202：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
在一种可选的方案中，监测对象例如某地铁基坑工程，其中布置有多个同质传感器，分别针对同一监测对象进行监测。每个传感器按照预设的采样间隔不断生成一组监测数据，多个传感器按照同样的采样时间点不断生成多组监测数据。例如，获取n 个传感器在一个时域段监测数据Z1,Z2,Z3,....Zn，每组数据分别包含m个时刻的值。
步骤S204：对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；
在一种可选的方案中，滤波处理例如卡尔曼滤波，先对各组监测数据进行卡尔曼滤波，得到滤波结果。卡尔曼滤波可以将一组数据中的异常值滤除，从而滤除了监测数据中的毛刺和噪声。
步骤S206：对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；
在一种可选的方案中，以每个时刻为单位，分别计算每个时刻的各个传感器监测数据的加权融合结果。融合方式如下：
wi＝P-1(k|k)×Pi -1(k|k) (3)
表示k时刻下第i个传感器监测值的卡尔曼滤波结果，i＝1,2,3....,n，wi表示每一个滤波结果对应的加权值，由/>在k时刻下对应的估计误差协方差Pi(k|k) 计算得出，/>即每个时刻k下多个监测数据的第一融合值。
步骤S208：根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；
在一种可选的方案中，由于融合结果中第一融合值相对于各组监测结果更接近真实值，因此每组传感器大部分监测数据相对于融合结果中第一融合值的差值可以理解为由噪声引起的粗差。然而，当发生多个传感器监测数据整体异常时，该整体异常值相对于融合结果的差值，可以认为是由卡尔曼滤波算法引起的误差，这种误差分布特性往往与噪声引起的粗差差异很明显，可根据概率分布特性判别。
在一种可选的方案中，被测对象由多个传感器同时监测，由被测对象自身异常引起的异常数据、即传感器整体异常值主要体现出两个特征：
特征一：每个传感器监测数据值远高于该传感器其他时刻的监测数据；
特征二：同时刻下多组传感器监测数据差异不明显。由于引起多组传感器监测数据发生异常的原因一致，都是由被测对象本身状态异常引起的，且该异常因素对数据的变化起决定性作用，一般远高于噪声影响。
因此，可以判断每一时刻下第一融合值与多个传感器监测数据之间的差异大小，以及多个传感器监测数据之间的差异大小，当第一融合值与多个传感器监测数据之间的差异很大，但是多个传感器监测数据之间差异不大、呈现一致性时，可以确定该时刻监测数据整体异常，该数据符合被测对象自身异常引起的数据异常，在滤波时该数据发生突然变化而被滤除，然而从实际监测角度看，该数据不应当被滤除。因而，进一步地，可以抛弃该第一融合值，转而利用该时刻下多个传感器监测数据进行再次加权融合，得到第二融合值，该第二融合值则反应了被测对象真实异常现象。
步骤S210：利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留。
在一种可选的方案中，利用传感器数据整体异常时刻对应的第二融合值，替代第一融合结果中的第一融合值，从而得到最终的第二融合结果。在第二融合结果中，既可以将毛刺和噪声滤除，又保留有传感器数据整体异常时刻的真实值，提高了传感器数据处理的精度和准确度。
综上，本申请中改进的卡尔曼滤波融合算法，目的是保留由被测结构自身引起的异常数据，防止被卡尔曼滤波算法滤除。步骤：首先对多组传感器在一段时间监测的数据进行卡尔曼滤波融合，然后求得每组监测数据与卡尔曼滤波融合结果的差值序列，通过分析同时刻多组传感器监测的差值之间的差异程度，判别异常数据的来源，结合加权系数融合算法对融合结果进行修正。本发明既有卡尔曼滤波的消除噪声的优点，也可以保留由结构自身引起的异常值。
可选地，步骤S208：根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常包括：
步骤S2082：获取所述第一融合结果中每个时刻下的第一融合值；
在一种可选的方案中，对n组传感器在一个时域段监测数据Z1,Z2,Z3,....Zn，每组数据包含m个时刻的值，通过卡尔曼滤波融合算法融合，得到融合结果其中融合结果/>中包含m个时刻的第一融合值。
步骤S2084：获取每个时刻下多个传感器的监测数据；
在一种可选的方案中，获取每个时刻下多个传感器的监测数据即获取n组传感器在多个时刻下的监测数据Z1,Z2,Z3,....Zn。
步骤S2086：确定每个时刻下的所述第一融合值分别与多个传感器的监测数据之间的多个差值；
在一种可选的方案中，将各组数据Z1,Z2,Z3,....Zn分别与相减，得到每组传感器数据相对于融合结果/>的差量ΔZ1,ΔZ2,ΔZ3,....ΔZn。
步骤S2088：根据所述多个差值确定该时刻传感器的监测数据是否整体异常。
可选地，步骤S2088根据所述多个差值确定该时刻传感器的监测数据是否整体异常进一步包括：
步骤S20882：计算每个时刻t下所述多个差值的标准差σ(t)和平均值m(t)；
