CN117421701B - 一种自升式平台桩腿三维空间姿态分布式监测方法 - Google Patents

Abstract

本发明涉及测量定位领域，具体涉及一种自升式平台桩腿三维空间姿态分布式监测方法，包括：采集状态维度的状态值以及环境维度的数据值；获取状态维度的分布曲线；获取状态维度的目标分量；根据状态维度的目标分量获取每个时刻的综合离散程度；获取每个状态维度的时间‑影响分布曲线；对于任意一个状态维度，根据所述状态维度的时间‑影响分布曲线，获取每个环境维度对所述状态维度的影响程度值；根据每个环境维度对所述状态维度的影响程度值，获取所述状态维度的融合权重值；根据所有状态维度的融合权重值获取状态维度状态值的数据融合结果；获取自升式平台桩腿的每个布设点位置的坐标，得到准确的自升式平台桩腿的空间姿态。

Description

一种自升式平台桩腿三维空间姿态分布式监测方法

技术领域

本发明涉及测量定位领域，具体涉及一种自升式平台桩腿三维空间姿态分布式监测方法。

背景技术

自升式平台桩腿以广泛应用到海洋平台结构。自升式平台桩腿造价极高，所处环境又极度恶劣，服役时间长，其可靠性和耐久性受到严峻挑战。传统无损检测方法如果对平台桩腿全面监测需要大量传感器，操作复杂，成本较高。研究平台桩腿监测方法十分重要，已经成为当今学者的研究热点之一。

在本发明之前，专利号为201410507460.3的发明公开了一种海洋平台形变倾斜评估方法，通过实时监测桩腿上应变传感器的测量数据获取海洋平台的倾斜状态矩阵，然后对该倾斜状态矩阵进行关联分析，获得海洋平台的整体倾斜图像，从而显示其倾斜状态。然而，该方法无法考虑撑杆的变形及其对主杆变形的作用，同时通过有限点传感器只能展现桩腿近似的倾斜状态，精确度较低。随着监测技术的发展，分布式光纤监测以其长距离、大范围监测、分布式不漏监、安全无需供电和系统成本低，易于集成等优点被逐渐应用到海洋平台结构监测领域。然而，通过分布式光纤监测的过程中，若仅根据分布式光纤来获取自升式平台桩腿的姿态信息，会由于存在的噪声使得获取的分布式光纤监测数据出现较大的误差，使得精确度较低，因此往往采用多种有关的传感器一起进行数据特征融合分析，对获取的分布式光纤监测数据进行修正处理。而多种传感器数据在采集过程中，由于会受到复杂的海况信息，会造成传感器采集的数据无法精确的表示姿态信息，进而影响到自升式平台桩腿的定位结果，因此无法展现桩腿的精确空间姿态。

发明内容

为了解决上述问题，本发明提供一种自升式平台桩腿三维空间姿态分布式监测方法。

本发明的一种自升式平台桩腿三维空间姿态分布式监测方法采用如下技术方案：

本发明一个实施例提供了一种自升式平台桩腿三维空间姿态分布式监测方法，该方法包括以下步骤：

采集自升式平台桩腿的若干状态维度的状态值以及若干环境维度的数据值；

将任意两个状态维度作为目标维度组合，目标维度组合中相同时刻下的两个状态值分别作为横坐标和纵坐标，构成目标维度组合的若干数据点；

在目标维度组合的每个状态维度中，根据所述状态维度的每个状态值的若干数据点获取状态维度的分布曲线；

对于目标维度组合，将其中一个状态维度的状态值随时间变化的曲线记为第一曲线，另外一个状态维度的状态值随时间变化的曲线记为第二曲线；根据目标维度组合中状态维度的分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量；

