CN113255137A - 目标对象应变数据的处理方法、装置及存储介质 - Google Patents

Abstract

本申请公开一种目标对象应变数据的处理方法、装置及存储介质，该方法包括：获取目标对象的应变数据和温度数据；对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。本申请解决现有技术中目标对象应变数据精确度低的技术问题。

Description

目标对象应变数据的处理方法、装置及存储介质

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种目标对象应变数据的处理方法、装置及存储介质。

背景技术

在工程中，目标对象例如钢梁尺寸大、结构复杂，因而为了保障工程安全，通常需要对目标对象的应力数据进行实时监测和分析。钢梁自身结构、运动及温度等多种因素都会对钢梁的应变产生影响。而由于实际监测场景中的温度无可避免的会随监测时间而发生高低变化，从而给监测到的应变数据带来噪音。同时，某些情况下温度对钢梁的应力在钢梁所有的应力中占据较大比重，如果无视温度变化因素引起的应力变化，而直接采用监测到的应变数据分析由钢梁自身结构、运动等因素引发的应力，则会因应变数据本身精确度而导致应变数据分析结果准确性低的问题。

针对上述现有技术中目标对象应变数据精确度低的技术问题，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目标对象应变数据的处理方法、装置及存储介质，以至少解决现有技术中目标对象应变数据精确度低的技术问题。

根据本申请实施例的一个方面，提供了一种目标对象应变数据的处理方法，包括获取目标对象的应变数据和温度数据；对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。

根据本申请实施例的另一个方面，提供了一种目标对象应变数据的处理装置，包括获取单元，用于获取目标对象的应变数据和温度数据；分解提取单元，用于对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；模型构建单元，用于基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。

对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量包括：对应变数据和温度数据分别按照频段进行一级分解，得到应变数据和温度数据分别在各频段下的分量；判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关；在其中一个频段下应变数据分量和温度数据分量之间相关、但不是所有频段下应变数据分量和温度数据分量之间均相关时，对相关的其中一个频段下应变数据分量和温度数据分量分别按照频段进行N级分解，并返回判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关，其中N为大于1的整数；在所有频段下应变数据分量和温度数据分量之间均相关时停止分解，将相关的所有频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

频段包括高频段和低频段，其中，对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量包括：对应变数据和温度数据分别按照高频段和低频段进行分解，到应变数据和温度数据分别在高频段下和低频段下的分量；判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；在高频段下应变数据分量和温度数据分量不相关、但低频段下应变数据分量和温度数据分量相关时，对低频段下应变数据分量和温度数据分量分别按照高频段和低频段进行再次分解，并返回判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；在高频段下以及低频段下应变数据分量和温度数据分量均相关时停止分解，将高频段下以及低频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

在获取目标对象的应变数据和温度数据之前，方法还包括：读取目标对象局部区域内放置的多个应变传感器和多个温度传感器同步采集的多组数据；对多个应变传感器和多个温度传感器采集的多组数据进行修正；对多个应变传感器采集的多组数据进行融合，得到应变数据；对多个温度传感器采集的多组数据进行融合，得到温度数据。

在获取目标对象的应变数据和温度数据之前，方法还包括：读取目标对象局部区域内放置的多个振弦应变计采集的数据，对多个振弦应变计采集的数据进行处理，以得到目标对象的应变数据和温度数据。

对多个振弦应变计采集的数据进行处理包括：从多个振弦应变计采集的数据中分别提取应变相关数据和温度相关数据，对应变相关数据和温度相关数据分别进行修正，对多个应变传感器采集的多组数据进行融合，得到应变数据；对多个温度传感器采集的多组数据进行融合，得到温度数据。

对多个应变传感器和多个温度传感器采集的多组数据进行修正至少包括对剔除异常数据以及补全剔除处缺失的数据。

通过如下公式剔除异常数据：

，其中，

为第i个监 测点，若

时，认为

值异常，给予剔除，通过如下公式补全剔除处缺失的数 据：

，将异常的

值替换为

。

分解为小波分解，其中，对应变数据和温度数据分别按照频段进行分解包括：通过高通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的高频段分量，通过低通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的低频段分量。

判断分解后的某一频段下应变数据分量和温度数据分量之间是否相关包括：计算应变数据分量和温度数据分量的相关系数；对应变数据分量和温度数据分量进行线性相关性检验；当应变数据分量和温度数据分量的相关系数大于预设阈值、且应变数据分量和温度数据分量通过线性相关性检验时，判断应变数据分量和温度数据分量相关。

相关系数为皮尔逊相关系数，通过如下公式计算应变数据分量和温度数据分量的 相关系数：

，式中

表示数据

的平均值，

表示数据

的平均值，

表示X、Y两组数据的皮尔逊相关系数，

、

为两组数据的标准差，相关系数绝对值越 大，表示相关性越强，相关系数取值区间为

。

对应变数据分量和温度数据分量进行线性相关性检验包括：

假设X、Y两组数据

、

满足线性关系

，

估计量为

，

原假设

，备择假设

，

计算检验统计量

：

式中

，

、

为样本数据平均值，

，n为待检测数据量，若假设检验拒绝

，则线性关系成立，认为X、Y通过线性 相关性检验。

基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系包括：

假设

为独立同分布的实验数据，满足关系式：

，式中

为回归函数，且满足

。

求解一次线性回归模型。

令

，

为核函数,h为拟合带宽；

式中：

取

，

为一次核回归模型

的估计值，

为一阶导数

估计值。

利用

与

对数据进行二次光滑回归：

在基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系之后，方法还包括：根据模型，计算由温度引发的目标对象的应变量；从应变数据表征的总应变量中剔除由温度引发的应变量，以消除温度对目标对象的应变数据的影响。

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的方法。

在本申请实施例中，通过获取目标对象的应变数据和温度数据；对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系，可以实现分析两种数据相同分量之间相关性，提取由温度造成的应变分量；从而将目标对象的总应变量分解为温度引起的应变量与其他因素引起的应变量，进而解决了现有技术中目标对象应变数据精确度低的技术问题，在此基础上还可以分别基于温度引起的应变量和其他因素引起的应变量进行准确分析。

