CN115752243A

CN115752243A - 一种测量数据融合方法

Info

Publication number: CN115752243A
Application number: CN202211543866.8A
Authority: CN
Inventors: 王梅宝; 赵爽; 刘万村
Original assignee: Zhejiang Sci Tech University ZSTU; Harbin Vocational and Technical College
Current assignee: Zhejiang Sci Tech University ZSTU; Harbin Vocational and Technical College
Priority date: 2022-12-01
Filing date: 2022-12-01
Publication date: 2023-03-07

Abstract

本发明公开了一种测量数据融合方法，应用于大尺寸被测件，属于数据融合技术领域，方法包括：将多个测量仪器按可测量参数进行分类；将多个测量仪器的编号组合为仪器矩阵；测得标准件的各特征参数的测量值；将特征参数的测量值组合为测量矩阵；对测量矩阵的列向量进行归一化处理，得到归一化矩阵；根据仪器矩阵和归一化矩阵，建立增广矩阵；计算两个增广矩阵的列向量之间的相关系数，并判断相关系数是否大于预设数值；相关系数大于预设数值时，对两个增广矩阵的列向量进行降维处理；将各个降维矩阵的列向量输入至数据融合模型进行训练；在输出值与标准件的各特征参数的标准值之间的偏差在预设范围内，结束对数据融合模型的训练。

Description

一种测量数据融合方法

技术领域

本发明属于数据融合技术领域，具体涉及一种测量数据融合方法。

背景技术

工业制造中，国产大飞机、导弹、火箭、动车、轮船、涡轮机与发电机等领域均离不开大尺寸几何量测量技术，大尺寸测量是指在几米至几百米的空间范围内，对被测对象的位置、坐标、尺寸、形状、运动轨迹等几何参数的测量。与常规尺寸测量相比，大尺寸测量的应用场合主要为测量空间范围大、环境相对复杂、干扰因素较多的工业制造现场，所应用的测量仪器有经纬仪、全站仪、激光跟踪仪、激光雷达、扫描仪、干涉仪等，这些测量仪器可测量一个或多个参数，且所测量的参数类别和精度各不相同。

如电子经纬仪需要人工瞄准，测量效率低，坐标测量精度不高，但在卫星飞船角度测量中对立方镜的准直测量起着难以替代的作用。激光雷达具有测量效率高、非接触测量和测量精度较高的优点，但不能实现动态测量。激光跟踪仪测量精度高，既能实现静态测量又可实现动态测量，但需要搭配角隅棱镜进行工作。对于内部结构复杂、体积庞大的被测件来说，单台大尺寸测量仪器已经难以完成测量任务，需要多台仪器进行组合测量。

在利用多台测量仪器对大尺寸被测件进行测量时，因为测量仪器的不同，往往测量数据也不同，在对不同的测量仪器测得的测量数据进行处理融合的过程中，浪费大量的人力，而且效率低，精度低，误差大。

发明内容

本发明实施例的目的是提供一种测量数据融合方法，能够解决现有的在对不同的测量仪器测得的测量数据进行处理融合的过程中，浪费大量的人力资源，而且效率低，精度低，误差大的技术问题。

为了解决上述技术问题，本发明是这样实现的：

本发明实施例提供了一种测量数据融合方法，应用于大尺寸被测件，包括：

S101：将多个测量仪器按可测量参数进行分类；

S102：对测量仪器进行编码，将多个测量仪器的编号组合为仪器矩阵；

S103：通过多个测量仪器对标准件进行测量，测得标准件的各特征参数的测量值，其中，标准件的各特征参数的标准值为已知量，特征参数包括空间坐标、长度、角度；

S104：根据各个测量仪器的可测量参数，将特征参数的测量值组合为测量矩阵；

S105：对测量矩阵的列向量进行归一化处理，得到归一化矩阵；

S106：根据仪器矩阵和归一化矩阵，建立增广矩阵；

S107：对任意两个增广矩阵的列向量进行相关性分析，计算两个增广矩阵的列向量之间的相关系数，并判断相关系数是否大于预设数值；

S108：在两个增广矩阵的列向量之间的相关系数大于预设数值的情况下，对两个增广矩阵的列向量进行降维处理，得到降维矩阵；

S109：构建基于机器学习算法的数据融合模型；

S110：将各个降维矩阵的列向量输入至数据融合模型进行训练；

S111：数据融合模型输出标准件的各特征参数的输出值；

S112：在标准件的各特征参数的输出值与标准件的各特征参数的标准值之间的偏差在预设范围内，结束对数据融合模型的训练。

在本发明实施例中，通过对多个测量仪器进行分类编码，对测量得到的数据逐步进行归一化和降维处理，将得到的降维矩阵的列向量输入至利用机器学习算法构建的数据融合模型进行训练，逐步缩小测量数据融合结果的误差，训练完成后，将多个测量仪器的测量数据输入至数据融合模型进行融合，即可得到融合结果，节省大量的人力投入，大大提高融合效率，且融合的测量结果精度高，误差小。