根据所述第一目标分量和第二目标分量，获取第一曲线和第二曲线在每个时刻的综合离散程度；

根据第一曲线和第二曲线每个时刻的综合离散程度，获取目标维度组合中每个状态维度的时间-影响分布曲线；

对于任意一个状态维度，根据所述状态维度的时间-影响分布曲线，获取每个环境维度对所述状态维度的影响程度值；

根据每个环境维度对所述状态维度的影响程度值，获取所述状态维度的融合权重值；

根据所有状态维度的融合权重值获取状态维度状态值的数据融合结果；根据数据融合结果获取自升式平台桩腿的每个布设点位置的坐标。

进一步的，所述将任意两个状态维度作为目标维度组合，目标维度组合中相同时刻下的两个状态值分别作为横坐标和纵坐标，构成目标维度组合的若干数据点，包括的具体步骤如下：

将所有状态维度的状态值记为目标维度的状态值；将任意两个目标维度构成一个目标维度组合，进而得到若干个目标维度组合；

在任意一个目标维度组合中构建目标维度组合坐标系，其中将所述目标维度组合的维度分别记为状态维度和状态维度/>，所述目标维度组合坐标系中横坐标为状态维度/>中的状态值，纵坐标为状态维度/>中的状态值，其中横坐标和纵坐标的状态值按照从小到大排列，将所有状态值转化为目标维度组合坐标系中的若干数据点。

进一步的，所述在目标维度组合的每个状态维度中，根据所述状态维度的每个状态值的若干数据点获取状态维度的分布曲线，包括的具体步骤如下：

在目标维度组合的每个状态维度中，将所述状态维度的每个状态值的若干数据点记为第一数据点；对若干第一数据点进行DBSCAN聚类处理，得到若干个聚类簇；

记目标维度组合的任意一个状态维度为状态维度，其中状态维度/>的第/>个状态值的分布点的纵坐标值/>的计算方法为：

其中，表示状态维度/>的第/>个状态值的第一数据点的数量；/>表示第/>个状态值的第/>个第一数据点所在聚类簇中第一数据点的数量；/>表示第/>个状态值的第/>个第一数据点的纵坐标值；

根据状态维度的第/>个状态值的分布点的纵坐标值/>构建状态维度/>分布曲线，其中状态维度/>分布曲线是有若干个分布点构成，分布点的横坐标为状态维度/>的状态值，其中状态维度/>的第/>个状态值的分布点的纵坐标值/>。

进一步的，所述根据目标维度组合中状态维度的分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量，包括的具体步骤如下：

预设窗口大小范围为[3,9]，窗口大小的遍历步长为2，遍历得到若干窗口大小；

对第一曲线的每个频率分量进行移动平滑处理， 获取第一曲线每个频率分量的所有窗口大小的平滑分量，并构建第一曲线的每个频率分量的平滑分量集合；

对第二曲线的每个频率分量进行移动平滑处理， 获取第一曲线每个频率分量的所有窗口大小的平滑分量，并构建第二曲线的每个频率分量的平滑分量集合；

根据第一曲线和第二曲线的平滑分量集合以及状态维度分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量。

进一步的，所述根据第一曲线和第二曲线的平滑分量集合以及状态维度分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量，包括的具体步骤如下：

对于第一曲线的第个平滑分量集合中第/>个分量记为/>，与第二曲线的第/>个平滑分量集合的第/>个分量记为/>，在所述目标维度组合坐标系进行数据点转换，得到和/>的分布曲线；

将和/>的分布曲线与状态维度/>分布曲线进行dtw匹配，获取/>和的分布曲线与目标维度组合的任意一个状态维度分布曲线的dtw距离记为/>，类似操作，获取/>和/>的分布曲线与目标维度组合的另一个状态维度分布曲线的dtw距离记为/>，计算/>和/>的均值作为/>和/>的分布差异度；

获取第一曲线的第个平滑分量集合中的每个分量与第二曲线的第/>个平滑分量集合中的每个分量的分布差异度；

获取所有分量的分布差异度中最小值，将所述分布差异度的最小值对应的第一曲线的第个平滑分量集合中的分量与第二曲线的第/>个平滑分量集合的分量分别记为第一目标分量和第二目标分量。

进一步的，所述根据所述第一目标分量和第二目标分量，获取第一曲线和第二曲线在每个时刻的综合离散程度，包括的具体步骤如下：

对于第一曲线的第个时刻，获取第一曲线的第/>个时刻在第一曲线的第/>个频率分量的第一目标分量的窗口中的其他时刻，并记为在第/>个频率分量的第/>个时刻的邻域时刻，其中所述窗口为第一目标分量对应的窗口大小；

将频率分量进行两两组合得到若干频率分量组合；

根据第个时刻的邻域时刻在所有频率分量组合的变化，获取第一曲线和第二曲线的第/>个时刻的离散程度/>，其中第/>个时刻的离散程度/>的计算方法为：

其中，表示第/>个时刻的频率分量组合的数量；/>表示频率分量的数量；/>表示第/>个频率分量组合中其中一个频率分量的位序；/>表示第/>个频率分量组合中另外一个频率分量的位序；/>表示第/>个频率分量组合中其中一个频率分量的第/>个时刻的邻域时刻的数量；/>表示第/>个频率分量组合中另外一个频率分量的第/>个时刻的邻域时刻的数量；/>表示第/>个频率分量组合中两个频率分量的第/>个时刻的邻域时刻的重复时刻的数量；/>表示获取绝对值函数；