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目标对象应变数据的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目标对象应变数据的处理方法的流程图；

图3是根据本申请实施例的一种传感器放置的示意图；

图4是根据本申请实施例的一种融合后的应变数据和温度数据的示意图；

图5是根据本申请实施例的一种小波分解的原理图；

图6是根据本申请实施例的一种对温度融合数据进行3层小波分解得到的不同小波分量；

图7是根据本申请实施例的一种对应变融合数据进行3层小波分解得到的不同小波分量；

图8是根据本申请实施例的一种包括二次局部光滑线性回归模型下求得的总应变、温度引起的应变以及基坑结构自身的应变量的示意图；

图9是根据本申请实施例的一种二次局部光滑线性回归模型与最小二乘法的回归模型在不同噪声情况下得到的应变量与未加噪情况下的应变量的RMSE对比图；

图10是根据本申请实施例的又一种目标对象应变数据的处理方法的流程图；

图11是根据本申请实施例的一种目标对象应变数据的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，还提供了一种目标对象应变数据的处理方法实施例，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目标对象应变数据的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。计算机终端10还可以包括I/O接口，用以实现处理器102、存储器104等多个模块之间的通信。除此以外，还可以包括：输入/输出接口、光标控制设备、键盘、显示器、网络接口、电源和/或相机，其中输入/输出接口中可以包括通用串行总线（USB）端口。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/或其他数据融合电路在本文中通常可以被称为“数据融合电路”。该数据融合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，数据融合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，该数据融合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融合，即实现上述的目标对象应变数据的处理。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。

显示器例如是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所示的一种目标对象应变数据的处理方法。图2是根据本申请实施例的一种目标对象应变数据的处理方法的流程图，如图2所示，目标对象应变数据的处理方法可以包括：

步骤S202：获取目标对象的应变数据和温度数据；

在上述步骤S202中，目标对象例如钢梁，在一种实施例中，应变数据和温度数据可以从目标对象中设置的传感器中获取，为尽可能统一应变数据和温度数据，应变传感器和温度传感器应同等设置，并在物理位置上应尽可能的接近。在目标对象中，可以设置多个应变传感器和同样多个温度传感器。同一位置处设置的应变传感器和温度传感器构成一组传感器，因此目标对象的应变数据和温度数据可以是这一组传感器采集的数据，即针对每一组传感器的数据均执行本申请所提供的方法。或者，目标对象的应变数据和温度数据可以是多组传感器采集的数据融合后的数据，对融合后的数据执行本申请所提供的方法，即对所有应变传感器采集的数据进行融合，得到上述应变数据，对所有温度传感器采集的数据进行融合，得到上述温度数据。

在上述步骤S202中，在另一种实施例中，应变数据和温度数据可以从目标对象中设置的振弦应变计中获取，通常情况下，振弦应变计都自带温度计，振弦应变计在工作中，首先得出振弦的振动频率，然后根据读取的温度数据以及其他固定的参考数据，经过一个换算关系得出最终的应变数据，这种换算关系已经普遍的应用到了应变计中。在目标对象中，可以在局部区域内设置多个振弦应变计，目标对象的应变数据和温度数据可以是其中一个振弦应变计采集的数据，即针对每一个振弦应变计的数据均执行本申请所提供的方法。或者，目标对象的应变数据和温度数据可以是多个振弦应变计采集的数据融合后的数据，对融合后的数据执行本申请所提供的方法，即对振弦应变计采集的所有应变数据进行融合，得到上述应变数据，对振弦应变计采集的所有温度数据进行融合，得到上述温度数据。

在上述步骤S202中，目标对象中放置有应变传感器和温度传感器，该步骤进一步包括：获取温度传感器采集的数据，分析温度传感器采集的数据的变化情况，根据该变化情况设置采样频率，根据该采样频率对该应变传感器的数据和温度传感器的数据进行采样，得到上述目标对象的应变数据和温度数据。根据该变化情况设置采样频率，例如，温度每变化预设度数时（如0.5°）记录一个温度变化点，分析多个温度变化点中每两个相邻的温度变化点之间的时间间隔，根据该时间间隔生成采样频率，使得在采样周期小于最短的两个相邻的温度变化点之间的时间间隔；或者，温度每变化预设度数时（如0.5°）记录一个温度变化点，分析多个温度变化点中每两个相邻的温度变化点之间的时间间隔，根据多个时间间隔构建正态分布曲线，根据其小于两个标准差处较小的时间间隔确定采样频率，使得在采样周期略小于两个标准差处较小的时间间隔。

步骤S204：对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；

在上述步骤S204中，结合实际工程中应变分析，温度在正常工程环境下，变化较为缓慢，且有相关研究表明，温度与应变变化满足线性关系，而且温度应变分量影响的是应变总趋势的变化，主要集中于低频段应变分量的影响，但是不能确定低频段的范围。因而需要先对原始数据按照频段进行分解，此时由于温度引起的应变在低频段，而导致低频段应变数据分量和温度数据分量相关，而高频段应变数据分量和温度数据分量不相关，因此就需要对低频段数据再次分解为相对更低频段的数据分量、相对较高频段的数据分量，此时可能相对更低频段应变数据分量和温度数据分量相关，而相对较高频段应变数据分量和温度数据分量不相关，因此继续分解，直到在某一低频段的范围内，其分解的更低频和较高频的频段下应变数据分量和温度数据分量都相关，则此频段下的应变数据分量和温度数据分量为相关度高的同级同频段应变数据分量和温度数据分量。通过按照频段的分解及相关性分析，可以有效提取了高相关度的应变数据分量和温度数据分量，从而分析温度导致的应变量。

