WO2023045338A1 - 一种边缘端的实时数据动态在线快速处理方法 - Google Patents

一种边缘端的实时数据动态在线快速处理方法 Download PDF

Info

Publication number
WO2023045338A1
WO2023045338A1 PCT/CN2022/090891 CN2022090891W WO2023045338A1 WO 2023045338 A1 WO2023045338 A1 WO 2023045338A1 CN 2022090891 W CN2022090891 W CN 2022090891W WO 2023045338 A1 WO2023045338 A1 WO 2023045338A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
integration
displacement
frequency
indicates
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.)
Ceased
Application number
PCT/CN2022/090891
Other languages
English (en)
French (fr)
Inventor
宋学官
杨亮亮
来孝楠
何西旺
李昆鹏
庞勇
孙伟
李鹏
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to US17/799,165 priority Critical patent/US12182224B2/en
Publication of WO2023045338A1 publication Critical patent/WO2023045338A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the invention belongs to the technical field of signal processing, and relates to a dynamic online fast processing method for real-time data at an edge end.
  • the monitoring signal can objectively reflect the actual operation status of the equipment. Therefore, real-time and online processing of the monitoring signal can effectively improve the timeliness of the monitoring data and realize the rapid analysis and dynamic feedback of the monitoring information.
  • the displacement information of the cantilever-like structure can more clearly reflect the posture and position of the monitoring part when it is loaded or forced.
  • Implementation of predictive maintenance measures for equipment due to the elastic deformation of the quasi-cantilever beam due to the vibration of the equipment, it is difficult to ensure the consistency of the monitored displacement during actual operation by using laser displacement sensing equipment, and it has higher requirements for the installation position and installation space, which leads to The applicability of this sensing device is somewhat limited. Compared with other sensors (temperature, displacement, pressure, etc.), acceleration sensors have the characteristics of strong adaptability, good economy, and convenient data acquisition, so they are widely used in different equipment monitoring.
  • the acceleration data processing method is mainly aimed at the complete acceleration information, and rarely considers the online dynamic processing of the online acceleration data.
  • this method can achieve effective denoising and processing of acceleration data, this method puts forward higher requirements for data integrity. Therefore, it is difficult to realize real-time dynamic fast processing of online acceleration data by using the current method.
  • the present invention proposes a real-time dynamic fast processing method for online signals at the edge end, by arranging edge devices near the data source, and embedding the proposed online dynamic fast processing algorithm into the edge end devices according to the sampling frequency of the acceleration sensor, Under the conditions of fast online processing and calculation, the timeliness of data analysis is further improved near the data source, avoiding delays caused by data bandwidth, etc., reducing storage space, and increasing information density.
  • the method of the invention can quickly and dynamically process the online monitoring data at the edge device end.
  • the online dynamic denoising method is used to remove the noise contained in the speed to ensure the effectiveness and accuracy of the denoising results
  • the integration algorithm is embedded in the edge device to realize fast calculation and analysis of data near the data source.
  • a dynamic online fast processing method for real-time data at the edge end specifically as follows:
  • Step (1) design dynamic integration algorithm
  • the acquired raw acceleration data is Where i represents the i-th monitoring time point, and n represents the number of monitoring points. Assuming that the interval between two monitoring time points is ⁇ t, the corresponding sensor sampling frequency is 1/ ⁇ t, and the speed calculation expression of the corresponding monitoring point is:
  • the speed obtained by the current integration is less affected by noise and drift (the influence of the noise data in the acceleration gradually increases with the increase of the integration time during the integration process, and this noise is in the integrated speed. It is manifested as drift. That is, as time increases, the drift value in the speed has a greater influence on the speed.
  • the drift trend value of the current monitoring point not only depends on the trend value corresponding to the previous time point, but also depends on the speed value integrated at the current time point.
  • the value of ⁇ is close to 1, that is, the drift trend corresponding to the current time point is greatly affected by the drift trend of the previous time point, and the current integral speed value only gives the drift trend of the previous time point a step size .
  • the speed after denoising corresponding to the current time point is expressed as:
  • the noise information is expressed in the form of drift in the displacement obtained after integration. Therefore, in order to ensure the accuracy of the finally obtained displacement information, it is necessary to denoise the displacement information again.