根据第一曲线和第二曲线的每个时刻的离散程度，获取状态维度的每个时刻的综合离散程度。

进一步的，所述根据第一曲线和第二曲线的每个时刻的离散程度，获取状态维度的每个时刻的综合离散程度，包括的具体步骤如下：

对于第一曲线的第个时刻，获取第一曲线对应的状态维度所在的所有目标维度组合中的第/>个时刻的离散程度的均值，作为第一曲线对应的状态维度的第/>个时刻的综合离散程度。

进一步的，所述根据第一曲线和第二曲线每个时刻的综合离散程度，获取目标维度组合中每个状态维度的时间-影响分布曲线，包括的具体步骤如下：

预设离散程度阈值，若第一曲线的任意一个时刻的综合离散程度大于等于离散程度阈值，将第一曲线对应的状态维度数据中所述时刻的状态值剔除，并通过所述时刻的前一个小于离散程度阈值的时刻和后一个小于离散程度阈值的时刻的状态值得到均值，并将所述时刻的状态值用所述均值进行替换，将替换后的第一曲线记为影响第一曲线；

构建时间-影响分布曲线，其中横坐标为第一曲线的横坐标，并将第一曲线的数据点的纵坐标与影响第一曲线的同一横坐标的数据点的纵坐标相减得到的差值作为纵坐标，进而得到第一曲线对应的状态维度的时间-影响分布曲线；

获取第二曲线对应的状态维度的时间-影响分布曲线。

进一步的，所述对于任意一个状态维度，根据所述状态维度的时间-影响分布曲线，获取每个环境维度对所述状态维度的影响程度值，包括的具体步骤如下：

对于任意一个环境维度的数据，获取所述环境维度的数据值随时间变化的曲线，通过计算环境维度的数据值随时间变化的曲线与状态维度的时间-影响分布曲线的皮尔逊相关系数，并记为环境维度对所述状态维度的影响程度值。

进一步的，所述根据每个环境维度对所述状态维度的影响程度值，获取所述状态维度的融合权重值，包括的具体步骤如下：

根据所有环境维度对所述状态维度的影响程度值的均值，作为状态维度的融合权重值。

本发明的技术方案的有益效果是：本发明通过对采集的状态维度的数据进行自适应数据融合，以实现自升式平台桩腿三维空间姿态的准确监测。其中通过构建目标维度组合获取状态维度的分布曲线，在此基础上获取目标维度组合的状态维度的目标分量；进而根据目标维度组合的状态维度的目标分量获取每个时刻的综合离散程度，得到每个状态维度的时间-影响分布曲线，进而得到环境维度对状态维度的影响程度值，以实现状态维度的数据融合权重值的自适应获取，并进行数据融合获取自升式平台桩腿的每个布设点位置的坐标。避免了传统的数据融合过程中，由于海洋环境本身具有极高的动态性和不确定性的影响，造成复杂的海况信息使得状态传感器采集的数据存在较大误差缺点，保证了数据融合的结果的准确性，使得可以得到的更为准确的自升式平台桩腿的空间姿态。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种自升式平台桩腿三维空间姿态分布式监测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种自升式平台桩腿三维空间姿态分布式监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种自升式平台桩腿三维空间姿态分布式监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种自升式平台桩腿三维空间姿态分布式监测方法的步骤流程图，该方法包括以下步骤：

S001．选取自升式平台桩腿布设点位置，进行分布式光纤以及多种传感器的安装，进行状态传感器状态值以及环境传感器数据值的采集。

需要说明的是，本实施例的目的是通过在自升式平台桩腿进行布设点位选择，在所选布设点位进行分布式光纤以及多种传感器的安装，通过对分布式光纤采集的数据以及多种传感器数据的数据融合处理，通过包括等多种传感器数据进行处理，来得到准确的自升式平台桩腿的姿态信息。

