CN114912551B - 面向桥梁变形监测的gnss和加速度计实时融合方法 - Google Patents

面向桥梁变形监测的gnss和加速度计实时融合方法 Download PDF

Info

Publication number
CN114912551B
CN114912551B CN202210838363.7A CN202210838363A CN114912551B CN 114912551 B CN114912551 B CN 114912551B CN 202210838363 A CN202210838363 A CN 202210838363A CN 114912551 B CN114912551 B CN 114912551B
Authority
CN
China
Prior art keywords
data
time
displacement
gnss
accelerometer
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
Application number
CN202210838363.7A
Other languages
English (en)
Other versions
CN114912551A (zh
Inventor
齐春雨
张云龙
陈旭升
石德斌
胡锦民
何义磊
谭兆
秦守鹏
薛骐
王长进
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.)
China Railway Design Corp
Original Assignee
China Railway Design Corp
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 China Railway Design Corp filed Critical China Railway Design Corp
Priority to CN202210838363.7A priority Critical patent/CN114912551B/zh
Priority to PCT/CN2022/107754 priority patent/WO2024016369A1/zh
Publication of CN114912551A publication Critical patent/CN114912551A/zh
Application granted granted Critical
Publication of CN114912551B publication Critical patent/CN114912551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种面向桥梁变形监测的GNSS和加速度计实时融合算法，包括：获取一组GNSS和加速度计的原始桥梁结构健康变形监测数据；采用抗差自适应卡尔曼滤波对所述GNSS变形监测数据进行解算，实时求取结构体的低频位移变形数据；采用递归滤波对获取的加速度计原始监测数据重构，实时求取结构体的高频位移变形数据；将两种不同频率位移变形监测数据做内插融合，获取结构体的实时高精度位移变形信息。该算法将GNSS和加速度计对桥梁结构健康的变形监测数据进行集成融合处理，将这两种传感器优势进行互补，实现了在更宽频率范围内实时获取桥梁的高精度静态和动态位移变形信息，有效提高了桥梁结构健康变形监测精度和可靠性。