在一种可选的方案中，用同时刻多传感器监测数据相对于该时刻融合结果值的差值的平均值、标准差倒数作为判别异常数据的特征值，平均值可以代表监测数据数值大小是否异常，若同时刻监测数据差异很低，则标准差趋于0，其倒数要远高于其他时刻的标准差倒数值，呈现异常状态，通过这两个特征值综合评判引起监测数据异常的因素。
步骤S20884：利用m个时刻下的标准差的倒数σ-1(t)和平均值m(t)的乘积，构建序列γ，其中
γ＝[σ-1(t1)m(t1),σ-1(t2)m(t2),σ-1(t3)m(t3),…,σ-1(tm)m(tm)]；
步骤S20886：根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常。
在一种可选的方案中，采用拉依达准则(3σ2准则)判别方差、平均值序列θ、α中各数值反比的异常点。拉依达准则方法简单，要求检测数据服从高斯分布，通过分析，大部分监测数据相对融合结果的差值都是由于噪声干扰引起的，服从高斯分布。因此可以根据该准则判别异常分布。
可选地，在步骤S20886之前，步骤S2088还可以包括：
步骤S20885：判断每个时刻t下所述多个差值的标准差σ(t)是否为0，若否，则执行步骤S20886。若是，则表示同时刻监测数据之间、以及同时刻监测数据与融合值之间无差异，数据正常，且无需对其进行修正。
可选地，步骤S20886根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常进一步包括：
假设x＝[x1,x2,x3,.......,xn]为需要检测的序列，求该序列的标准差σx、平均值mx。
X-＝mx-3×σx
X+＝mx+3×σx
检测每一个序列值xi(i＝1,2,3,.......n)是否在区间[X-,X+]中，若不在该区间，则认为是异常值。
采用拉依达准则(3σ2准则)判别方差、平均值序列θ、α中各数值反比的异常点。拉依达准则方法简单，要求检测数据服从高斯分布，通过分析，大部分监测数据相对融合结果的差值都是由于噪声干扰引起的，服从高斯分布。因此可以根据该准则判别异常分布。
可选的，步骤S208中：若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值进一步包括：
步骤S208a：计算监测数据整体异常时刻下多个传感器的监测数据的平均值；
步骤S208b：计算监测数据整体异常时刻下每个传感器的监测数据与所述平均值之间的相关系数；
步骤S208c：根据所述相关系数确定每个传感器的监测数据对应的加权系数；
步骤S208d：根据监测数据整体异常时刻下每个传感器的监测数据和对应的加权系数，计算得到监测数据整体异常时刻下多个监测数据的第二融合值。
可选的，步骤S208中：若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值进一步包括：
步骤S208m：对多组监测数据进行融合，得到传感器数据的第三融合结果，其中所述第三融合结果包括每个时刻下多个监测数据的第三融合值；
步骤S208n：读取监测数据整体异常时刻下多个监测数据的第三融合值，作为所述第二融合值。
上述两种方案中，步骤S208a-步骤S208d只需对异常时刻下的一组传感器监测数据进行融合，且可以在筛选出异常时刻后进行，而步骤S208m-步骤S208n则首先对每一时刻下的每一组传感器监测数据都进行融合，得到各个时刻下的融合值，且将各个时刻下的融合值进行存储，以便于在判断出异常时刻后直接读取异常时刻对应的融合值进行修正即可。上述两种方案中，均采用未滤波的监测数据进行融合，而这种融合方式不会滤除任何值，可以实现保留任何值得技术效果，本申请中只提取该融合方式下整体异常时刻对应的异常值，将其修正到卡尔曼滤波融合结果中，可以实现既滤除毛刺噪声又保留异常时刻值的效果，提高数据融合的准确性。
上述两种方案中，步骤S208a-步骤S208d和步骤S208m-步骤S208n可以采用相同的加权融合方式，例如：
构建M个传感器在N个时刻下的监测数据矩阵X，其中Xi表示第i个传感器的一组监测数据，xi(j)表示第i个传感器在第j个时刻的监测数据：
计算N个时刻下M个传感器的监测数据的平均值
计算每个传感器的监测数据Xi与所述平均值之间的皮尔逊相关系数绝对值其中/>为第i个传感器在N个时刻下的监测数据的均值，/>为平均值/>的平均值；
根据所述皮尔逊相关系数绝对值确定每个传感器的监测数据对应的加权系数；
根据每个时刻下每个传感器的监测数据和对应的加权系数，计算得到每个时刻下多个监测数据的第三融合值；
在上述方案中，每个传感器的监测数据Xi与所述平均值之间的皮尔逊相关系数的结果可能是负数，或者可能是正数。其中正数和负数中的正号、负号的意义是表示两个向量是正相关还是负相关。在本方案利用皮尔逊相关系数求加权系数的过程中，重要的是考量两个向量之间的相关性强弱，而非正相关或负相关。因此，在皮尔逊相关系数的基础上，考量皮尔逊相关系数的绝对值/>来得到数值的大小，去除相关系数的正号、负号信息。