附图说明

图1是本发明实施例提供的一种测量数据融合方法的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图，通过具体的实施例及其应用场景对本发明实施例提供测量数据融合方法进行详细地说明。

参照图1，示出了本发明实施例提供的一种测量数据融合方法的流程示意图。

本发明实施例提供的一种测量数据融合方法，应用于大尺寸被测件。

测量数据融合方法包括：

S101：将多个测量仪器按可测量参数进行分类。

其中，可测量参数可以是角度、长度和空间坐标。可以将多个测量仪器按照角度、长度和空间坐标进行分类，也就是说，在多个测量仪器中分出哪些是测量角度的测量仪器，哪些是测量长度的测量仪器，哪些是测量空间坐标的测量仪器。

可选地，测量仪器为跟踪仪、经纬仪、激光扫描仪和全站仪。

S102：对测量仪器进行编码，将多个测量仪器的编号组合为仪器矩阵。

需要说明的是，对测量仪器进行编码，可以对后续的测量数据进行标记，以标记出测量数据为哪个测量仪器测量出来的数据，以便于后续的分析。

在一种可能的实施方式中，测量仪器的数量为四个，分别为第一测量仪器、第二测量仪器、第三测量仪器和第四测量仪器，S102具体包括：

S1021：将每个测量仪器表示为行矩阵，第一测量仪器表示为[1，0，0，0]，第二测量仪器表示为[0，1，0，0]，第三测量仪器表示为[0，0，1，0]，第四测量仪器表示为[0，0，0，1]；

S1022：获取每个测量仪器对标准件进行的测量次数，第一测量仪器对标准件的测量次数为i次，第二测量仪器对标准件的测量次数为j次，第三测量仪器对标准件的测量次数为k次，第四测量仪器对标准件的测量次数为g次；

S1023：根据每个测量仪器的行矩阵以及相应的测量次数，构建仪器矩阵：

S103：通过多个测量仪器对标准件进行测量，测得标准件的各特征参数的测量值。

其中，标准件是指结构、尺寸、画法、标记等各个方面已经完全标准化，并由专业厂生产的常用的零(部)件。

也就是说，标准件的各特征参数的标准值为已知量，特征参数包括空间坐标、长度、角度。

需要说明的是，通过对标准件测量，可以直观地感知到测量仪器的测量结果与实际结果的差异，便于对测量仪器进行校准。

S104：根据各个测量仪器的可测量参数，将特征参数的测量值组合为测量矩阵。

其中，将混乱无序的特征参数的测量值组合为有序的测量矩阵，在后续分析的过程中直接进行矩阵运算，可以大大的提升数据分析的效率。

在一种可能的实施方式中，S104具体包括：

S1041：将测量参数组合为行向量[α,l,x,y,z]；

其中，α表示标准件角度，l表示标准件长度，x，y，z表示标准件空间坐标。

S1042：根据各个测量仪器的可测量参数，将各个测量仪器测得的特征参数的测量值填入至行向量的相应位置，其余位置补0，得到测量矩阵b：

其中，α、l、x、y和z的第一个下角标1、2、3和4分别代表第一测量仪器、第二测量仪器、第三测量仪器和第四测量仪器，α、l、x、y和z的第二个下角标表示测量次数。

S105：对测量矩阵的列向量进行归一化处理，得到归一化矩阵。

其中，归一化处理方式主要有两种，一种是把数变为(0，1)之间的小数，另一种是把有量纲表达式变为无量纲表达式。两者均可以将数据限定在一定的范围内，从而减小奇异性样本数据导致的不良影响，可以归纳统一样本的统计分布性。