  • Traditional high-pass filtering mainly processes the complete information that has been obtained, and the cut-off frequency depends on the complete signal characteristics currently being processed. This method can achieve an ideal denoising effect, but due to the strict integrity requirements for the data, this The method is difficult to apply to the dynamic denoising of online data.
  • the present invention proposes an online dynamic high-pass filtering method, and for real-time integration results, the dynamic filtering method is used to perform online filtering on the data.
  • the filter used is a Butterworth filter, and its principle can be expressed as:
  • w c represents the cut-off frequency of the corresponding filter
  • m represents the order of the corresponding filter
  • w p represents the edge frequency of the passband.
  • the filter order is set to 8 (corresponding to the maximum filter order)
  • the cut-off frequency is set to 0.012 ⁇ w (it has been verified that the cut-off frequency is set to this value, and the accuracy of the filtering result is the highest)
  • the high-pass filter is used to calculate the integrated displacement Numerical value denoising, that is, when the frequency is greater than the set cut-off frequency, the integrated displacement value can be regarded as the final ideal value, and when the frequency of the corresponding displacement point is lower than the cut-off frequency, the corresponding value of the part is smoothed.
  • the integral displacement after denoising can be expressed as:
  • Step (2) embedding the dynamic integration algorithm designed in step (1) into the edge device, so as to realize dynamic and fast online signal processing at the edge.
  • the proposed dynamic integration algorithm is embedded in the edge device, and the fast calculation of integration is performed near the data source, so as to avoid the influence of network transmission bandwidth on the timeliness of integration and reduce redundant data (collected Acceleration data) in the cloud, increase the share of data storage.
  • the whole process can be expressed as shown in Figure 2a.
  • b in Figure 2 is a traditional cloud-based computing method.
  • the proposed cloud computing method does not pass through complex data transmission protocols, so delays caused by bandwidth and transmission protocols can be avoided.
  • the present invention proposes the online dynamic integral method, which has obvious advantages compared with the existing data method, and can realize the online dynamic processing of the real-time monitoring data, and the integral result has a higher accuracy and better robustness.
  • Fig. 1 is a schematic flow sheet of the present invention
  • Figure 2 is a schematic diagram of the comparison between edge computing and traditional cloud computing methods
  • Fig. 3 is a schematic diagram of high-pass filtering double integration
  • Fig. 4 is a schematic diagram of exponentially weighted average double integral
  • Fig. 5 is a schematic diagram of the integral result of the method of the present invention.
  • test function Construct the corresponding test function to verify the effectiveness of the proposed method.
  • the constructed test function is as follows:
  • the above formula shows the constructed test function, where s(t), v(t) and a(t) represent displacement, velocity and acceleration respectively, and n represents the added noise, in order to make the constructed test function more similar to the real environment
  • SNR signal-to-noise ratio
  • the sampling frequency is set to 100 Hz, that is, 100 acceleration sample points are collected in 1 second, so the time t is set
  • the change step size is 0.01, that is, 100 sample points can be collected in 1s, so the corresponding weight value
  • the real acceleration is simulated by adding Gaussian noise to the constructed acceleration, and the noise size (SNR, signal-to-noise ratio) is controlled to verify the effectiveness of the proposed method.
  • SNR signal-to-noise ratio
  • Figure 3 shows the corresponding results obtained by double integration and high-pass filtering.
  • the process can be expressed as: first dynamically integrate the noise-containing acceleration data, and then obtain the corresponding velocity values through online integration calculations, and dynamically calculate the integrated values respectively.
  • Speed value high-pass filtering is performed on the speed value of online dynamic integration to reduce the drift value in the speed after integration, and the speed after high-pass filtering is regarded as the ideal speed.
  • the ideal velocity is then integrated again to obtain the corresponding displacement value. Since the drift in the velocity has not been completely eliminated, high-pass filtering is performed on the integrated displacement again to further reduce the influence of the drift on the integration result.
  • the final integration result is shown in Figure 3.
  • the local enlarged image of the integral displacement is located in the upper half, and the global reduced image is located in the lower half.
  • Figure 4 shows the corresponding results obtained by the method of double integration and exponential weighted average.
  • the process can be expressed as: first dynamically integrate the acceleration data containing noise, and calculate the speed value obtained by online integration, and then exponentially weight the speed value The corresponding ideal velocity after denoising is obtained, and the ideal velocity value is further integrated to obtain the corresponding displacement value.