综上所述，本申请可以在卡尔曼滤波融合的基础上，采用加权融合方式修正其中的整体异常时刻值，实现了改进的卡尔曼滤波融合结果，其中不仅将毛刺噪声滤去，同时也保留了由被测结构自身引起的异常数据，而且对于单个传感器受异常影响造成的异常数据，改进的卡尔曼滤波算法仍然可以将该异常值滤去。其相对于传统的卡尔曼滤波融合算法、加权系数融合算法，既保留了卡尔曼滤波特性，又不会丢失监测过程中被测结构体异常引起的异常信息。
图3是根据本申请实施例的又一种传感器数据处理方法的流程图；如图3所示，该方法包括：
步骤S302：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
步骤S304：对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；
步骤S306：对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；
步骤S308：对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；
步骤S310：根据第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；
步骤S312：若是，则利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正。
其中，步骤S302的具体实现或变形可参照上述步骤S202及其实施例，步骤S304 中的融合方式可以为加权融合，其具体实现或变形可参照步骤S208a-步骤S208d和步骤S208m-步骤S208n及其实施例，步骤S306中滤波方式可以为卡尔曼滤波，其具体实现或变形可参照步骤S204及其实施例，步骤S308中的融合方式可以为卡尔曼滤波融合，其具体实现或变形可参照步骤S206及其实施例，步骤S310中判断整体异常的方式可参照步骤S208中根据第一融合值判断每个时刻下多个传感器的监测数据是否整体异常的实施例，步骤S312中的修正方式可参照步骤是210及其实施例。图3所示的上述方法与图2所示的方法中的具体步骤在实现中类似，区别在于图3所示的方法首先对未滤波数据进行加权融合，然后对数据进行滤波，再进行卡尔曼滤波融合，随后针对卡尔曼滤波结果和传感器监测数据判断传感器数据是否整体异常，若是，则采用未滤波的加权融合数据对卡尔曼滤波融合数据进行修正。其他类似步骤不再赘述。
图4是根据本申请实施例的另一种传感器数据处理方法的流程图；如图4所示，该方法包括：
第1步，对Z11、Z12、Z13、Z14四组数据分别进行卡尔曼滤波，对四组滤波数据进行加权融合，每个数据点的加权值依据卡尔曼滤波过程中每一个数据点对应的估计误差协方差得到。公式如下：
wi＝P-1(k|k)×Pi -1(k|k) (3)
表示k时刻下第i个传感器监测值的卡尔曼滤波结果，i＝1,2,3....,n，wi表示每一个滤波结果对应的加权值，由/>在k时刻下对应的估计误差协方差Pi(k|k) 计算得出，/>为k时刻下多源传感器监测值的融合结果。
第2步，Z2为Z11、Z12、Z13、Z14四组数据的卡尔曼滤波融合结果，将各组数据分别与Z2相减，得到每组传感器数据相对于融合结果Z2的相差量ΔZ11、ΔZ12、ΔZ13、ΔZ14。
第3步，求ΔZ11、ΔZ12、ΔZ13、ΔZ14在t时刻数据ΔZ11(t)、ΔZ12(t)、
ΔZ13(t)、ΔZ14(t)的标准差σ(t)、平均值m(t)，若标准差为0，则转步骤5。
第4步，方差θ＝[σ-1(t1),σ-1(t2),σ-1(t3),...,σ-1(tm)]，平均值α＝ [m(t1),m(t2),m(t3),...,m(tm)],分别包含m个时刻下n组传感器监测数据之间的标准差倒数、平均值。用拉依达准则(3σ2准则)判别序列θ、α各对应值反比序列γ当中的异常点。
关于拉依达准则判别方式，判别步骤如下：
假设x＝[x1,x2,x3,.......,xn]为需要检测的序列，求该序列的标准差σx、平均值mx。
X-＝mx-3×σx (4)
X+＝mx+3×σx (5)
检测每一个序列值xi(i＝1,2,3,.......n)是否在区间[X-,X+]中，若不在该区间，则认为是异常值。
第5步，若γ(tk)数据异常，则认为tk时刻传感器监测数据无差异，不能用滤波算法剔除，其融合结果应用同一时刻多组数据加权融合值替代。
加权融合算法如下：
假设对同一个监测点，一共有M个传感器，每个传感器采集的数据点数为N，则采集的数据用矩阵表示为：
首先对采集的M个传感器的监测数据计算均值，得到：
根据式(8)，求第i个传感器的监测数据与M个传感器的监测数据均值的相关系数。
式中为第i个传感器的监测数据的均值，/>为M个传感器的监测数据计算平均值的均值。
根据皮尔逊相关系数绝对值求每个监测值的具体的加权系数，如式(9)所示：
则加权数据融合的最终结果如式(10)所示：