Description

面向桥梁变形监测的GNSS和加速度计实时融合方法
技术领域
本发明涉及变形监测多源数据融合领域，具体涉及一种面向桥梁变形监测的GNSS和加速度计实时融合方法。
背景技术
桥梁属于弹性系统，在运营载荷、风力等环境因素的影响下，其变形量主要包含高频率振动以及低频率长周期位移。通常采用GNSS(全球导航卫星系统)和加速度计对桥梁进行结构健康变形监测。GNSS具有全天候、实时性强、自动化高，同时可直接获取变形体的三维位移信息等优点，但其对微变形及高频振动信息不敏感，并且采样率较低；加速度计能较为准确地识别变形体的高频振动信息，同时具备高采样率等优点，但其对低频的缓慢变形信息不敏感，并且其数据处理方法往往是滞后的、实时性较差。
为综合发挥两种传感器的优势，将GNSS和加速度计监测数据进行融合处理，用以在更宽频率范围内获取被监测对象的结构振动信息。但是，GNSS原始位移信息中包含高频测量噪声误差；加速度计获取的原始加速度信息中包含有低频成分的零点漂移和高频成分的随机噪声两项误差，会影响后续积分得到的动态位移量结果。此外，在GNSS和加速度计数据融合分析时，现有融合方法针对GNSS及加速度计的原始监测数据多为滞后处理、不具备实时性，均具有一定的局限性，难以满足工程实际的需要。为解决上述问题，提高桥梁结构健康变形监测的采样率、精度和可靠性，亟需一种GNSS和加速度计实时高精度融合算法。
发明内容
为了克服现有传感器监测数据融合方法的不足，本发明提供一种面向桥梁变形监测的GNSS加速度计实时融合方法，该算法结合GNSS和加速度计这两种传感器的优势进行互补，将利用GNSS监测数据解算的低频信息和加速度计监测数据解算的高频信息融合处理，从而在更宽频率范围内实时、高精度地获得桥梁结构振动位移信息。
为了实现上述发明目的，本发明采用以下技术方案：
一种面向桥梁变形监测的GNSS和加速度计实时融合方法，其特征在于，包括以下步骤：
S1、获取由GNSS和加速度计分别得到的一组原始桥梁结构健康变形监测数据；
S2、采用抗差自适应卡尔曼滤波对步骤S1中的GNSS原始监测数据进行解算，实时求取结构体的低频位移变形数据；
S3、采用递归滤波对步骤S1中的加速度计原始监测数据进行重构，实时求取结构体的高频位移变形数据；
S4、将步骤S2和S3中两种不同频率的位移变形监测数据进行内插融合，得到结构体的实时高精度位移变形信息。
其中，步骤S2具体包括以下分步骤：
S2.1，选取一定时间长度的GNSS基线样本数据，利用抗差最小二乘估计解算出tk-1时刻的状态向量
Figure GDA0003965981970000021
和状态协方差阵
Figure GDA0003965981970000022
作为抗差自适应卡尔曼滤波的初始参数；
S2.2，建立抗差自适应卡尔曼滤波的状态方程和观测方程，有：
Xk＝Φk,k-1Xk-1+Wk                          (1)
Lk＝AkXk+ek                            (2)
式中，Xk、Xk-1分别为tk和tk-1时刻的状态向量，
Figure GDA0003965981970000023
Zk＝(xk,yk,zk)T，上面加点表示速率；Lk为tk时刻的观测向量；Φk,k-1为tk-1时刻至tk时刻的状态转移矩阵，
Figure GDA0003965981970000024
I为单位矩阵，Δt为GNSS采样间隔；Ak为tk时刻的设计矩阵；Wk与ek视为相互独立的白噪声；
S2.3，计算tk时刻的预测状态向量
Figure GDA0003965981970000025
和预测状态向量
Figure GDA0003965981970000026
的协方差阵
Figure GDA0003965981970000027
有：
Figure GDA0003965981970000028
Figure GDA0003965981970000029
式中，
Figure GDA00039659819700000210