步骤S206：基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。

在上述步骤S206中，可以利用二次局部光滑线性回归算法建立温度-应变回归模型，得到温度与钢梁应变的关系。二次局部光滑线性回归算法优点在于，建立回归模型的过程中，利用了线性函数的导数估计量对回归模型进行修正平滑处理，因此该算法可以有效剔除噪声影响，回归模型更加准确。通过选用二次局部光滑线性回归算法，得到了更准确的温度-应变回归模型。

在本申请实施例中，通过获取目标对象的应变数据和温度数据；对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系，可以实现分析两种数据相同分量之间相关性，提取由温度造成的应变分量；从而将目标对象的总应变量分解为温度引起的应变量与其他因素引起的应变量，进而解决了现有技术中目标对象应变数据精确度低的技术问题，在此基础上还可以分别基于温度引起的应变量和其他因素引起的应变量进行准确分析。

可选地，在步骤S202：获取目标对象的应变数据和温度数据之前，方法还包括：

步骤S2012：读取目标对象局部区域内放置的多个应变传感器和多个温度传感器同步采集的多组数据；

在上述步骤S2012中，应变传感器可以为振弦应变计，以目标对象为钢梁为例进行说明，图3是根据本申请实施例的一种传感器放置示意图，如图3所示，对同一钢梁上局部区域等间隔布置同类型振弦应变计，检测点均匀布置。每一个应变监测点要布置温度计来监测应变测试点温度的变化，记录时间一般不小于一个月，且要求应变数据与温度数据同步监测。采样间隔根据工程环境当中温度变化快慢来确定，要求检测温度变化的精度为0.5℃，一般不超过1h。

步骤S2014：对多个应变传感器和多个温度传感器采集的多组数据进行修正；

步骤S2016：对多个应变传感器采集的多组数据进行融合，得到应变数据；

步骤S2018：对多个温度传感器采集的多组数据进行融合，得到温度数据。

在上述步骤S2016和S2018中，用卡尔曼滤波融合算法对监测的多组温度数据、应 变数据分别进行融合，得到温度融合结果、应变融合结果。图4是根据本申请实施例的一种 融合后的应变数据和温度数据的示意图，图4中横轴表示采样数据序列，纵轴表示温度融合 结果和应变融合结果，其中，采样间隔为1h，即每隔1小时采样一个温度数据和应变数据，得 到一组温度数据序列和一组应变数据序列，温度数据值对应单位为℃，应变数据值对应单 位为

；如图4中曲线所示，反映出目标对象局部区域内温度数据变化和应变数据变化趋 势。

通过上述步骤S2012-S2018，对传感器检测的数据进行了修正，并通过数据融合算法准确有效的反映钢梁局部应变、温度变化状态，减少了单源传感器受到的异常影响。数据融合技术是一种将多源数据通过融合算法综合为一种融合结果的技术，其优点是可以将多组监测数据的特征进行理论上的归一化，达到统一评判的目的。本发明主要是针对同种多源数据进行融合，保留各组数据的共性特征，降低了异常因素对单源数据的影响。融合方法采用卡尔曼滤波融合方法，该融合方法相对于其他加权系数融合方法具有更强的抗噪性，有利于提高数据变化的精度。

可选地，步骤S2014：对多个应变传感器和多个温度传感器采集的多组数据进行修正至少包括对剔除异常数据以及补全剔除处缺失的数据；

通过如下公式剔除异常数据：

，其中，

为第i个 监测点，若

时，认为

值异常，给予剔除；

通过如下公式补全剔除处缺失的数据：

， 将异常的

值替换为

。

可选地，在上述步骤S204中，分解为小波分解，其中，对应变数据和温度数据分别按照频段进行分解包括：通过高通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的高频段分量，通过低通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的低频段分量。

利用Mallat算法按照相同的小波分解方式分别进行小波分解，一般默认分解为3层，小波基可采用Symlet小波，阶数一般取4~7，也可根据实际数据变动来决定分解方式，但是要求在对温度数据与应变数据分别进行小波分解的过程中，采用同一小波基进行分解。

每次分解得到的高、低频分量与被分解分量的关系如下述公式：

其中j表示小波分解尺度，第

层小波分解的尺度为

，

称为近似系数， 代表信号低频分量，通过低通滤波器

对上一层的近似系数

卷积得到；

称 为细节系数，代表每次分解得到的高频分量，通过高通滤波器

对

卷积得到，

、

代表小波分解系数的长度，可通过小波重构算法将小波系数变换为对应的频率分量。

小波变换算法可以将数据按照不同频段分为多个分量，相对于傅里叶变换的优点是可以对非平稳信号进行分析，反映出信号的时频变换；相对于短时傅里叶变换，克服了窗函数受信号频率影响的局限性，达到在解析信号过程中高频信号时间域高分辨、低频信号频率域高分辨目的。

可选地，步骤S204：对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量包括：

步骤S2041：对应变数据和温度数据分别按照频段进行一级分解，得到应变数据和温度数据分别在各频段下的分量；

在上述步骤S2041中，在一种实施方式中，各频段例如高频和低频两个，可以通过高通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的高频段分量，通过低通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的低频段分量。

在上述步骤S2041中，在另一种实施方式中，各频段包括高频、中频和低频三个，可以通过高通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的高频段分量，可以通过带通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的中频段分量，通过低通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的低频段分量。

此处需要说明的是，本申请不限制划分的频段的个数，只需要按照频率段划分清楚即可。在分解时划分的频段数量越多，则所需的划分的级数/层数就越少，从而可以快速定位到应变数据分量和温度数据分量高相关度的频段。

步骤S2042：判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关；

在上述步骤S2042中，可以通过计算两个分量的相关系数、对两个分量实施相关性检验等方式中的一种或多种来判断两个分量是否相关。

步骤S2043：在其中一个频段下应变数据分量和温度数据分量之间相关、但不是所有频段下应变数据分量和温度数据分量之间均相关时，对相关的其中一个频段下应变数据分量和温度数据分量分别按照频段进行N级分解，并返回判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关，其中N为大于1的整数。