为了验证本申请传感器数据处理方法的效果，本申请还进行了仿真，并提供了仿真效果示意图。图5是根据本申请实施例的一种传感器数据处理方法的结果示意图。具体的，提取一段某地铁基坑工程实际监测应变数据，记为Z1。为了仿真传感器整体异常数据，在Z1数据的第250到254，305到309数据点插入异常序列，将插入异常数据的Z1数据做为原始数据。为了仿真多个同质传感器的监测数据，例如4个，对插入异常序列后的Z1数据分别进行四次随机加噪，得到四组加噪仿真数据Z11、Z12、 Z13、Z14，此时这四组数据可以表示四个同质传感器监测同一对象得到的数据，每组数据在第250到254，305到309数据点的异常序列代表由被测对象自身状态异常引起的异常值。
针对原始数据分别进行加权系数融合、卡尔曼滤波融合、本申请提出的改进卡尔曼滤波融合这三种处理方式，以展示对其中整体异常数据的处理结果。图5a为原始数据与加权融合处理结果的对比示意图，图5b为原始数据与卡尔曼滤波融合处理结果的对比示意图，图5c为原始数据与本申请实施例所述的改进卡尔曼滤波融合处理结果的对比示意图，由图中可知，图5a中加权系数融合结果相对原始监测数据仍然保留有毛刺噪声，而图5b中卡尔曼滤波融合结果将大部分毛刺噪声滤去，但是同时也将插入的异常数据滤去，本申请提出的图5c中改进的卡尔曼滤波融合结果不仅将毛刺噪声滤去，同时也保留了异常数据值，融合结果最优。
对Z11、Z12、Z13、Z14四组数据中的Z11数据在第205到210个数据点中再单独插入异常序列，以模拟由监测系统自身受随机因素影响引起的异常值，而非被测结构状态发生异常引起的整体异常值。此时，Z11、Z12、Z13、Z14四组数据除了之前的整体异常值，对于Z11，还单独包含由随机影响造成的异常值，对此时的四组数据再利用本申请所述的改进的融合算法进行融合。图5d为单独再次插入异常值的Z11数据与融合处理结果的对比示意图。如图所示，融合结果没有保存Z11中再次插入的异常值，说明改进的卡尔曼滤波算法会滤去由监测系统自身受随机因素影响引起的随机异常值。
综上，本申请中改进的卡尔曼滤波融合算法，目的是保留由被测结构自身引起的异常数据，防止被卡尔曼滤波算法滤除。步骤：首先对多组传感器在一段时间监测的数据进行卡尔曼滤波融合，然后求得每组监测数据与卡尔曼滤波融合结果的差值序列，通过分析同时刻多组传感器监测的差值之间的差异程度，判别异常数据的来源，结合加权系数融合算法对融合结果进行修正。本发明既有卡尔曼滤波的消除噪声的优点，也可以保留由结构自身引起的异常值。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的传感器数据处理方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。
实施例2
根据本申请实施例，还提供了一种用于实施上述传感器数据处理方法的传感器数据处理装置，该装置以软件或硬件方式实现。
图6是根据本申请实施例的一种传感器数据处理装置的结构示意图；如图6所示，该装置包括：获取单元6002，滤波单元6004，第一融合单元6006，第二融合单元6008，修正单元6010，其中：
获取单元6002，用于获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
滤波单元6004，用于对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；
第一融合单元6006，用于对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；
第二融合单元6008，用于根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；
修正单元6010，用于利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留。
此处，需要说明的是，上述获取单元6002，滤波单元6004，第一融合单元6006，第二融合单元6008，修正单元6010对应于实施例1中的步骤S202至步骤S210，上述五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
图7是根据本申请实施例的又一种传感器数据处理装置的结构示意图；如图7所示，该装置包括：第二获取单元7002，第四融合单元7004，第二滤波单元7006，第五融合单元7008，判断单元7010，第二修正单元7012。其中：
第二获取单元7002，用于获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
第四融合单元7004，用于对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；
第二滤波单元7006，用于对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；
第五融合单元7008，用于对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；
判断单元7010，用于根据所述第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；