为预测状态向量权矩阵的逆矩阵，
Figure GDA00039659819700000211
为Wk的协方差阵。
S2.4，由观测方程的单独抗差确定等价权矩阵
Figure GDA00039659819700000212
抗差等价权矩阵函数采用IGGⅢ方案，有：
Figure GDA00039659819700000213
式中，pi为第i个向量的权，
Figure GDA0003965981970000031
为标准化残差，c0和c1为临界值，临界值可以由经验值设定或者根据标准化残差分布的置信水平确定；
则tk时刻的状态参数抗差解由下式计算：
Figure GDA0003965981970000032
S2.5，求解自适应因子αk，由下式计算：
Figure GDA0003965981970000033
式中，模型误差的判别统计量
Figure GDA0003965981970000034
c0和c1采用与公式(5)中相同的临界值；tr(·)表示矩阵的迹；
S2.6，求解tk时刻的增益矩阵
Figure GDA0003965981970000035
有：
Figure GDA0003965981970000036
式中，
Figure GDA0003965981970000037
为观测向量的加权协方差矩阵。
S2.7，求解tk时刻的状态估值和状态新的协方差矩阵，有：
Figure GDA0003965981970000038
Figure GDA0003965981970000039
式中，Σk为观测向量的协方差矩阵。
S2.8，将
Figure GDA00039659819700000310
和
Figure GDA00039659819700000311
代入tk+1历元，重复执行步骤S2.2至步骤S2.7，逐历元解算GNSS位移数据。
步骤S3具体包括以下分步骤：
S3.1，初始化递归滤波和滑动均值滤波的滤波参数，包括滤波系数和滑动步长；初始化加速度、速度及位移初值；
S3.2，对tk时刻的加速度实时监测数据执行滑动均值滤波和高通递归滤波，得到可用加速度数据，有：
Figure GDA0003965981970000041
Figure GDA0003965981970000042
式中，k为历元时刻，n＝1,2,...,L，L为滑动步长；xk和ak分别表示tk时刻的输入和输出信号；q为滤波系数；
所述滤波系数q，由下式反算求取：
Figure GDA0003965981970000043
式中，H(fd)为传递函数，i为虚数，fd为最小振动频率，Δt为加速度计采样间隔；
S3.3，对tk时刻的可用加速度数据执行一次积分和递归滤波，得到可用速度数据，有：
Figure GDA0003965981970000044
式中，vk为tk时刻的可用速度数据；ak为tk时刻的可用加速度数据；
递归滤波同样采用公式(12)进行计算；
S3.4，对tk时刻的速度数据执行一次积分和递归滤波，得到可用位移数据，从而获得结构体的高频振动位移数据，有：
Figure GDA0003965981970000045
式中，sk为tk时刻的位移数据；vk为tk时刻的可用速度数据；
递归滤波同样采用公式(12)进行计算；
S3.5，将获取的原始加速度计监测数据与对应的可用位移数据作为样本数据，结合频域积分重构位移方法，求解并更新最优滤波参数；
S3.6，重复执行步骤S3.2至步骤S3.5，逐历元解算加速度计位移数据。
步骤S4中，两种不同频率的位移变形监测数据进行内插融合的方法为：依据所述加速度计的数据采集频率将步骤S2中低频位移变形数据进行线性内插处理，然后将内插后的低频位移变形数据与步骤S3解算的高频位移变形数据求和，用以获取桥梁的实时静态和动态位移信息。
本发明的面向桥梁变形监测的GNSS加速度计实时融合方法适用于对桥梁等建筑物进行实时高精度的结构健康监测。该方法首先采用抗差自适应卡尔曼滤波对GNSS原始监测数据进行处理，实时解算出桥梁的高精度低频位移数据，采用高通递归滤波对加速度计原始监测信号进行处理，实时重构桥梁的高精度高频位移数据；然后将两种滤波方法处理得到的两种不同频率的监测位移数据进行内插融合处理，用以实现实时高精度获取桥梁结构健康变形信息的目的。