在上述步骤S2043中，温度应变分量影响的是应变总趋势的变化，主要集中于低频段应变分量的影响，但是不能确定低频段的范围。因而需要先对原始数据按照频段进行分解，此时由于温度引起的应变在低频段，而导致低频段应变数据分量和温度数据分量相关，而高频段应变数据分量和温度数据分量不相关，因此就需要对低频段数据再次分解为相对更低频段的数据分量、相对较高频段的数据分量，此时可能相对更低频段应变数据分量和温度数据分量相关，而相对较高频段应变数据分量和温度数据分量不相关，因此继续分解，直到在某一低频段的范围内，其分解的更低频和较高频的频段下应变数据分量和温度数据分量都相关，则此频段下的应变数据分量和温度数据分量为相关度高的同级同频段应变数据分量和温度数据分量。通过按照频段的分解及相关性分析，可以有效提取了高相关度的应变数据分量和温度数据分量，从而分析温度导致的应变量。

在上述步骤S2043中，图5是根据本申请实施例的一种小波分解的原理图；结合图5所示，H表示低通滤波器、G表示高通滤波器，原始信号通过第一层级的高通与低通滤波器以后，得到低频分量A、高频分量B。判断低频段下应变数据分量A和温度数据分量A之间相关、但高频段下应变数据分量B和温度数据分量B之间不相关，则对相关的低频段分量A再次分解。低通滤波器的输出A被第二层级滤波器组再次分解，得到低频分量AA、高频分量AB。判断低频段下应变数据分量AA和温度数据分量AA之间相关、但高频段下应变数据分量AB和温度数据分量AB之间不相关，则对相关的低频段分量AA再次分解。然后AA被第三层级滤波器组再次分解，得到低频分量AAA、高频分量AAB。判断低频段下应变数据分量AAA和温度数据分量AAA之间相关、且高频段下应变数据分量AAB和温度数据分量AAB之间也相关，则停止分解。

步骤S2044：在所有频段下应变数据分量和温度数据分量之间均相关时停止分解，将相关的所有频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

在上述步骤S2044中，AA被第三层级滤波器组再次分解，得到低频分量AAA、高频分量AAB。判断低频段下应变数据分量AAA和温度数据分量AAA之间相关、且高频段下应变数据分量AAB和温度数据分量AAB之间也相关，则停止分解。图6是根据本申请实施例的一种对温度融合数据进行3层小波分解得到的不同小波分量；图7是根据本申请实施例的一种对应变融合数据进行3层小波分解得到的不同小波分量；图6和图7中横轴表示采样数据序列，其中，采样间隔为1h，即每隔1小时采样一个温度数据和应变数据，得到一组温度数据序列和一组应变数据序列，图6的纵轴表示对温度数据进行小波分解后得到的各个温度数据分量，图7的纵轴表示对应变数据进行小波分解后得到的各个应变数据分量。结合图5、图6和图7，其中图6和图7中的高频分量1、高频分量2、高频分量3、低频分量分别对应于图5中的B、AB、AAB、AAA。经过检验，温度数据与应变数据的高频分量B的相关系数小于0.5,因而对低频分量A进行分解，分解得到的温度数据与应变数据的高频分量AB的相关系数也小于0.5,因而对低频分量AA进行分解，分解得到的温度数据与应变数据的高频分量AAB之间的相关系数为8.94，且通过了线性关系检验；温度数据与应变数据的低频分量AAA之间的相关系数为8.68，且通过了线性关系检验，则停止分解。对信号重构，得到温度主要引起的应变分量。

在上述步骤S2044中，分解例如小波分解，将温度数据分量进行小波分解，得到温度的各个小波分量。然后将应变数据分量进行小波分解，得到应变的各个小波分量，其中，温度与应变的小波分解方式相同，指的是分解的层数、分解采用的基小波等方式一致，然后每一个频段的温度小波对应了同一频段的应变小波。这样，计算同频段的温度小波分量和应变小波分量之间的相关系数，由此，可以知道哪一个频段的温度、应变分量相关性高，哪一个频段的温度、应变相关性低。将相关性高的温度分量重构为温度信号，相关性高的应变分量重构为应变信号，重构的方式为将分解的小波分量叠加之后得到总的信号。这样做，可以将温度、应变中不相关的分量剔除，为之后的回归模型的建立提供有力的数据支撑。可选地，在步骤S2042中，判断分解后的某一频段下应变数据分量和温度数据分量之间是否相关包括：

步骤S20421：计算应变数据分量和温度数据分量的相关系数；

在上述步骤S20421中，相关系数为皮尔逊相关系数，通过如下公式计算应变数据 分量和温度数据分量的相关系数：

，式中

表示数据

的平均值，

表示 数据

的平均值，

表示X、Y两组数据的皮尔逊相关系数，

、

为两组数据的标准差， 相关系数绝对值越大，表示相关性越强，相关系数取值区间为

；

步骤S20422：对应变数据分量和温度数据分量进行线性相关性检验；

在上述步骤S20422中，对应变数据分量和温度数据分量进行线性相关性检验包括：

假设X、Y两组数据

、

满足线性关系

，

估计量为

，

原假设

:

，备择假设

:

，

计算检验统计量

：

式中

，

、

为样本数据平均 值，

，n为待检测数据量，若假设检验拒绝

，则线性关系成立，认为X、Y通过线 性相关性检验。

步骤S20423：当应变数据分量和温度数据分量的相关系数大于预设阈值、且应变数据分量和温度数据分量通过线性相关性检验时，判断应变数据分量和温度数据分量相关。

在上述步骤S20423中，如果相关系数小于预设阈值或者应变数据分量和温度数据分量未通过线性相关性检验，则判断应变数据分量和温度数据分量无关。当两种分量相关系数既高于0.5，又同时通过线性相关检验，认为应变分量是由温度分量引起的，否则认为该应变分量与温度无关。