第二修正单元7012，用于在整体异常时利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正。
此处，需要说明的是，上述第二获取单元7002，第四融合单元7004，第二滤波单元7006，第五融合单元7008，判断单元7010，第二修正单元7012对应于实施例1中的步骤S302至步骤S312，上述六个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
在上述任一实施例的基础上，根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常包括：获取所述第一融合结果中每个时刻下的第一融合值；获取每个时刻下多个传感器的监测数据；确定每个时刻下的所述第一融合值分别与多个传感器的监测数据之间的多个差值；根据所述多个差值确定该时刻传感器的监测数据是否整体异常。
在上述任一实施例的基础上，根据所述多个差值确定该时刻传感器的监测数据是否整体异常包括:计算每个时刻t下所述多个差值的标准差σ(t)和平均值m(t)；利用m 个时刻下的标准差的倒数σ-1(t)和平均值m(t)的乘积，构建序列γ，其中γ＝ [σ-1(t1)m(t1),σ-1(t2)m(t2),σ-1(t3)m(t3),…,σ-1(tm)m(tm)]；根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常。
在上述任一实施例的基础上，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值包括：计算监测数据整体异常时刻下多个传感器的监测数据的平均值；计算监测数据整体异常时刻下每个传感器的监测数据与所述平均值之间的相关系数；根据所述相关系数确定每个传感器的监测数据对应的加权系数；根据监测数据整体异常时刻下每个传感器的监测数据和对应的加权系数，计算得到监测数据整体异常时刻下多个监测数据的第二融合值。
在上述任一实施例的基础上，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值包括：对多组监测数据进行融合，得到传感器数据的第三融合结果，其中所述第三融合结果包括每个时刻下多个监测数据的第三融合值；读取监测数据整体异常时刻下多个监测数据的第三融合值，作为所述第二融合值。
在上述任一实施例的基础上，对多组监测数据进行融合，得到传感器数据的第三融合结果包括：
构建M个传感器在N个时刻下的监测数据矩阵X，其中Xi表示第i个传感器的一组监测数据，xi(j)表示第i个传感器在第j个时刻的监测数据：
计算N个时刻下M个传感器的监测数据的平均值
计算每个传感器的监测数据与所述平均值/>之间的皮尔逊相关系数绝对值其中/>为第i个传感器在N个时刻下的监测数据的均值，/>为平均值/>的平均值；/>
根据所述皮尔逊相关系数绝对值确定每个传感器的监测数据对应的加权系数；
根据每个时刻下每个传感器的监测数据和对应的加权系数，计算得到每个时刻下多个监测数据的第三融合值；
在上述任一实施例的基础上，对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果包括：
wi＝P-1(k|k)×Pi -1(k|k)
表示k时刻下第i个传感器监测值的卡尔曼滤波结果，i＝1,2,3....,n，wi表示每一个滤波结果对应的加权值，由/>在k时刻下对应的估计误差协方差Pi(k|k) 计算得出，/>为k时刻下多源传感器监测值的融合结果。
实施例3
本申请的实施例可以提供一种计算设备，该计算设备可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算设备也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述计算设备包括一个或多个处理器、存储器、以及传输装置。其中，存储器可用于存储软件程序以及模块，如本申请实施例中的传感器数据处理方法和装置对应的程序指令/模块。处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的传感器数据处理方法。
可选地，存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备120。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本实施例中，上述计算设备中的处理器运行存储的程序代码时可以执行以下方法步骤：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留。
在本实施例中，上述计算设备中的处理器运行存储的程序代码时还可以执行以下方法步骤：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；根据所述第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；若是，则利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正。