与现有技术相比，本发明具有以下有益效果：
1、本发明将GNSS和加速度计监测数据进行集成融合处理，利用两种传感器的优势互补，识别桥梁监测数据中的静态和动态位移信息，从而可以在更宽的频率范围内实时获取桥梁等建筑物更全面、更可靠、更精确的变形信息；
2、本发明利用监测位移与速度信息作为状态参数建立抗差自适应卡尔曼滤波模型，解决了GNSS观测数据中各种粗差对监测结果的影响；；本发明利用递归滤波重构动态位移方法，，解决了加速度实时积分过程中零点漂移导致的位移结果发散的问题。
3、本发明采用的抗差自适应卡尔曼滤波算法和递归滤波算法的计算速度快、不需要存储大量旧数据、且易于计算机编程实现，可以实现对桥梁等建筑物结构健康监测的实时快速获取。
附图说明
图1为本发明的面向桥梁变形监测的GNSS加速度计实时融合方法的流程图；
图2为本发明的实施例中GNSS获取的某桥梁挠度原始监测数据；
图3为本发明的实施例中加速度计获取的某桥梁挠度原始监测数据；
图4为本发明的实施例中GNSS加速度计融合后的位移数据。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明。
实施例
如图1所示，一种面向桥梁变形监测的GNSS加速度计实时融合方法，包括以下步骤：
S1，如图2和图3所示，获取由GNSS和加速度计分别得到的一组某桥梁挠度原始监测数据(即原始桥梁结构健康变形监测数据)，由图中数据可知，GNSS和加速度计获取的原始监测数据中均明显含有高频的测量噪声，若不对其进行处理，会影响到最终求解的桥梁位移监测数据的准确性，因此本发明对GNSS和加速度计数据进行实时融合计算；
S2，采用抗差自适应卡尔曼滤波对S1中的GNSS原始监测数据进行解算，实时求取结构体的低频位移变形数据；具体包括以下分步骤：
S2.1，选取一定时间长度的GNSS基线样本数据，利用抗差最小二乘估计解算出tk-1时刻的状态向量
Figure GDA0003965981970000061
和状态协方差阵
Figure GDA0003965981970000062
作为抗差自适应卡尔曼滤波的初始参数；
S2.2，建立抗差自适应卡尔曼滤波的状态方程和观测方程，有：
Xk＝Φk,k-1Xk-1+Wk                          (1)
Lk＝AkXk+ek                            (2)
式中，Xk、Xk-1分别为tk和tk-1时刻的状态向量，
Figure GDA0003965981970000063
Zk＝(xk,yk,zk)T，表示k时刻的三方向状态参数向量，上面加点表示速率；Lk为tk时刻的观测向量；Φk,k-1为tk-1时刻至tk时刻的状态转移矩阵，
Figure GDA0003965981970000064
I为单位矩阵，Δt为GNSS采样间隔；Ak为tk时刻的设计矩阵；Wk与ek视为相互独立的白噪声；
S2.3，计算tk时刻的预测状态向量
Figure GDA0003965981970000065
和预测状态向量
Figure GDA0003965981970000066
的协方差阵
Figure GDA0003965981970000067
有：
Figure GDA0003965981970000068
Figure GDA0003965981970000069
其中，式中，
Figure GDA00039659819700000610
为预测状态向量权矩阵的逆矩阵，
Figure GDA00039659819700000611
为Wk的协方差阵。T表示矩阵转置；
Figure GDA00039659819700000612
为Wk的状态协方差阵；
Figure GDA00039659819700000613
表示矩阵求逆。
S2.4，由观测方程的单独抗差估计来确定等价权矩阵