具体的，对于分布式光纤布设点位置选择，每根自升式平台桩腿的结构为三根轴向主杆和三个面的每根撑杆，对于每根主杆轴上沿着主杆布设，对于三个面的每根撑杆上沿撑杆“Z字型”布设，总共在桩身形成6条应变测试线路。其中为确保安全可靠，主杆位置选择内侧三角形夹角位置进行布设。同样的，需要布置多种传感器，其中传感器类型包括状态传感器以及环境传感器，其中状态传感器包括加速度计、陀螺仪、压力传感器等，环境传感器包括风速计、风向计、流速计、波高仪等，其中状态传感器安装在自升式平台桩腿的轴向主杆，与分布式光纤布布设点位置相同，而环境传感器安装在海上作业平台的监测平台上。其中对于任意一个传感器采集的数据记为所述传感器的维度数据，并且对于所有传感器均为每5秒采集一次数据，因此同一个时刻采集的为多维度的传感器数据，其中采集的多维度的传感器数据包括历史数据以及当前时刻的数据。其中状态传感器维度数据中包括若干状态维度的状态值，环境传感器维度数据中包含若干环境维度的数据值。

S002．根据状态维度的每个状态值的若干数据点获取状态维度的分布曲线；根据目标维度组合中状态维度的分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量；获取每个时刻的综合离散程度。

需要说明的是，在根据布设的分布式光纤进行自升式平台桩腿姿态监测的过程中，由于纤线路可能会遭受机械振动、拉伸、弯曲或压缩等影响，这些都可能导致光纤损伤或老化，并且设备精度以及其他系统级别的偏差，均会对测量结果有影响。数据融合是一种通过结合来自多个数据源的信息以获取更全面和准确理解的技术，通过结合多个不同状态传感器采集的数据，数据融合可以提供一个更全面和详细的自升式平台桩腿姿态信息，同时不同状态传感器之间的数据比较也可以帮助我们检测和纠正任何可能的误差或偏差。因此本实施例采用分布式光纤监测的数据以及状态传感器采集的数据之间进行数据融合的方式获取准确的自升式平台桩腿姿态信息。但是由于状态传感器在采集数据过程中，海洋环境本身具有极高的动态性和不确定性，因此复杂的海况信息会使得状态传感器采集的数据出现较为复杂的噪声，因此在进行数据融合之前，需要对采集的状态传感器数据进行噪声分析，来提高状态传感器数据的精度，进而提高数据融合的准确性。

需要进一步说明的是，在对状态传感器数据进行去噪处理的过程中，状态传感器数据的噪声是由复杂的海况信息引起的，也即状态传感器数据中的噪声部分是由采集的多种环境传感器数据有关，因此在状态传感器数据的去噪过程中，需要结合环境传感器数据的分布特征进行去噪。由于不同维度的状态传感器数据表征的为同一个自升式平台桩腿的姿态信息的变化，因此不同维度的状态传感器数据之间存在一定的联系性。本实施例为了获取状态传感器数据的噪声程度，需要通过获取不同维度的状态传感器数据之间的联系，根据具有联系的状态维度数据之间的变化，对每个时刻的状态传感器数据的离散程度进行量化，进而根据量化后的离散程度的变化获取环境数据对离散程度的影响度。在量化每个时刻的状态传感器数据的离散程度时，需要根据不同维度的状态传感器之间的联系，进而根据状态传感器之间的联系在不同时刻的分布可以得到每个时刻的状态传感器数据的离散程度。

具体的，将所有状态维度的状态值记为目标维度的状态值，则采集的传感器数据中包含若干目标维度的状态值，其中不同目标维度表示为不同的状态传感器类型；将所有环境维度的数据记为待计算维度的数据值，则采集的传感器数据中包含若干待计算维度的数据值，其中不同待计算维度表示为不同的温度传感器类型。将任意两个目标维度构成一个目标维度组合，进而得到若干个目标维度组合。在任意一个目标维度组合中构建目标维度组合坐标系，其中将所述目标维度组合的状态维度分别记为状态维度和状态维度/>，所述目标维度组合坐标系中横坐标为状态维度/>中的状态值，纵坐标为状态维度/>中的状态值，其中横坐标和纵坐标的状态值按照从小到大排列，将所有状态值转化为所述目标维度组合坐标系中的若干数据点。