  • the exponential weighted average method is used again to further denoise the integral displacement value, and the corresponding ideal displacement result after denoising is obtained, as shown in Fig. 4 .
  • Fig. 5 is a schematic diagram of the integral result of the method proposed by the present invention. Comparative analysis shows that when the signal-to-noise ratio (SNR) increases, that is, the noise in the original acceleration decreases, the trend of the integral displacement tends closer to the ideal displacement, as shown in the figure. Compared with the results shown in Figure 3 and Figure 4, when the SNR changes from 5 to 20, the fluctuation range of the integral displacement of the proposed method is small, that is, the integral accuracy is less affected by noise, which proves that the method has better robustness. And comparing the integration results in Fig. 3, Fig. 4 and Fig. 5, it can be seen that when the SNR is equal to different values, the integral value of the method proposed by the present invention is closer to the ideal displacement, therefore, the method of the present invention has an accurate integral effect.
  • SNR signal-to-noise ratio

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明属于信号处理技术领域，涉及一种边缘端的实时数据动态在线快速处理方法。本发明采用在线动态去噪方法去除速度中包含的噪音量，确保去噪结果有的效性和准确性；针对在线积分后的位移，采用高效的数据去噪方法进行动态在线去噪，进一步减少位移值中漂移对最终积分结果的有效性；在确保积分方法准确性的条件下，将积分算法嵌入边缘设备端，在近数据源实现数据快速计算分析，实现边缘端的在线信号动态快速积分，为数据的高效处理和计算提供有效参考。

Description

一种边缘端的实时数据动态在线快速处理方法 技术领域
本发明属于信号处理技术领域，涉及一种边缘端的实时数据动态在线快速处理方法。
背景技术
监测信号一定程度上能够客观反映设备实际运行状态，因此对监测信号进行实时、在线处理能够有效提高监测数据的时效性，实现监测信息的快速分析和动态反馈。实际作业中，类悬臂梁结构的位移信息能更清晰地反映监测件受载或受迫时的姿态、位置等，因此，有效获取位移信息有助于更加准确表征监测设备的实际姿态，高效指导设备的预测性维护措施的实施。但由于设备的振动导致类悬臂梁产生一定的弹性变形，采用激光位移传感设备等难以确保实际运行过程中监测位移的一致性，且其对安装位置和安装空间具有更高的要求，这导致该传感设备的适用性受到一定限制。相比于其他传感器(温度、位移、压力等传感器)，加速度传感器具有适应性强、经济性好、数据获取便捷性等特点，因此其被广泛应用于不同设备监测中。
现阶段对加速度数据处理方法主要针对完整的加速度信息，极少考虑在线加速度数据的在线动态处理。虽然通过这种方法能够实现加速度数据的有效去噪和处理，但该方法对数据的完整性提出更高要求。因此，采用现阶段方法难以实现在线加速度数据实时动态快速处理。
发明内容
为解决上述问题，本发明提出一种边缘端的在线信号实时动态快速处理方法，通过在近数据源布置边缘设备，依据加速度传感器的采样频率，将提出的在线动态快速处理算法嵌入到边缘端设备，在满足在线快速处理运算的条件下，在近数据源进一步提升数据分析的时效性，避免因数据带宽等导致的延迟，减少存储空间，提高信息密度。本发明方法能够在边缘设备端进行在线监测数据快速动态处理。