Figure GDA00039659819700000614
抗差等价权矩阵函数采用IGGⅢ方案，有：
Figure GDA00039659819700000615
式中，pi为第i个向量的权，
Figure GDA00039659819700000616
为标准化残差；c0和c1为临界值，临界值可以由经验值设定或者根据标准化残差分布的置信水平确定；
则tk时刻的状态参数抗差解由下式计算：
Figure GDA00039659819700000617
S2.5，求解自适应因子αk，由下式计算：
Figure GDA0003965981970000071
式中，模型误差的判别统计量
Figure GDA0003965981970000072
c0和c1采用与公式(5)中相同的临界值；tr(·)表示矩阵的迹；
S2.6，求解tk时刻的增益矩阵
Figure GDA0003965981970000073
有：
Figure GDA0003965981970000074
式中，
Figure GDA0003965981970000075
为观测向量的加权协方差矩阵。
S2.7，求解tk时刻的状态估值和状态新的协方差矩阵，有：
Figure GDA0003965981970000076
Figure GDA0003965981970000077
式中，Σk为观测向量的协方差矩阵。
S2.8，将
Figure GDA0003965981970000078
和
Figure GDA0003965981970000079
代入tk+1历元，重复执行步骤S2.2至步骤S2.7，逐历元解算GNSS位移数据。
S3，采用递归滤波对S1中的加速度计原始监测数据重构，实时求取结构体的高频位移变形数据；具体包括以下分步骤：
S3.1，初始化递归滤波和滑动均值滤波的滤波参数，包括滤波系数和滑动步长，初始化加速度、速度及位移初值；
S3.2，对tk时刻的加速度实时监测数据执行滑动均值滤波和高通递归滤波，得到可用加速度数据，有：
Figure GDA00039659819700000710
Figure GDA0003965981970000081
式中，k为历元时刻，n＝1,2,...,L，L为滑动步长；xk和ak分别表示tk时刻的输入和输出信号；q为滤波系数；
所述滤波系数q，由下式反算求取：
Figure GDA0003965981970000082
式中，H(fd)为传递函数，i为虚数，fd为最小振动频率，Δt为加速度计采样间隔；
S3.3，对tk时刻的可用加速度数据执行一次积分和递归滤波，得到可用速度数据，有：
Figure GDA0003965981970000083
式中，vk为tk时刻的可用速度数据；ak为tk时刻的可用加速度数据；
递归滤波同样采用公式(12)进行计算；
S3.4，对tk时刻的速度数据执行一次积分和递归滤波，得到可用位移数据，从而获得结构体的高频振动位移数据，有：
Figure GDA0003965981970000084
式中，sk为tk时刻的位移数据；vk为tk时刻的可用速度数据；
递归滤波同样采用公式(12)进行计算；
S3.5，将获取的原始加速度计监测数据与对应的可用位移数据作为样本数据，结合频域积分重构位移方法，求解并更新最优滤波参数；
S3.6，重复执行步骤S3.2至步骤S3.5，逐历元解算加速度计位移数据。
S4，将S2和S3中两种不同频率的位移变形监测数据进行内插融合，获取结构体的实时高精度位移变形信息。具体为：依据所述加速度计的数据采集频率将步骤S2中低频位移变形数据进行线性内插处理，然后将内插后的低频位移变形数据与步骤S3解算的高频位移变形数据求和，用以获取桥梁的实时静态和动态位移信息。GNSS加速度计融合后的位移数据如图4所示。
由图4可知，原始桥梁结构健康变形监测数据经本发明的实时融合算法处理后，GNSS原始监测数据中的高频测量噪声被成功剔除，仅保留了低频位移变形数据，同时利用加速度计的原始监测数据求取高频位移变形数据，两种不同频率的位移数据经过内插融合处理后，包含了桥梁的静态和动态位移信息。