在一种可能的实施方式中，以归一化处理方式为将有量纲表达式变为无量纲表达式为例，S105具体包括：

S1051：分别对测量矩阵的各列矩阵进行Max-Min归一化处理，得到归一化矩阵B：

其中，归一化矩阵中每一列的取值范围为[0，1]，且无量纲，归一化矩阵的列向量的模等于1，即|B_f|＝1，其中，f＝1，2，3，4或5。

其中，Min-Max归一化(Min-Max Normalization)，也称为离差标准化,是对测量矩阵中的各列矩阵进行线性变换。

S106：根据仪器矩阵和归一化矩阵，建立增广矩阵。

需要说明的是，将仪器矩阵和归一化矩阵组合为增广矩阵，之后对增广矩阵进行后续分析，可以同时对仪器特征和数据特征进行同时处理，提升数据处理效率。

在一种可能的实施方式中，S106具体包括：

S1061：根据初始矩阵和归一化矩阵，建立增广矩阵C：

S107：对任意两个增广矩阵的列向量进行相关性分析，计算两个增广矩阵的列向量之间的相关系数，并判断相关系数是否大于预设数值。

其中，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。

其中，本领域技术人员可以根据实际情况对预设数值的大小进行确定，本发明不作限定。

可以理解的是，相关系数越大，则表明进行相关性分析的两个列向量之间的关系越强。

在一种可能的实施方式中，S107具体包括：

S1071：对任意两个增广矩阵的列向量进行协方差运算，计算两个增广矩阵的列向量之间的相关系数，相关系数的计算方式为：

其中，cov(x，y)表示协方差运算，代表相关系数，s和q表示增广矩阵的列数，即s,q∈[1,2,...,6]且s≠q，r代表增广矩阵的行数；

S1072：判断相关系数是否大于预设数值。

S108：在两个增广矩阵的列向量之间的相关系数大于预设数值的情况下，对两个增广矩阵的列向量进行降维处理，得到降维矩阵。

需要说明的是，在两个增广矩阵的列向量之间的相关系数大于预设数值的情况下，可以理解为两个增广矩阵的列向量之间的相关程度过低，需要进行降维处理，以消除奇异数据对于后续处理效率的影响。

需要说明的是，降维处理后参数会相应的减少，加快了计算速度。

在一种可能的实施方式中，S108具体包括：

S1081：根据增广矩阵，构建协方差矩阵Cov：

Cov＝CC^T 公式6；

S1082：计算协方差矩阵的特征值与相应的特征向量；

S1083：根据特征值对特征向量进行降序排序，根据特征向量构建映射矩阵；

S1084：通过映射矩阵将增广矩阵的原始数据映射到低纬度特征子空间；

S1085：计算特征值的方差解释率，选择方差解释率大于预设比例的特征值入模，得到降维矩阵。

可选地，预设比例为90％。

S109：构建基于机器学习算法的数据融合模型。

可选地，机器学习算法为BP神经网络算法。

其中，BP(Back Propagation)神经网络算法是一种有监督式的学习算法，主要是利用输入训练样本，使用反向传播算法对权值和偏差进行反复的调整训练，使测量数据的输出值与标准值尽可能地接近。

S110：将各个降维矩阵的列向量输入至数据融合模型进行训练。

可以理解的是，降维矩阵的列向量作为训练样本输入至数据融合模型，训练样本越多，越具有代表性，则训练得到的数据融合模型的融合结果越准确。

S111：数据融合模型输出标准件的各特征参数的输出值。

需要说明的是，此时的输出值可以理解为数据融合模型给出的测量结果，需要进一步地的标准件的实际结果进行比较，以评价数据融合模型的测量准确性。

其中，本领域技术人员可以根据实际情况选择预设范围的大小。可以理解的是，选择的预设范围越大，意味着对于数据融合模型的测量准确性的要求越低，反之，选择的预设范围越小，意味着对于数据融合模型的测量准确性的要求越高。在实际应用过程中，并非选择的预设范围越小，进而使得数据融合模型的测量准确性越高，就越好，原因在于，对于数据融合模型的测量准确性的要求越高，所需要花费的模型训练时间就越多。

可以理解的是，数据融合模型的训练过程，是一种不断收敛输出值的过程，输出值和标准值的误差减少到预设范围内的程度，训练就会停止。训练结束后，可以将多个测量仪器的测量数据作为输入值，输入至数据融合模型，进行数据融合。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims

1.一种测量数据融合方法，应用于大尺寸被测件，其特征在于，包括：

S101：将多个测量仪器按可测量参数进行分类；

S102：对所述测量仪器进行编码，将多个所述测量仪器的编号组合为仪器矩阵；

S103：通过多个所述测量仪器对标准件进行测量，测得所述标准件的各特征参数的测量值，其中，所述标准件的各所述特征参数的标准值为已知量，所述特征参数包括空间坐标、长度、角度；