确定使用的加速度传感器采样频率，判断当前获取的加速度数量是否满足积分要求(当前数据≥2)。若满足，则计算当前加速度与上一监测加速度之间生成的速度值，得到当前监测时间点对应的速度，判断当前监测点数量是否达到1/4采样频率的值，若没有，此时由于监测时间较短，考虑信号的稳定性和可靠性，认为信号中的噪音较少，对积分结果影响较小，因此不对积分后的速度数据进行去漂去噪。则直接计算相邻速度产生的位移值，得到对应的位移值；监测点数据达到1/4采样频率，对得到的速度进行动态去噪。将去噪后的速度值进行积分，即计算两个相邻速度点之间生成的位移值，最后再对积分得到的位移进行实时去噪，进一步减少积分后位移中的漂移影响。
本发明的技术难点主要包括以下几部分：
1)针对在线积分速度，采用在线动态去噪方法去除速度中包含的噪音量，确保去噪结果有的效性和准确性；
2)针对在线积分后的位移，采用高效的数据去噪方法进行动态在线去噪，进一步减少位移值中漂移对最终积分结果的有效性；
3)在确保积分方法准确性的条件下，将积分算法嵌入边缘设备端，在近数据源实现数据快速计算分析。
本发明的技术方案：
一种边缘端的实时数据动态在线快速处理方法，具体如下：
步骤(1)、设计动态积分算法
假设获取的原始加速度数据为
Figure PCTCN2022090891-appb-000001
其中i表示第i个监测时间点，n表示监测点的数量。假设两个监测时间点之间的间隔为Δt，则对应的传感器采样频率为1/Δt，则对应的监测点的速度计算表述为：
Figure PCTCN2022090891-appb-000002
其中
Figure PCTCN2022090891-appb-000003
表示在第i-1个时间点时第j个监测点对应的加速度值，
Figure PCTCN2022090891-appb-000004
表示在第i个时间点时第j个监测点对应的加速度值，其中j∈[1,n],
Figure PCTCN2022090891-appb-000005
表示在第i个时间点时第j个监测点对应积分得到的速度值。
积分之后判断当前同一监测点采集加速度的次数是否达到采样频率的1/4(即同一个监测点采集的加速度样本点数量是否大于1/4的采样频率数量)，若当前采集的加速度数量小于1/4的采样频率值，则认为当前积分得到的速度受噪音和漂移影响较小(加速度中噪音数据在积分过程中随着积分时间的增加其影响逐渐增加，这种噪音在积分后的速度中表现为漂移。即随着时间的增加，速度中的漂移值对速度的影响较大。因此，为了确保积分结果的有效性和准确度，经验证，当采样点数量小于1/4的采样频率值时可认为漂移对积分速度的影响较小)，将积分后的速度认定为理想速度，不对其进行去噪。然后，直接对当前积分得到的速度值进行再次积分，获取对应的位移值，当前获得的位移值为最终的理想位移值。
若采集的加速度数量大于1/4的采样频率值时，则认为当前积分后的速度受到漂移影响较大，对积分后的速度值进行动态去噪音，减少漂移对积分速度的影响，整个去噪音过程表述如下：
Figure PCTCN2022090891-appb-000006
其中
Figure PCTCN2022090891-appb-000007
表示当前积分速度中包含的趋势值，i表示第i个时刻，j表示对应的第j个监测点；
Figure PCTCN2022090891-appb-000008
表示上一时间点对应的漂移趋势值，当i＝2的时候，此时
Figure PCTCN2022090891-appb-000009
的值仅为上一时间点，即初始点的 积分速度值；
Figure PCTCN2022090891-appb-000010
表示第i个时间点时，第j个监测点的积分速度；α为
Figure PCTCN2022090891-appb-000011
对应的权重值。若加速度传感器采样频率为f，则相邻两个时间点之间的采样间隔为1/f，对应的权重值计算表述为：
Figure PCTCN2022090891-appb-000012
由表达式(2)可知，当前监测点漂移的趋势值不仅仅取决于上一时间点对应的趋势值，而且还取决于当前时间点积分得到的速度值。由表达式(3)可知，α值趋近于1，即当前时间点对应的漂移趋势受上一时间点漂移趋势的影响较大，当前积分速度值仅赋予上一时间点漂移趋势以步长。则当前时间点对应的去噪后的速度表述为：
Figure PCTCN2022090891-appb-000013
其中
Figure PCTCN2022090891-appb-000014
表示去噪后的理想速度。
为了获取对应的位移，需对去噪后的理想速度(如式(4)所示)进行再次积分运算，积分过程如下：
Figure PCTCN2022090891-appb-000015
其中
Figure PCTCN2022090891-appb-000016
表示第i个监测时间点对应的位移，j表示监测点的标号。