可选地，步骤S204：对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量包括：

步骤S2046：对应变数据和温度数据分别按照高频段和低频段进行分解，得到应变数据和温度数据分别在高频段下和低频段下的分量；

步骤S2047：判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；

步骤S2048：在高频段下应变数据分量和温度数据分量不相关、但低频段下应变数据分量和温度数据分量相关时，对低频段下应变数据分量和温度数据分量分别按照高频段和低频段进行再次分解，并返回判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；

步骤S2049：在高频段下以及低频段下应变数据分量和温度数据分量均相关时停止分解，将高频段下以及低频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

上述步骤S2046-S2049对应于上述步骤S2041-S2044中频段为高频段和低频段的实施例，确认是否相关的具体实施方式、分解的具体实施方式、以及重构的具体实施方式均可参照上述实施例，在此不再赘述。

可选地，步骤S206：基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系包括：

基于所述相关度高的同级同频段应变数据分量和温度数据分量构建一次线性回归模型；

确定所述一次线性回归模型的估计值和一阶导数；

利用所述一阶导数对所述估计值进行分区间平滑处理，得到二次平滑模型；

其中，构建一次线性回归模型包括：

假设

为独立同分布的实验数据，满足关系式：

，式中

为回归函数，且满足

，

中的X是指变量名，

中的x代表一个输入的数字，例如

指母体中各个样本的统称，

指母体中一个确切的子样本的值。E函数指期望，D指方差，

指由回归模型计算得出的Y的估计值与实测的Y值之间的误差。

表示噪声量，

为误差中与自变量

有关的量。其中，求解一次线性回归模型包括：

函数用于构造一 个对角矩阵，

令

，

为核函数,h为拟合带宽；

式中：

取

，

为一次核回归模型

的估计值，

为一阶导数

估计值。式 中

强调的是一种关系，最常见的体现形式就是函数关系式，但回归模型的体现形式不 是函数关系式，而是一种运算流程，他们都能反映一种自变量与应变量的变化关系。而

是指一个数

代入

中后得到的估计值，是一次回归模型计算得到的结果；

其中，利用

与

对数据进行二次光滑回归：

。

通过上述公式，可以根据回归模型的一阶导数对回归模型估计值进行分区间平滑 处理，因此理论上

相对于一次回归模型

更准确，算法抗噪性更强。要注意核函数的 选取、拟合带宽的选取。带宽过低，不利于光滑去噪效果，带宽过大，会提高偏差，降低回归 模型精确度，一般带宽选取为0.5~1。而核函数的选取中，函数的阶数会对算法造成影响，阶 数越高，核函数越复杂，增大了算法的计算难度；阶数过低，会降低算法的去噪性，增大回归 结果的偏差。而当前核函数的选取主要有三种：

均匀密度：

。

Epanechnikov：

。

Biweight密度：

。

经过实验对比，本次算法的带宽为0.5，密度函数为Epanechnikov函数，图8是根据 本申请实施例的一种包括二次局部光滑线性回归模型下求得的总应变、温度引起的应变以 及基坑结构自身的应变量的示意图；在本申请的一个实施例中，总应变为测得的原始应变， 基坑结构自身的应变量为其他因素导致的应变量的一个示例。图8中横轴表示采样数据序 列，纵轴表示应变值，其中，采样间隔为1h，即每隔1小时采样一个温度数据和应变数据，得 到一组温度数据序列和应变数据序列，对这些数据进行本申请实施例的数据处理方法后可 得到每一数据对应的总应变值、温度引起的应变值、以及基坑结构自身的应变值，应变值单 位均为

。从图8中可以看出，该回归算法推导出的温度导致的应变量、原始真实应变量对 比，可以看出两种应变量相近，说明检测得到的应变量主要是由温度引起的。

为证明该算法的有效性，用最小二乘法作为对比，对应变数据、温度数据加入不同强度噪声，再用两种回归算法求得温度导致的应变量。图9是根据本申请实施例的一种二次局部光滑线性回归模型与最小二乘法的回归模型在不同噪声情况下得到的应变量与未加噪情况下的应变量的RMSE对比图，图9中横轴表示信噪比，纵轴表示均方根误差值RMSE，如图9所示，加噪后求解的应变估计量与加噪前原始应变量之间的均方根误差（root-mean-square error，RMSE），二次光滑线性回归模型得到的应变估计量与原始应变之间的RMSE值总是低于最小二乘法的RMSE，说明二次光滑线性回归模型得到的结果更准确，抗噪性更强。

当前研究中，一般用最小二乘法建立温度与应变回归模型，且取得了较好的回归效果，但本发明采用的二次局部光滑线性回归算法相对于最小二乘法的优势是利用到了原数据一阶导数信息，且抗噪性更高，回归模型更加准确。

本发明的目的在于分析温度对应变造成的影响，通过数据融合算法、小波分解算法、二次局部光滑线性回归算法减少异常噪声对于真实数据的影响，提高温度-应变回归模型的精确性。

可选地，在步骤S206：在基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系之后，方法还包括：

步骤S207：根据模型，计算由温度引发的目标对象的应变量；

步骤S208：从应变数据表征的总应变量中剔除由温度引发的应变量，以消除温度对目标对象的应变数据的影响。

通过上述步骤S207-S208，测得的原始应变包括由温度引起的应变、非温度引起的应变，认为由回归模型得到的应变量为温度应变量，由此可以求得其他非温度因素导致的应变量，如图8当中黑线所示。

图10是根据本申请实施例的又一种目标对象应变数据的处理方法的流程图；如图10所示，该方法包括：

第1步，对同一钢梁上局部区域等间隔布置同类型振弦应变计，布置方式如图3所示，但不局限于图3当中的布置方式，要求检测点均匀布置。每一个应变监测点要布置温度计来监测应变测试点温度的变化，记录时间一般不小于一个月，且要求应变数据与温度数据同步监测。采样间隔根据工程环境当中温度变化快慢来确定，要求检测温度变化的精度为0.5℃，一般不超过1h。