进一步地，在本实施例中，上述计算设备中的处理器运行存储的程序代码时可以执行实施例1中所列举的任一方法步骤，囿于篇幅不再赘述。
实施例3
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述传感器数据处理方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；根据所述第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；若是，则利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正。
进一步地，在本实施例中，存储介质被设置为存储用于执行实施例1或2中所列举的任一方法步骤的程序代码，囿于篇幅不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种传感器数据处理方法，其特征在于，包括：
获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；
对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；
根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；
利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留；
根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常包括：
获取所述第一融合结果中每个时刻下的第一融合值；
获取每个时刻下多个传感器的监测数据；
确定每个时刻下的所述第一融合值分别与多个传感器的监测数据之间的多个差值；
根据所述多个差值确定该时刻传感器的监测数据是否整体异常；
根据所述多个差值确定该时刻传感器的监测数据是否整体异常包括:
计算每个时刻t下所述多个差值的标准差σ(t)和平均值m(t)；
利用m个时刻下的标准差的倒数σ-1(t)和平均值m(t)的乘积，构建序列γ，其中γ＝[σ-1(t1)m(t1),σ-1(t2)m(t2),σ-1(t3)m(t3),…,σ-1(tm)m(tm)]；
根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常。
2.根据权利要求1所述的方法，其特征在于，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值包括：
计算监测数据整体异常时刻下多个传感器的监测数据的平均值；
计算监测数据整体异常时刻下每个传感器的监测数据与所述平均值之间的相关系数；
根据所述相关系数确定每个传感器的监测数据对应的加权系数；
根据监测数据整体异常时刻下每个传感器的监测数据和对应的加权系数，计算得到监测数据整体异常时刻下多个监测数据的第二融合值。
3.根据权利要求1所述的方法，其特征在于，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值包括：
对多组监测数据进行融合，得到传感器数据的第三融合结果，其中所述第三融合结果包括每个时刻下多个监测数据的第三融合值；
读取监测数据整体异常时刻下多个监测数据的第三融合值，作为所述第二融合值。
4.根据权利要求3所述的方法，其特征在于，对多组监测数据进行融合，得到传感器数据的第三融合结果包括：
构建M个传感器在N个时刻下的监测数据矩阵X，其中Xi表示第i个传感器的一组监测数据，xi(j)表示第i个传感器在第j个时刻的监测数据：
计算N个时刻下M个传感器的监测数据的平均值
计算每个传感器的监测数据Xi与所述平均值之间的皮尔逊相关系数绝对值/>其中/>为第i个传感器在N个时刻下的监测数据的均值，/> 为平均值/>的平均值；
根据所述皮尔逊相关系数绝对值确定每个传感器的监测数据对应的加权系数；
根据每个时刻下每个传感器的监测数据和对应的加权系数，计算得到每个时刻下多个监测数据的第三融合值；
5.根据权利要求1所述的方法，其特征在于，对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果包括：
表示k时刻下第i个传感器监测值的卡尔曼滤波结果，i＝1,2,3....,n，wi表示每一个滤波结果对应的加权值，由/>在k时刻下对应的估计误差协方差Pi(k|k)计算得出，为k时刻下多源传感器监测值的融合结果。
6.一种传感器数据处理方法，其特征在于，包括：
获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
对每一时刻下的多个传感器的监测数据进行融合，得到第四融合结果；
对每组监测数据分别进行滤波处理，得到经滤波的多组监测数据；
对每一时刻下的多个传感器的经滤波的监测数据进行融合，得到第五融合结果；
根据所述第五融合结果和多组监测数据判断每一时刻下多个传感器的监测数据是否整体异常；
若是，则利用该监测数据整体异常时刻下的第四融合结果对第五融合结果进行修正；