进一步的，对于以所述目标维度组合中的状态维度为基准，记状态维度/>的第/>个状态值为/>，在所有的数据点中获取数据点的横坐标为/>的数据点记为所述状态维度/>的第/>个状态值的第一数据点，其中包含若干第一数据点，对若干第一数据点进行DBSCAN聚类处理，得到若干个聚类簇。构建所述目标维度组合坐标系的状态维度/>分布曲线，其中状态维度/>分布曲线是有若干个分布点构成，分布点的横坐标为状态维度/>的状态值，其中状态维度/>的第/>个状态值的分布点的纵坐标值/>的计算方法为：

其中，表示状态维度/>的第/>个状态值的第一数据点的数量；/>表示第/>个状态值的第/>个第一数据点所在聚类簇中第一数据点的数量；/>表示第/>个状态值的第/>个第一数据点的纵坐标值。其中通过计算同一个横坐标值对应第一数据点进行加权平均得到此横坐标值对应的分布点的纵坐标值，根据第一数据点的分布位置进行加权平均，聚簇中第一数据点的数量占比与所有第一数据点数量之间占比越大，则表明聚类簇中第一数据点的权重值越大。类似操作，可以得到在所述目标维度组合坐标系的状态维度/>分布曲线。

进一步的，对于所述目标维度组合，将状态维度的状态值随时间变化的曲线记为第一曲线，状态维度/>的状态值随时间变化的曲线记为第二曲线，分别对第一曲线和第二曲线进行相同小波变化得到相同频率分量，需要说明的是，第一曲线进行小波变化后，得到的为若干个频率分量，且第一曲线的各个频率分量的频率不相同，类似的，第二曲线进行小波变化后，得到的为若干个频率分量，且第一曲线的各个频率分量的频率不相同，且第一曲线的第/>个频率分量，与第二曲线的第/>个频率分量的频率相同，且频率分量的横坐标均为采集数据的时刻，相同横坐标表示的为相同采集数据的时刻，频率分量位序从小到大，频率依次从高到低。

进一步的，预设窗口大小范围为[3,9]，窗口大小的遍历步长为2，进而遍历得到若干窗口大小。对于第个窗口大小，分别对第一曲线的第/>个频率分量和第二曲线的第/>个频率分量进行移动平滑处理记为第一曲线的第/>个窗口大小的第/>个平滑分量，类似操作，得到第一曲线的其他窗口大小的第/>个平滑分量，其中将第一曲线的所有窗口大小的第/>个平滑分量构建第一曲线的第/>个平滑分量集合；类似操作，得到第二曲线的第/>个平滑分量集合。

进一步的，对于第一曲线的第个平滑分量集合中第/>个分量记为/>，与第二曲线的第/>个平滑分量集合的第/>个分量记为/>，在所述目标维度组合坐标系进行数据点转换，得到/>和/>的分布曲线，需要说明的是，对于所述分量的任意一个时刻，在转换过程中第一曲线的第/>个平滑分量集合中第/>个分量的所述时刻的状态值为数据点的横坐标，第二曲线的第/>个平滑分量集合的第/>个分量的所述时刻的状态值为数据点的纵坐标。将/>和/>的分布曲线与维度/>分布曲线进行dtw匹配，获取/>和/>的分布曲线与状态维度/>分布曲线的dtw距离记为/>，类似操作，获取/>和/>的分布曲线与状态维度/>分布曲线的dtw距离记为/>，计算/>和/>的均值作为/>和的分布差异度；类似操作，得到第一曲线的第/>个平滑分量集合中的每个分量与第二曲线的第/>个平滑分量集合中的每个分量的分布差异度。获取所有分量的分布差异度中最小值，将所述分布差异度的最小值对应的第一曲线的第/>个平滑分量集合中的分量与第二曲线的第/>个平滑分量集合的分量分别记为第一目标分量和第二目标分量，其中所述第一目标分量和第二目标分量表示最满足所述目标维度组合的分布曲线的频率分量，需要说明的是，本实施例中获取所有分量的分布差异度的最小值视为最满足目标维度组合分布曲线，其中dtw匹配为公知技术，在本实施例中不再赘述。

进一步的，对于第一曲线的第个时刻，获取第一曲线的第/>个时刻在第一曲线的第/>个频率分量的第一目标分量的窗口中的其他时刻，并记为在第/>个频率分量的第/>个时刻的邻域时刻，其中所述窗口为第一目标分量对应的窗口大小，类似操作获取在第一曲线的其他频率分量的第/>个时刻的邻域时刻，将频率分量进行两两组合得到若干频率分量组合，根据第/>个时刻的邻域时刻在所有频率分量组合的变化，获取第一曲线和第二曲线的第个时刻的离散程度/>，其中第/>个时刻的离散程度/>的计算方法为：