第2步，对监测的每一组温度、应变数据做误差修正处理，误差修正包括异常数据剔除、缺失数据补全基本过程。

异常数据剔除算法如下：

（1）

公式（1）中，

为第i个监测点，若

时，认为

值异常，给予剔除。

根据公式（2），将异常值

替换为

。

（2）

用卡尔曼滤波融合算法对监测的多组温度数据、应变数据分别进行融合，得到温度融合结果、应变融合结果，如图4，分别用来反映钢梁局部区域温度变换、应变变换。

第3步，首先将应变融合结果、温度融合结果利用Mallat算法按照相同的小波分解方式分别进行小波分解，一般默认分解为3层，小波基可采用Symlet小波，阶数一般取4~7，也可根据实际数据变动来决定分解方式，但是要求在对温度数据与应变数据分别进行小波分解的过程中，采用同一小波基进行分解。分解流程如图5所示，H表示低通滤波器、G表示高通滤波器，信号通过第一层的高通与低通滤波器以后，得到低频分量A、高频分量B。低通滤波器的输出A被第二层滤波器组再次分解，得到低频分量AA、高频分量AB。然后对AA进行第三层分解得到AAA、AAB，分别代表第三次分解得到的低频分量与高频分量。每次分解得到的高、低频分量与被分解分量的关系如公式3、公式4。

（3）

（4）

其中j表示小波分解尺度，第x层小波分解的尺度为

，

称为近似系数，代 表信号低频分量，通过低通滤波器

对上一层的近似系数

卷积得到；

称为细 节系数，代表每次分解得到的高频分量，通过高通滤波器

对

卷积得到，

、

代表小波分解系数的长度，可通过小波重构算法将小波系数变换为对应的频率分量，图6、 图7分别为应变数据、温度数据的分解结果，其中高频分量1、高频分量2、高频分量3、低频分 量对应于图5中的B、AB、AAB、AAA。

第4步，在对应变融合结果、温度融合结果进行小波分解过后，通过皮尔逊相关系数、最小二乘法相关性检验对同频段小波温度分量、应变分量进行相关性检验。

（5）

式中

表示数据

的平均值，

表示数据

的平均值，

表示X、Y两组数据的皮 尔逊相关系数，

、

为两组数据的标准差。相关系数绝对值越大，表示相关性越强，取值 区间为

。

假设X、Y两组数据

、

满足线性关系

，

其中

估计量如下。

（6）

原假设

:

，备择假设

:

。检验统计量

如下。

（7）

其中

计算方式如式（8），

、

为样本数据平均值：

（8）

其中

，n为待检测数据量，若假设检验拒绝

，则线性关系成立，认为X、Y相关性显著。当两种分量相关系数既高于0.5，又同时通过线性相关检验，认为应变分量是 由温度分量引起的，否则认为该应变分量与温度无关。

第5步，如果在最高层次分解得到的低频、高频分量中，只有低频分量之间通过相关性检验，则需要对温度、应变的低频分量进一步分解，回到第4步，若低频分量与最新得到的高频分量同时满足相关性检验，将符合相关性检验的应变小波分量进行数据重构，得到的应变数据认为由温度引起，进入第6步。

例如，而经过检验，温度与应变的高频分量3、低频分量之间的相关性系数分别为8.94、8.68。

且都通过了线性关系检验，而高频分量1、高频分量2之间相关性系数都低于0.5，这说明温度造成的应变分量集中在低频段，且第二层次分解得到的低频分量可以认为是由温度引起的分量。则经过信号重构，得到温度主要引起的应变分量，进入第6步。

第6步，利用二次局部光滑线性回归算法建立温度-应变回归模型，得到温度与钢梁应变的关系。

二次局部光滑线性回归算法优点在于，建立回归模型的过程中，利用了线性函数的导数估计量对回归模型进行修正平滑处理，因此该算法可以有效剔除噪声影响，回归模型更加准确。下面是该算法分析过程。

假设

为独立同分布的实验数据，满足关系式：

（9）

为回归函数，且满足

。

1）求解一次线性回归模型。

令

。

为核函数,h为拟合带宽。

（10）

式中：

（11）

（12）

取

，

为一次核回归模型

的估计值，

为一阶导数

估计值。

利用

与

对数据进行二次光滑回归：

（13）

该算法通过式（13），可以根据回归模型的一阶导数对回归模型估计值进行分区间 平滑处理，因此理论上

相对于一次回归模型

更准确，算法抗噪性更强。要注意核函 数的选取、拟合带宽的选取。带宽过低，不利于光滑去噪效果，带宽过大，会提高偏差，降低 回归模型精确度，一般带宽选取为0.5~1。而核函数的选取中，函数的阶数会对算法造成影 响，阶数越高，核函数越复杂，增大了算法的计算难度；阶数过低，会降低算法的去噪性，增 大回归结果的偏差。而当前核函数的选取主要有三种：

均匀密度：

。

Epanechnikov：

。

Biweight密度：

。

经过实验对比，本次算法的带宽为0.5，密度函数为Epanechnikov函数，图8分别是该回归算法推导出的温度导致的应变量、原始真实应变量对比图，可以看出两种应变量相近，说明检测得到的应变量主要是由温度引起的。为证明该算法的有效性，用最小二乘法作为对比，对应变数据、温度数据加入不同强度噪声，再用两种回归算法求得温度导致的应变量，图9中是加噪后求解的应变估计量与加噪前原始应变量之间的均方根误差（root-mean-square error，RMSE）。从图中可以得出，二次光滑线性回归模型得到的应变估计量与原始应变之间的RMSE值总是低于最小二乘法的RMSE，说明二次光滑线性回归模型得到的结果更准确，抗噪性更强。

第7步，测得的原始应变包括由温度引起的应变、非温度引起的应变，认为由回归模型得到的应变量为温度应变量，由此可以求得其他非温度因素导致的应变量，如图8当中黑线所示。