Claims (3)

1.一种面向桥梁变形监测的GNSS和加速度计实时融合方法，其特征在于，包括以下步骤：
S1、获取由GNSS和加速度计分别得到的一组原始桥梁结构健康变形监测数据；
S2、采用抗差自适应卡尔曼滤波对步骤S1中的GNSS原始监测数据进行解算，实时求取结构体的低频位移变形数据；
S3、采用递归滤波对步骤S1中的加速度计原始监测数据进行重构，实时求取结构体的高频位移变形数据；
S4、将步骤S2和S3中两种不同频率的位移变形监测数据进行内插融合，得到结构体的实时高精度位移变形信息，
其中，步骤S2包括以下分步骤：
S2.1，选取一定时间长度的GNSS基线样本数据，利用抗差最小二乘估计解算出tk-1时刻的状态向量
Figure FDA0003965981960000011
和状态协方差阵
Figure FDA0003965981960000012
作为抗差自适应卡尔曼滤波的初始参数；
S2.2，建立抗差自适应卡尔曼滤波的状态方程和观测方程，有：
Xk＝Φk,k-1Xk-1+Wk    (1)
Lk＝AkXk+ek    (2)
式中，Xk、Xk-1分别为tk和tk-1时刻的状态向量，
Figure FDA0003965981960000013
Zk＝(xk,yk,zk)T，上面加点表示速率；Lk为tk时刻的观测向量；Φk,k-1为tk-1时刻至tk时刻的状态转移矩阵，
Figure FDA0003965981960000014
I为单位矩阵，Δt为GNSS采样间隔；Ak为tk时刻的设计矩阵；Wk与ek视为相互独立的白噪声；
S2.3，计算tk时刻的预测状态向量
Figure FDA0003965981960000015
和预测状态向量
Figure FDA0003965981960000016
的协方差阵
Figure FDA0003965981960000017
有：
Figure FDA0003965981960000018
Figure FDA0003965981960000019
式中，
Figure FDA00039659819600000110
为预测状态向量权矩阵的逆矩阵，
Figure FDA00039659819600000111
为Wk的协方差阵；
S2.4，由观测方程的单独抗差确定等价权矩阵
Figure FDA00039659819600000112
抗差等价权矩阵函数采用IGGⅢ方案，有：
Figure FDA0003965981960000021
式中，pi为第i个向量的权，
Figure FDA0003965981960000022
为标准化残差，c0和c1为临界值，临界值可以由经验值设定或者根据标准化残差分布的置信水平确定；
则tk时刻的状态参数抗差解由下式计算：
Figure FDA0003965981960000023
S2.5，求解自适应因子αk，由下式计算：
Figure FDA0003965981960000024
式中，模型误差的判别统计量
Figure FDA0003965981960000025
c0和c1采用与公式(5)中相同的临界值；tr(·)表示矩阵的迹；
S2.6，求解tk时刻的增益矩阵
Figure FDA0003965981960000026
有：
Figure FDA0003965981960000027
式中，
Figure FDA0003965981960000028
为观测向量的加权协方差矩阵；
S2.7，求解tk时刻的状态估值和状态新的协方差矩阵，有：
Figure FDA0003965981960000029
Figure FDA00039659819600000210
式中，Σk为观测向量的协方差矩阵；
S2.8，将
Figure FDA00039659819600000211
和
Figure FDA00039659819600000212
代入tk+1历元，重复执行步骤S2.2至步骤S2.7，逐历元解算GNSS位移数据。
2.根据权利要求1所述的面向桥梁变形监测的GNSS和加速度计实时融合方法，其特征在于，步骤S3包括以下分步骤：
S3.1，初始化递归滤波和滑动均值滤波的滤波参数，包括滤波系数和滑动步长；初始化加速度、速度及位移初值；
S3.2，对tk时刻的加速度实时监测数据执行滑动均值滤波和高通递归滤波，得到可用加速度数据，有：
Figure FDA0003965981960000031
Figure FDA0003965981960000032
式中，k为历元时刻，n＝1,2,...,L，L为滑动步长；xk和ak分别表示tk时刻的输入和输出信号；q为滤波系数；
所述滤波系数q，由下式反算求取：
Figure FDA0003965981960000033
式中，H(fd)为传递函数，i为虚数，fd为最小振动频率，Δt为加速度计采样间隔；
S3.3，对tk时刻的可用加速度数据执行一次积分和递归滤波，得到可用速度数据，有：
Figure FDA0003965981960000034
式中，vk为tk时刻的可用速度数据；ak为tk时刻的可用加速度数据；
递归滤波同样采用公式(12)进行计算；
S3.4，对tk时刻的速度数据执行一次积分和递归滤波，得到可用位移数据，从而获得结构体的高频振动位移数据，有：
Figure FDA0003965981960000035
式中，sk为tk时刻的位移数据；vk为tk时刻的可用速度数据；
递归滤波同样采用公式(12)进行计算；
S3.5，将获取的原始加速度计监测数据与对应的可用位移数据作为样本数据，结合频域积分重构位移方法，求解并更新最优滤波参数；
S3.6，重复执行步骤S3.2至步骤S3.5，逐历元解算加速度计位移数据。
3.根据权利要求1所述的面向桥梁变形监测的GNSS和加速度计实时融合方法，其特征在于，步骤S4中两种不同频率的位移变形监测数据进行内插融合的方法为：依据所述加速度计的数据采集频率将步骤S2中低频位移变形数据进行线性内插处理，然后将内插后的低频位移变形数据与步骤S3解算的高频位移变形数据求和，用以获取桥梁的实时静态和动态位移信息。
CN202210838363.7A 2022-07-18 2022-07-18 面向桥梁变形监测的gnss和加速度计实时融合方法 Active CN114912551B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210838363.7A CN114912551B (zh) 2022-07-18 2022-07-18 面向桥梁变形监测的gnss和加速度计实时融合方法
PCT/CN2022/107754 WO2024016369A1 (zh) 2022-07-18 2022-07-26 面向桥梁变形监测的gnss和加速度计实时融合算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838363.7A CN114912551B (zh) 2022-07-18 2022-07-18 面向桥梁变形监测的gnss和加速度计实时融合方法