其中，表示第/>个时刻的频率分量组合的数量；/>表示频率分量的数量；/>表示第/>个频率分量组合中其中一个频率分量的位序；/>表示第/>个频率分量组合中另外一个频率分量的位序；/>表示第/>个频率分量组合中其中一个频率分量的第/>个时刻的邻域时刻的数量；/>表示第/>个频率分量组合中另外一个频率分量的第/>个时刻的邻域时刻的数量；/>表示第/>个频率分量组合中两个频率分量的第/>个时刻的邻域时刻的重复时刻的数量；/>表示获取绝对值函数。其中/>表示频率分量组合下所述时刻的邻域时刻的离散程度的基准值置信度，若所述时刻的邻域时刻重复性较小，则表明第/>个时刻的离散程度越高，在不同的频率上与邻域时刻的关系较为离散；/>表示频率分量组合的权重值，若频率组合的频率分量的频率相差较大，则表明此频率分量组合下，计算的所述时刻的邻域时刻的离散程度的基准值置信度较低。

进一步的，类似操作，对于第个时刻，获取第一曲线对应的状态维度/>所在的所有目标维度组合中的第/>个时刻的离散程度的均值，作为第一曲线对应的状态维度/>的第/>个时刻的综合离散程度。

S003．获取每个状态维度的时间-影响分布曲线，进而得到每个环境维度对状态维度的影响程度值，获取状态维度的融合权重值；根据所有状态维度的融合权重值获取状态维度状态值的数据融合结果。

根据每个环境维度对所述状态维度的影响程度值，获取所述状态维度的融合权重值。

需要说明的是，由于不同环境维度的数据对状态维度数据的影响程度不同，因此在状态数据的融合过程中，需要根据状态维度数据受到不同环境维度数据的影响来确定融合权重，因此在获取到每个状态维度数据的不同时刻的综合离散程度时，需要根据不同时刻的综合离散程度对来获取随着时间的变化来获取状态维度数据影响曲线，并根据环境维度数据的变化与状态维度数据影响曲线的变化来获取状态维度数据受到环境维度数据的影响。

具体的，预设离散程度阈值为0.75，若第一曲线的任意一个时刻的综合离散程度大于等于离散程度阈值，将第一曲线对应的状态维度数据中所述时刻的状态值剔除，并通过所述时刻的前一个小于离散程度阈值的时刻和后一个小于离散程度阈值的时刻的状态值得到均值，并将所述时刻的状态值用所述均值进行替换，将替换后的第一曲线记为影响第一曲线，其中影响第一曲线与第一曲线的横坐标相同，本实施例预设的离散程度阈值可根据实施者具体实施情况而定。构建时间-影响分布曲线，其中横坐标为第一曲线的横坐标，并将第一曲线的数据点的纵坐标与影响第一曲线的同一横坐标的数据点的纵坐标相减得到的差值作为纵坐标，进而得到第一曲线对应的状态维度/>的时间-影响分布曲线。

进一步的，对于第个待计算维度的数据同样获取数据值随时间变化的曲线，通过计算第/>个待计算维度的数据值随时间变化的曲线与第一曲线对应的状态维度/>的时间-影响分布曲线的皮尔逊相关系数，并将所述的皮尔逊相关系数值表示第/>个待计算维度的影响程度值，其中皮尔逊相关系数的计算方法为公知技术。

进一步的，根据所有待计算维度对第一曲线对应的状态维度的影响程度值的均值，作为第一曲线对应的状态维度/>的融合权重值。类似操作，可以得到其他状态维度的融合权重值。其中本实施例采用神经网络训练的方式进行多状态维度传感器数据的数据融合得到综合状态融合数据，其中具体的过程为：采用的神经网络为RNN神经网络，其中输入数据为不同状态维度传感器数据，输出数据为通过专业人工标定的自升式平台桩腿的每个布设点位置的坐标，采用的损失函数为加权均方根误差函数，其中不同状态维度的数据的权重值为得到的不同状态维度的融合权重值。