本申请公开了一种基于小波变换的钢梁应变温度效应消除算法，步骤：首先对同一钢梁上局部区域等间隔布置同类型振弦应变计，每一个应变监测点要布置温度计来监测应变测试点温度的变换，记录时间一般不小于一个月，采样间隔一般不高于1h；通过卡尔曼滤波融合算法对应变数据、温度数据进行处理；之后对温度融合结果与应变融合结果进行同步小波分解，分析两种数据相同分量之间相关性，提取由温度造成的应变分量；再通过局部二次光滑线性回归法建立温度与应变的回归模型。本发明可以有效提取出钢梁局部上由温度导致的应变量，建立精度更高的温度-应变回归模型。通过建立回归模型，掌握温度-应变之间的定性关系，将总应变量分解为温度应变量与其他因素（主要为基坑结构自身对钢梁应变的影响）引起的应变量。

本申请具有如下有益效果：

1. 通过数据融合算法准确有效的反映钢梁局部应变、温度变化状态，减少了单源传感器受到的异常影响。

2. 通过小波分解及相关性分析，有效提取了温度导致的应变量。

3. 通过选用二次局部光滑线性回归算法，得到了更准确的温度-应变回归模型。

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目标对象应变数据的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目标对象应变数据的处理方法的目标对象应变数据的处理装置，该装置以软件或硬件方式实现。

图11是根据本申请实施例的一种目标对象应变数据的处理装置的结构示意图；如图11所示，该装置1100包括：获取单元1102，分解提取单元1104，模型构建单元1106，其中：

获取单元1102，用于获取目标对象的应变数据和温度数据；

分解提取单元1104，用于对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；

模型构建单元1106，用于基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。

此处，需要说明的是，上述获取单元1102，分解提取单元1104，模型构建单元1106对应于实施例1中的步骤S202至步骤S206，上述三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。

可选地，装置还包括：读取单元，修正单元，应变融合单元，温度融合单元，其中：

读取单元，用于读取目标对象局部区域内放置的多个应变传感器和多个温度传感器同步采集的多组数据；

修正单元，用于对多个应变传感器和多个温度传感器采集的多组数据进行修正；

应变融合单元，用于对多个应变传感器采集的多组数据进行融合，得到应变数据；

温度融合单元，用于对多个温度传感器采集的多组数据进行融合，得到温度数据。

此处，需要说明的是，上述读取单元，修正单元，应变融合单元，温度融合单元对应于实施例1中的步骤S2012至步骤S2018，上述四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。

可选地，修正单元中对多个应变传感器和多个温度传感器采集的多组数据进行修正至少包括对剔除异常数据以及补全剔除处缺失的数据；

通过如下公式剔除异常数据：

，其中，

为第i个监 测点，若

时，认为

值异常，给予剔除；

通过如下公式补全剔除处缺失的数据：

， 将异常的

值替换为

。

可选地，分解提取单元中，分解为小波分解，分解提取单元还被配置为：通过高通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的高频段分量，通过低通滤波器处理应变数据和温度数据，以得到应变数据和温度数据的低频段分量。

可选地，分解提取单元包括：一级分解单元，第一判断单元，N级分解单元，第一重构单元，其中：

一级分解单元，用于对应变数据和温度数据分别按照频段进行一级分解，得到应变数据和温度数据分别在各频段下的分量；

第一判断单元，用于判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关；

N级分解单元，用于在其中一个频段下应变数据分量和温度数据分量之间相关、但不是所有频段下应变数据分量和温度数据分量之间均相关时，对相关的其中一个频段下应变数据分量和温度数据分量分别按照频段进行N级分解，并返回判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关，其中N为大于1的整数。

第一重构单元，用于在所有频段下应变数据分量和温度数据分量之间均相关时停止分解，将相关的所有频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

此处，需要说明的是，上述一级分解单元，第一判断单元，N级分解单元，第一重构单元对应于实施例1中的步骤S2041至步骤S2044，上述四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。

可选地，判断单元包括：计算单元，检验单元，判定单元，其中：

计算单元，用于计算应变数据分量和温度数据分量的相关系数；

检验单元，用于对应变数据分量和温度数据分量进行线性相关性检验；

判定单元，用于当应变数据分量和温度数据分量的相关系数大于预设阈值、且应变数据分量和温度数据分量通过线性相关性检验时，判断应变数据分量和温度数据分量相关。

此处，需要说明的是，上述计算单元，检验单元，判定单元对应于实施例1中的步骤S20421至步骤S20423，上述三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。

可选地，分解提取单元1104包括：第一分解单元，第二判断单元，第二分解单元，第二重构单元，其中：

第一分解单元，用于对应变数据和温度数据分别按照高频段和低频段进行分解，得到应变数据和温度数据分别在高频段下和低频段下的分量；

第二判断单元，用于判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；

第二分解单元，用于在高频段下应变数据分量和温度数据分量不相关、但低频段下应变数据分量和温度数据分量相关时，对低频段下应变数据分量和温度数据分量分别按照高频段和低频段进行再次分解，并返回判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；

第二重构单元，用于在高频段下以及低频段下应变数据分量和温度数据分量均相关时停止分解，将高频段下以及低频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

此处，需要说明的是，上述第一分解单元，第二判断单元，第二分解单元，第二重构单元对应于实施例1中的步骤S2046-S2049，上述三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。

可选地，该装置还包括：计算单元，剔除单元，其中：

计算单元，用于根据模型，计算由温度引发的目标对象的应变量；

剔除单元，用于从应变数据表征的总应变量中剔除由温度引发的应变量，以消除温度对目标对象的应变数据的影响。

此处，需要说明的是，上述计算单元，剔除单元对应于实施例1中的步骤S207-S208，上述两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。

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目标对象应变数据的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融合，即实现上述的目标对象应变数据的处理方法。

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。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：获取目标对象的应变数据和温度数据；对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。

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4

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目标对象应变数据的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：获取目标对象的应变数据和温度数据；对应变数据和温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；基于相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对目标对象的应变的影响关系。

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中所列举的任一方法步骤的程序代码，囿于篇幅不再赘述。

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。

Claims (10)