根据所述第五融合结果判断每一时刻下多个传感器的监测数据是否整体异常包括：
获取所述第五融合结果中每一时刻下的第五融合结果；
获取每一时刻下多个传感器的监测数据；
确定每一时刻下的所述第五融合结果分别与多个传感器的监测数据之间的多个差值；
根据所述多个差值确定该时刻传感器的监测数据是否整体异常；
根据所述多个差值确定该时刻传感器的监测数据是否整体异常包括:
计算每个时刻t下所述多个差值的标准差σ(t)和平均值m(t)；
利用m个时刻下的标准差的倒数σ-1(t)和平均值m(t)的乘积，构建序列γ，其中γ＝[σ-1(t1)m(t1),σ-1(t2)m(t2),σ-1(t3)m(t3),…,σ-1(tm)m(tm)]；
根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常。
7.一种传感器数据处理装置，其特征在于，包括：
获取单元，用于获取监测同一对象的多个传感器的多组监测数据，其中每组监测数据包括每个传感器在多个时刻下的监测数据；
滤波单元，用于对每组监测数据分别进行滤波处理，以滤除每组监测数据中的异常值；
第一融合单元，用于对经滤波的多组监测数据进行融合，得到传感器数据的第一融合结果，其中所述第一融合结果包括每个时刻下多个监测数据的第一融合值；
第二融合单元，用于根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常，若是，则确定监测数据整体异常时刻下多个监测数据的第二融合值；
修正单元，用于利用所述第二融合值对所述第一融合结果进行修正，得到传感器数据的第二融合结果，以将因监测数据整体异常而被滤除的传感器数据予以保留；
其中，所述第二融合单元根据所述第一融合值判断每个时刻下多个传感器的监测数据是否整体异常包括：
获取所述第一融合结果中每个时刻下的第一融合值；
获取每个时刻下多个传感器的监测数据；
确定每个时刻下的所述第一融合值分别与多个传感器的监测数据之间的多个差值；
根据所述多个差值确定该时刻传感器的监测数据是否整体异常；
根据所述多个差值确定该时刻传感器的监测数据是否整体异常包括:
计算每个时刻t下所述多个差值的标准差σ(t)和平均值m(t)；
利用m个时刻下的标准差的倒数σ-1(t)和平均值m(t)的乘积，构建序列γ，其中γ＝[σ-1(t1)m(t1),σ-1(t2)m(t2),σ-1(t3)m(t3),…,σ-1(tm)m(tm)]；
根据拉依达准则判别序列γ当中的每一时刻的标准差的倒数σ-1(t)和平均值m(t)的乘积是否异常。
8.一种计算设备，包括处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110124874.8A CN112861947B (zh) | 2021-01-29 | 2021-01-29 | 传感器数据处理方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110124874.8A CN112861947B (zh) | 2021-01-29 | 2021-01-29 | 传感器数据处理方法、装置及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861947A CN112861947A (zh) | 2021-05-28 |
| CN112861947B true CN112861947B (zh) | 2024-04-19 |
Family
ID=75987865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110124874.8A Active CN112861947B (zh) | 2021-01-29 | 2021-01-29 | 传感器数据处理方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861947B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255137B (zh) * | 2021-05-31 | 2021-11-02 | 中铁第一勘察设计院集团有限公司 | 目标对象应变数据的处理方法、装置及存储介质 |
| CN113566811A (zh) * | 2021-06-30 | 2021-10-29 | 武汉港迪电气有限公司 | 基于多路位置检测传感器的数据滤波融合算法及装置 |
| CN117433444B (zh) * | 2023-12-21 | 2024-03-15 | 中铁第一勘察设计院集团有限公司 | 基于机器视觉测量仪的基坑变形监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726198A (zh) * | 2018-12-06 | 2019-05-07 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