S004．根据数据融合结果获取自升式平台桩腿的每个布设点位置的坐标。

根据不同布设点位置获取的综合状态融合数据，进行三角测量法进行定位，获取得到每个布设点位置的坐标，其中三角测量法为公知技术，在本实施例中不再赘述。根据得到的自升式平台桩腿的每个布设点位置的坐标，使用计算机辅助设计(CAD)软件或者专门的3D建模软件来创建桩腿的3D模型，进行自升式平台桩腿的空间姿态展示。

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，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，该方法包括以下步骤：

采集自升式平台桩腿的若干状态维度的状态值以及若干环境维度的数据值；

将任意两个状态维度作为目标维度组合，目标维度组合中相同时刻下的两个状态值分别作为横坐标和纵坐标，构成目标维度组合的若干数据点；

在目标维度组合的每个状态维度中，根据所述状态维度的每个状态值的若干数据点获取状态维度的分布曲线；

对于目标维度组合，将其中一个状态维度的状态值随时间变化的曲线记为第一曲线，另外一个状态维度的状态值随时间变化的曲线记为第二曲线；根据目标维度组合中状态维度的分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量；

根据所述第一目标分量和第二目标分量，获取第一曲线和第二曲线在每个时刻的综合离散程度；

根据第一曲线和第二曲线每个时刻的综合离散程度，获取目标维度组合中每个状态维度的时间-影响分布曲线；

对于任意一个状态维度，根据所述状态维度的时间-影响分布曲线，获取每个环境维度对所述状态维度的影响程度值；

根据每个环境维度对所述状态维度的影响程度值，获取所述状态维度的融合权重值；

根据所有状态维度的融合权重值获取状态维度状态值的数据融合结果；根据数据融合结果获取自升式平台桩腿的每个布设点位置的坐标；

所述根据目标维度组合中状态维度的分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量，包括的具体步骤如下：

预设窗口大小范围为[3,9]，窗口大小的遍历步长为2，遍历得到若干窗口大小；

对第一曲线的每个频率分量进行移动平滑处理， 获取第一曲线每个频率分量的所有窗口大小的平滑分量，并构建第一曲线的每个频率分量的平滑分量集合；

对第二曲线的每个频率分量进行移动平滑处理， 获取第一曲线每个频率分量的所有窗口大小的平滑分量，并构建第二曲线的每个频率分量的平滑分量集合；

根据第一曲线和第二曲线的平滑分量集合以及状态维度分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量；

所述根据第一曲线和第二曲线的平滑分量集合以及状态维度分布曲线，获取第一曲线和第二曲线的第一目标分量和第二目标分量，包括的具体步骤如下：

对于第一曲线的第个平滑分量集合中第/>个分量记为/>，与第二曲线的第/>个平滑分量集合的第/>个分量记为/>，在所述目标维度组合坐标系进行数据点转换，得到/>和的分布曲线；

将和/>的分布曲线与状态维度/>分布曲线进行dtw匹配，获取/>和/>的分布曲线与目标维度组合的任意一个状态维度分布曲线的dtw距离记为/>，类似操作，获取和/>的分布曲线与目标维度组合的另一个状态维度分布曲线的dtw距离记为/>，计算/>和/>的均值作为/>和/>的分布差异度；

获取第一曲线的第个平滑分量集合中的每个分量与第二曲线的第/>个平滑分量集合中的每个分量的分布差异度；

获取所有分量的分布差异度中最小值，将所述分布差异度的最小值对应的第一曲线的第个平滑分量集合中的分量与第二曲线的第/>个平滑分量集合的分量分别记为第一目标分量和第二目标分量。

2.根据权利要求1所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述将任意两个状态维度作为目标维度组合，目标维度组合中相同时刻下的两个状态值分别作为横坐标和纵坐标，构成目标维度组合的若干数据点，包括的具体步骤如下：

将所有状态维度的状态值记为目标维度的状态值；将任意两个目标维度构成一个目标维度组合，进而得到若干个目标维度组合；

在任意一个目标维度组合中构建目标维度组合坐标系，其中将所述目标维度组合的维度分别记为状态维度和状态维度/>，所述目标维度组合坐标系中横坐标为状态维度/>中的状态值，纵坐标为状态维度/>中的状态值，其中横坐标和纵坐标的状态值按照从小到大排列，将所有状态值转化为目标维度组合坐标系中的若干数据点。

3.根据权利要求1所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述在目标维度组合的每个状态维度中，根据所述状态维度的每个状态值的若干数据点获取状态维度的分布曲线，包括的具体步骤如下：