1.一种目标对象应变数据的处理方法，其特征在于，包括：

获取目标对象的应变数据和温度数据；

对所述应变数据和所述温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；

基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对所述目标对象的应变的影响关系。

2.根据权利要求1所述的方法，其特征在于，对所述应变数据和所述温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量包括：

对所述应变数据和所述温度数据分别按照频段进行一级分解，得到应变数据和温度数据分别在各频段下的分量；

判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关；

在其中一个频段下应变数据分量和温度数据分量之间相关、但不是所有频段下应变数据分量和温度数据分量之间均相关时，对相关的其中一个频段下应变数据分量和温度数据分量分别按照所述频段进行N级分解，并返回判断分解后的每一频段下应变数据分量和温度数据分量之间是否相关，其中N为大于1的整数；

在所有频段下应变数据分量和温度数据分量之间均相关时停止分解，将相关的所有频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

3.根据权利要求1所述的方法，其特征在于，所述频段包括高频段和低频段，其中，对所述应变数据和所述温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量包括：

对所述应变数据和所述温度数据分别按照高频段和低频段进行分解，得到应变数据和温度数据分别在高频段下和低频段下的分量；

判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；

在高频段下应变数据分量和温度数据分量不相关、但低频段下应变数据分量和温度数据分量相关时，对低频段下应变数据分量和温度数据分量分别按照高频段和低频段进行再次分解，并返回判断分解后的高频段下应变数据分量和温度数据分量是否相关，以及分解后的低频段下的应变数据分量和温度数据分量是否相关；

在高频段下以及低频段下应变数据分量和温度数据分量均相关时停止分解，将高频段下以及低频段下应变数据分量和温度数据分量分别进行叠加，得到相关度高的同级同频段应变数据分量和温度数据分量。

4.根据权利要求1-3中任一项所述的方法，其特征在于，在获取目标对象的应变数据和温度数据之前，所述方法还包括：

读取目标对象局部区域内放置的多个应变传感器和多个温度传感器同步采集的多组数据；

对多个应变传感器和多个温度传感器采集的多组数据进行修正；

对多个应变传感器采集的多组数据进行融合，得到所述应变数据；

对多个温度传感器采集的多组数据进行融合，得到所述温度数据；

其中，对多个应变传感器和多个温度传感器采集的多组数据进行修正至少包括对剔除异常数据以及补全剔除处缺失的数据；

通过如下公式剔除异常数据：

，其中，

为第i个监 测点，若

时，认为

值异常，给予剔除；

通过如下公式补全剔除处缺失的数据：

， 将异常的

值替换为

。

5.根据权利要求1-3中任一项所述的方法，其特征在于，所述分解为小波分解，其中，对所述应变数据和所述温度数据分别按照频段进行分解包括：通过高通滤波器处理所述应变数据和所述温度数据，以得到所述应变数据和所述温度数据的高频段分量，通过低通滤波器处理所述应变数据和所述温度数据，以得到所述应变数据和所述温度数据的低频段分量。

6.根据权利要求2-3中任一项所述的方法，其特征在于，判断分解后的某一频段下应变数据分量和温度数据分量之间是否相关包括：

计算所述应变数据分量和所述温度数据分量的相关系数；

对所述应变数据分量和所述温度数据分量进行线性相关性检验；

当所述应变数据分量和所述温度数据分量的相关系数大于预设阈值、且所述应变数据分量和所述温度数据分量通过线性相关性检验时，判断所述应变数据分量和所述温度数据分量相关；

其中，所述相关系数为皮尔逊相关系数，通过如下公式计算所述应变数据分量和所述 温度数据分量的相关系数：

，式中

表示数据

的平均值，

表示 数据

的平均值，

表示X、Y两组数据的皮尔逊相关系数，

、

为两组数据的标准差， 相关系数绝对值越大，表示相关性越强，相关系数取值区间为

；

其中，对所述应变数据分量和所述温度数据分量进行线性相关性检验包括：

假设X、Y两组数据

、

满足线性关系

，

估计量为

，

原假设

，备择假设

，

计算检验统计量

：

式中

，

、

为样本数据平 均值，

，n为待检测数据量，若假设检验拒绝

，则线性关系成立，认为X、Y 通过线性相关性检验。

7.根据权利要求1-3中任一项所述的方法，其特征在于，基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对所述目标对象的应变的影响关系包括：

基于所述相关度高的同级同频段应变数据分量和温度数据分量构建一次线性回归模型；

确定所述一次线性回归模型的估计值和一阶导数；

利用所述一阶导数对所述估计值进行分区间平滑处理，得到二次平滑模型；

其中，基于所述相关度高的同级同频段应变数据分量和温度数据分量构建一次线性回归模型包括：

假设

为独立同分布的实验数据，满足关系式：

，式中

为回归函数，且满足

；

其中，确定所述一次线性回归模型的估计值和一阶导数包括：

令

，

为核函数,h为拟合带宽；

式中：

取

，

为一次线性回归模型中

的估计值，

为一阶导数

估计值，

其中，通过如下公式利用所述一阶导数

对所述估计值

进行分区间平滑处理，得到 二次平滑模型：

。

8.根据权利要求1所述的方法，其特征在于，在基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对所述目标对象的应变的影响关系之后，所述方法还包括：

根据所述模型，计算由温度引发的所述目标对象的应变量；

从所述应变数据表征的总应变量中剔除由温度引发的应变量，以消除温度对所述目标对象的应变数据的影响。

9.一种目标对象应变数据的处理装置，其特征在于，包括：

获取单元，用于获取目标对象的应变数据和温度数据；

分解提取单元，用于对所述应变数据和所述温度数据分别按照频段进行多级分解，从得到的多级多频段应变数据分量和温度数据分量中，提取相关度高的同级同频段应变数据分量和温度数据分量；

模型构建单元，用于基于所述相关度高的同级同频段应变数据分量和温度数据分量构建模型，得到温度对所述目标对象的应变的影响关系。

10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-8任一项所述的方法。

Images