Publications (2)

Publication Number Publication Date
CN114912551A CN114912551A (zh) 2022-08-16
CN114912551B true CN114912551B (zh) 2023-04-07

Family

ID=82771895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838363.7A Active CN114912551B (zh) 2022-07-18 2022-07-18 面向桥梁变形监测的gnss和加速度计实时融合方法

Country Status (2)

Country Link
CN (1) CN114912551B (zh)
WO (1) WO2024016369A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116481416B (zh) * 2023-06-21 2023-08-25 中交路桥科技有限公司 基于北斗导航的桥梁挠度监测方法、电子设备及存储介质
CN117807536A (zh) * 2024-02-27 2024-04-02 中铁上海工程局集团第七工程有限公司 一种用于钢拱竖转施工过程中应力数据采集的优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107990821A (zh) * 2017-11-17 2018-05-04 深圳大学 一种桥梁形变监测方法、存储介质及桥梁形变监测接收机
CN109059750A (zh) * 2017-12-22 2018-12-21 交通运输部科学研究院 一种基于组合差分gnss的桥梁形变多频动态分析方法
CN110874450A (zh) * 2019-11-20 2020-03-10 武汉理工大学 一种基于车载监测的铁路桥梁轨道不平顺计算方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106885569A (zh) * 2017-02-24 2017-06-23 南京理工大学 一种强机动条件下的弹载深组合arckf滤波方法
CN108646277A (zh) * 2018-05-03 2018-10-12 山东省计算中心（国家超级计算济南中心） 基于抗差自适应与扩展卡尔曼滤波融合的北斗导航方法
CN109059751B (zh) * 2018-09-10 2020-08-07 中国科学院国家授时中心 一种形变数据监测方法及系统
CN110059361B (zh) * 2019-03-22 2021-01-15 中国科学院测量与地球物理研究所 一种基于抗差卡尔曼滤波算法的实时区域对流层建模方法
IT201900025399A1 (it) * 2019-12-23 2021-06-23 St Microelectronics Srl Procedimento per provvedere informazione di navigazione, corrispondente sistema e prodotto informatico
CN111735380A (zh) * 2020-05-21 2020-10-02 中国矿业大学 加速度计辅助gnss实时提取高铁桥梁动态挠度的方法
CN111795639B (zh) * 2020-05-29 2021-12-03 湖南联智科技股份有限公司 基于北斗高精度定位的基础设施结构变形监测方法
CN111623703A (zh) * 2020-07-28 2020-09-04 湖南联智科技股份有限公司 一种基于新型卡尔曼滤波的北斗变形监测实时处理方法
CN112269192B (zh) * 2020-10-22 2024-02-02 云南航天工程物探检测股份有限公司 一种快速自适应的动态北斗监测实时解算去噪方法
CN112461190B (zh) * 2020-11-13 2021-12-31 合肥工业大学 一种桥梁变形重构方法
CN113820003B (zh) * 2021-09-15 2022-07-08 中国矿业大学 一种适用于桥梁振动监测的加速度实时重构动态位移方法
CN114036605B (zh) * 2021-10-29 2023-12-29 河海大学 基于自适应控制的卡尔曼滤波钢桁架桥梁结构参数监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107990821A (zh) * 2017-11-17 2018-05-04 深圳大学 一种桥梁形变监测方法、存储介质及桥梁形变监测接收机
CN109059750A (zh) * 2017-12-22 2018-12-21 交通运输部科学研究院 一种基于组合差分gnss的桥梁形变多频动态分析方法
CN110874450A (zh) * 2019-11-20 2020-03-10 武汉理工大学 一种基于车载监测的铁路桥梁轨道不平顺计算方法

Also Published As

Publication number Publication date
WO2024016369A1 (zh) 2024-01-25
CN114912551A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN114912551B (zh) 面向桥梁变形监测的gnss和加速度计实时融合方法
CN109813342B (zh) 一种惯导-卫星组合导航系统的故障检测方法和系统
CN113820003B (zh) 一种适用于桥梁振动监测的加速度实时重构动态位移方法
KR101135984B1 (ko) 비행체 위치 추적 자료 융합 장치 및 이를 이용한 융합 방법
CN109507706B (zh) 一种gps信号丢失的预测定位方法
CN112269192B (zh) 一种快速自适应的动态北斗监测实时解算去噪方法
CN110555398A (zh) 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法
CN107831516B (zh) 融合gnss和地面监测网获取大坝实时高精度位移的方法
CN110677140B (zh) 一种含未知输入和非高斯量测噪声的随机系统滤波器
CN113901379A (zh) 一种边缘端的实时数据动态在线快速处理方法
CN110703205A (zh) 基于自适应无迹卡尔曼滤波的超短基线定位方法
CN105066967A (zh) 基于mems运动传感器的测量波浪方法
CN114445404A (zh) 基于亚像素边缘检测的结构振动响应自动识别方法及系统
CN104298650A (zh) 基于多方法融合的量化卡尔曼滤波方法
CN111339494A (zh) 基于卡尔曼滤波的陀螺仪数据处理方法
CN111504278A (zh) 基于自适应频域积分的海浪检测方法
CN115291253B (zh) 一种基于残差检测的车辆定位完好性监测方法及系统
CN116500575A (zh) 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置
CN116558406A (zh) 基于状态域的gnss-加速度计集成桥梁变形监测突变故障探测方法
Tserolas et al. The Western Crete geodetic infrastructure: Long-range power-law correlations in GPS time series using Detrended Fluctuation Analysis
CN107664499B (zh) 一种船用捷联惯导系统的加速度计在线降噪方法
CN116481416B (zh) 基于北斗导航的桥梁挠度监测方法、电子设备及存储介质
CN114739355B (zh) 基于gnss与三轴加速计的滑坡监测方法、系统及介质
CN116702479B (zh) 一种水下航行器未知输入与位置估计方法及系统
CN114543799B (zh) 一种抗差联邦卡尔曼滤波方法、设备与系统

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