在目标维度组合的每个状态维度中，将所述状态维度的每个状态值的若干数据点记为第一数据点；对若干第一数据点进行DBSCAN聚类处理，得到若干个聚类簇；

记目标维度组合的任意一个状态维度为状态维度，其中状态维度/>的第/>个状态值的分布点的纵坐标值/>的计算方法为：

其中，表示状态维度/>的第/>个状态值的第一数据点的数量；/>表示第/>个状态值的第/>个第一数据点所在聚类簇中第一数据点的数量；/>表示第/>个状态值的第/>个第一数据点的纵坐标值；

根据状态维度的第/>个状态值的分布点的纵坐标值/>构建状态维度/>分布曲线，其中状态维度/>分布曲线是有若干个分布点构成，分布点的横坐标为状态维度/>的状态值，其中状态维度/>的第/>个状态值的分布点的纵坐标值/>。

4.根据权利要求1所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述根据所述第一目标分量和第二目标分量，获取第一曲线和第二曲线在每个时刻的综合离散程度，包括的具体步骤如下：

对于第一曲线的第个时刻，获取第一曲线的第/>个时刻在第一曲线的第/>个频率分量的第一目标分量的窗口中的其他时刻，并记为在第/>个频率分量的第/>个时刻的邻域时刻，其中所述窗口为第一目标分量对应的窗口大小；

将频率分量进行两两组合得到若干频率分量组合；

根据第个时刻的邻域时刻在所有频率分量组合的变化，获取第一曲线和第二曲线的第个时刻的离散程度/>，其中第/>个时刻的离散程度/>的计算方法为：

其中，表示第/>个时刻的频率分量组合的数量；/>表示频率分量的数量；/>表示第/>个频率分量组合中其中一个频率分量的位序；/>表示第/>个频率分量组合中另外一个频率分量的位序；/>表示第/>个频率分量组合中其中一个频率分量的第/>个时刻的邻域时刻的数量；/>表示第/>个频率分量组合中另外一个频率分量的第/>个时刻的邻域时刻的数量；/>表示第/>个频率分量组合中两个频率分量的第/>个时刻的邻域时刻的重复时刻的数量；/>表示获取绝对值函数；

根据第一曲线和第二曲线的每个时刻的离散程度，获取状态维度的每个时刻的综合离散程度。

5.根据权利要求4所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述根据第一曲线和第二曲线的每个时刻的离散程度，获取状态维度的每个时刻的综合离散程度，包括的具体步骤如下：

对于第一曲线的第个时刻，获取第一曲线对应的状态维度所在的所有目标维度组合中的第/>个时刻的离散程度的均值，作为第一曲线对应的状态维度的第/>个时刻的综合离散程度。

6.根据权利要求1所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述根据第一曲线和第二曲线每个时刻的综合离散程度，获取目标维度组合中每个状态维度的时间-影响分布曲线，包括的具体步骤如下：

预设离散程度阈值，若第一曲线的任意一个时刻的综合离散程度大于等于离散程度阈值，将第一曲线对应的状态维度数据中所述时刻的状态值剔除，并通过所述时刻的前一个小于离散程度阈值的时刻和后一个小于离散程度阈值的时刻的状态值得到均值，并将所述时刻的状态值用所述均值进行替换，将替换后的第一曲线记为影响第一曲线；

构建时间-影响分布曲线，其中横坐标为第一曲线的横坐标，并将第一曲线的数据点的纵坐标与影响第一曲线的同一横坐标的数据点的纵坐标相减得到的差值作为纵坐标，进而得到第一曲线对应的状态维度的时间-影响分布曲线；

获取第二曲线对应的状态维度的时间-影响分布曲线。

7.根据权利要求1所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述对于任意一个状态维度，根据所述状态维度的时间-影响分布曲线，获取每个环境维度对所述状态维度的影响程度值，包括的具体步骤如下：

对于任意一个环境维度的数据，获取所述环境维度的数据值随时间变化的曲线，通过计算环境维度的数据值随时间变化的曲线与状态维度的时间-影响分布曲线的皮尔逊相关系数，并记为环境维度对所述状态维度的影响程度值。

8.根据权利要求1所述的一种自升式平台桩腿三维空间姿态分布式监测方法，其特征在于，所述根据每个环境维度对所述状态维度的影响程度值，获取所述状态维度的融合权重值，包括的具体步骤如下：

根据所有环境维度对所述状态维度的影响程度值的均值，作为状态维度的融合权重值。