| CN111542010A (zh) * | 2020-04-22 | 2020-08-14 | 青岛黄海学院 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
| CN111563918A (zh) * | 2020-03-30 | 2020-08-21 | 西北工业大学 | 一种多卡尔曼滤波器数据融合的目标跟踪方法 |
-
2021
- 2021-01-29 CN CN202110124874.8A patent/CN112861947B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726198A (zh) * | 2018-12-06 | 2019-05-07 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
| CN111563918A (zh) * | 2020-03-30 | 2020-08-21 | 西北工业大学 | 一种多卡尔曼滤波器数据融合的目标跟踪方法 |
| CN111542010A (zh) * | 2020-04-22 | 2020-08-14 | 青岛黄海学院 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| 传感器网络数据流异常数据检测与修正;杨杰;白洋;齐齐哈尔大学学报(自然科学版)(第06期);全文 * |
| 基于NB-IoT环境监测的多传感器数据融合技术;聂珲等;传感技术学报;第33卷(第01期);第144-152页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861947A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112861947B (zh) | 传感器数据处理方法、装置及计算设备 | |
| CN106960126B (zh) | 数据预警方法和设备 | |
| CN110222313B (zh) | 反映非一致性干旱特征变量的干旱预警方法和装置 | |
| CN113114530A (zh) | 一种网元健康状态的检测方法及设备 | |
| CN112669290A (zh) | 图像比对方法及装置 | |
| WO2019121655A1 (en) | A probability-based detector and controller apparatus, method, computer program | |
| CN105512803B (zh) | 电力数据的处理方法及处理装置 | |
| CN116421178A (zh) | 辅助监护的方法、装置、终端设备及可读存储介质 | |
| CN110443035A (zh) | 对用于识别入侵尝试的系统进行校准的方法和设备 | |
| CN115861554A (zh) | 模型展示方法、装置、非易失性存储介质和计算机设备 | |
| US20190003927A1 (en) | Monitoring device, monitoring method, and program | |
| US20210131840A1 (en) | Method for setting quality thresholds of products for testing purposes and device employing method | |
| CN114332766A (zh) | 基于行动规律的危险行为预警方法、装置及其应用 | |
| CN113688539B (zh) | 一种复合型极端气候事件识别方法和系统 | |
| CN113197116A (zh) | 生猪健康监测及出栏时间评估方法、终端设备及存储介质 | |
| CN110689112A (zh) | 数据处理的方法及装置 | |
| CN106936132B (zh) | 一种基于熵的多区域互联电力系统随机控制性能评价装置与方法 | |
| CN116630247B (zh) | 脑血流图像处理方法及装置、脑血流监测系统 | |
| CN110988783A (zh) | 一种智能电表精度在线监测方法和装置 | |
| CN110507319B (zh) | 一种疲劳度检测方法及设备 | |
| CN113138067B (zh) | 一种衍射光学器件的检测方法、装置及设备 | |
| CN114881908B (zh) | 一种异常像素识别方法、装置、设备以及计算机存储介质 | |
| US20230298329A1 (en) | Information processing apparatus, information processing method, and storage medium | |
| CN114861839B (zh) | 一种目标数据的处理方法、装置及设备 | |
| CN116094148A (zh) | 配电站室状态展示方法、装置和非易失性存储介质 |
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 |