S104：根据各个所述测量仪器的可测量参数，将所述特征参数的测量值组合为测量矩阵；

S105：对所述测量矩阵的列向量进行归一化处理，得到归一化矩阵；

S106：根据所述仪器矩阵和所述归一化矩阵，建立增广矩阵；

S107：对任意两个所述增广矩阵的列向量进行相关性分析，计算两个所述增广矩阵的列向量之间的相关系数，并判断所述相关系数是否大于预设数值；

S108：在两个所述增广矩阵的列向量之间的相关系数大于所述预设数值的情况下，对两个所述增广矩阵的列向量进行降维处理，得到降维矩阵；

S109：构建基于机器学习算法的数据融合模型；

S110：将各个所述降维矩阵的列向量输入至所述数据融合模型进行训练；

S111：所述数据融合模型输出所述标准件的各特征参数的输出值；

S112：在所述标准件的各特征参数的输出值与所述标准件的各特征参数的标准值之间的偏差在预设范围内，结束对所述数据融合模型的训练。

2.根据权利要求1所述的测量数据融合方法，其特征在于，所述测量仪器的数量为四个，分别为第一测量仪器、第二测量仪器、第三测量仪器和第四测量仪器，所述S102具体包括：

S1021：将每个所述测量仪器表示为行矩阵，所述第一测量仪器表示为[1，0，0，0]，所述第二测量仪器表示为[0，1，0，0]，所述第三测量仪器表示为[0，0，1，0]，所述第四测量仪器表示为[0，0，0，1]；

S1022：获取每个所述测量仪器对所述标准件进行的测量次数，所述第一测量仪器对所述标准件的测量次数为i次，所述第二测量仪器对所述标准件的测量次数为j次，所述第三测量仪器对所述标准件的测量次数为k次，所述第四测量仪器对所述标准件的测量次数为g次；

S1023：根据每个所述测量仪器的行矩阵以及相应的测量次数，构建所述仪器矩阵A：

3.根据权利要求2所述的测量数据融合方法，其特征在于，所述S104具体包括：

S1041：将所述测量参数组合为行向量[α,l,x,y,z]；

S1042：根据各个所述测量仪器的可测量参数，将各个所述测量仪器测得的所述特征参数的测量值填入至所述行向量的相应位置，其余位置补0，得到所述测量矩阵b：

其中，α表示所述标准件角度，l表示所述标准件长度，x，y，z表示所述标准件空间坐标，α、l、x、y和z的第一个下角标1、2、3和4分别代表所述第一测量仪器、所述第二测量仪器、所述第三测量仪器和所述第四测量仪器，α、l、x、y和z的第二个下角标表示测量次数。

4.根据权利要求3所述的测量数据融合方法，其特征在于，所述S105具体包括：

S1051：分别对所述测量矩阵的各列矩阵进行Max-Min归一化处理，得到所述归一化矩阵B：

其中，所述归一化矩阵中每一列的取值范围为[0，1]，且无量纲，所述归一化矩阵的列向量的模等于1，即|B_f|＝1，其中，f＝1，2，3，4或5。

5.根据权利要求4所述的测量数据融合方法，其特征在于，所述S106具体包括：

S1061：根据所述初始矩阵和所述归一化矩阵，建立增广矩阵C：

6.根据权利要求5所述的测量数据融合方法，其特征在于，所述S107具体包括：

S1071：对任意两个所述增广矩阵的列向量进行协方差运算，计算两个所述增广矩阵的列向量之间的所述相关系数，所述相关系数的计算方式为：

其中，cov(x，y)表示协方差运算，代表相关系数，s和q表示所述增广矩阵的列数，即s，q∈[1,2,...,6]且s≠q，r代表所述增广矩阵的行数；

S1072：判断所述相关系数是否大于所述预设数值。

7.根据权利要求6所述的测量数据融合方法，其特征在于，所述S108具体包括：

S1081：根据所述增广矩阵，构建协方差矩阵Cov：

Cov＝CC^T 公式6；

S1082：计算所述协方差矩阵的特征值与相应的特征向量；

S1083：根据所述特征值对所述特征向量进行降序排序，根据所述特征向量构建映射矩阵；

S1084：通过所述映射矩阵将所述增广矩阵的原始数据映射到低纬度特征子空间；

S1085：计算所述特征值的方差解释率，选择所述方差解释率大于预设比例的特征值入模，得到所述降维矩阵。

8.根据权利要求7所述的测量数据融合方法，其特征在于，所述预设比例为90％。

9.根据权利要求1所述的测量数据融合方法，其特征在于，所述测量仪器为跟踪仪、经纬仪、激光扫描仪和全站仪。

10.根据权利要求1所述的测量数据融合方法，其特征在于，所述机器学习算法为BP神经网络算法。