考虑去噪后的理想速度中仍然包含部分噪音信息，该噪音信息在积分之后得到的位移中以漂移的形式表现。因此，为了确保最终获取位移信息的准确性，需要再次对位移信息进行去噪。传统的高通滤波主要针对已经获取的完整信息进行处理，其中截至频率取决于当前处理的完整信号特征，该方法可以取得理想的去噪效果，但是由于对数据具有严格地完整性的要求，因此该方法难以适用于在线数据的动态去噪。鉴于此，本发明提出了在线动态高通滤波方法，针对实时积分结果，采用动态滤波方法对数据进行在线滤波。其中采用的滤波器为Butterworth滤波器，其原理可表述为：
Figure PCTCN2022090891-appb-000017
其中w c表示对应滤波器的截至频率，m表示对应的滤波的阶数，w p表示通频带边缘频率。当对应的频率(采样周期T表示一秒内传感器采样点的数量，即每一个采样点对应着一定的周期数，故可获得当前点对应的频率，
Figure PCTCN2022090891-appb-000018
对应的频率与截至频率w c进行比较)大于截至频率(w＞w c)，则对应的
Figure PCTCN2022090891-appb-000019
值趋近于无穷大，|H(w)| 2值越接近1，表示信号全部通过。当对 应的信号频率低于截至频率(w≤w c)，则对应的
Figure PCTCN2022090891-appb-000020
值趋近于0，则|H(w)| 2趋近于0，此刻对应的信号将被截至，即为0。该过程可表示为：
Figure PCTCN2022090891-appb-000021
n滤波阶数越大，表示滤波后的值更加光滑，滤波器更接近理想滤波器。这里采用滤波的阶数设置为8(对应的最大滤波阶数)，截至频率设置为0.012×w(经验证截至频率设置为此值，滤波结果精确性最高)，采用高通滤波对积分后的位移数值进行去噪，即当频率大于设置的截至频率时可将积分得到的位移值看作最终的理想值，当对应位移点的频率小于截止频率时，将该部分对应的值进行平缓化。则去噪后的积分位移可表述为：
Figure PCTCN2022090891-appb-000022
其中
Figure PCTCN2022090891-appb-000023
表示式(5)中对应的直接积分得到的结果，
Figure PCTCN2022090891-appb-000024
表示采用高通滤波得到的噪音值，
Figure PCTCN2022090891-appb-000025
表示去噪之后对应的理想积分位移值。
步骤(2)、将步骤(1)设计的动态积分算法嵌入到边缘设备，从而实现边缘端的在线信号动态快速处理。
上述步骤阐述了提出的动态积分全部具体过程。为了进一步提高动态积分的时效性，这里将提出的动态积分算法嵌入到边缘设备，在近数据源进行积分的快速计算，避免因网络传输带宽对积分时效性的影响，减少冗余数据(采集的加速度数据)在云端的占比，提高数据存储的占有率。整个流程可表述如图2中a所示。其中图2中b为传统的基于云端的计算方法，对比可知提出的云端计算方法不通过复杂的数据传输协议等，因此可以避免因带宽、传输协议等导致的延时。
本实发明的有益效果为：
针对现有的方法难以实现在线动态积分运算，本发明提出在线动态积分方法，该方法相对于现有资料方法具有明显优势，可实现对实时监测数据的在线动态处理，而且积分结果具有更高的精度和更好的鲁棒性。
附图说明
图1是本发明的流程示意图；
图2是边缘端计算与传统云端计算方法比较示意图；
图3是高通滤波双重积分示意图；
图4是指数加权平均双重积分示意图；
图5是本发明方法的积分结果示意图。
具体实施方式
以下结合具体实施例对本发明做进一步说明。
构建对应的测试函数验证提出方法的有效性，构建的测试函数如下：
Figure PCTCN2022090891-appb-000026
如上式所示为构建的测试函数，其中s(t)，v(t)和a(t)分别表示位移、速度和加速度，n表示添加的噪音，为了使构造的测试函数更加逼近真实环境中测量的数值，本实例中分别采用信噪比(SNR)为5、10、15和20的值进行验证，目标位移值为s(t)，作为验证该方法有效性的目标值。具体实施步骤如下：
1)首先确定传感器采样频率，进而确定上一时间点对应的权重值α，如式(3)所示；这里设置采样频率为100Hz，即1s中采集100个加速度样本点，故设置时间t的变化步长为0.01，即1s可采集100个样本点，如此，对应的权重值
Figure PCTCN2022090891-appb-000027
2)对加速度数据进行积分，如式(1)所示；当t的变化范围为0-20的时候，则对应的采集的点有2000个，选取600-604的5个采样点作为案例分析。其中SNR值设为20，则对应的加速度数据为[-1.4575754983679766e-13,5.58146865524312,13.513797023872176,13.211154730847605,21.60266538485112]，依据式(1)表述，即a 600，a 601，a 602，a 603和a 604的对应值如上所示，对应的时间Δt＝0.01。则v 600，v 601，v 602，v 603和v 604对应的速度为[-3.9534573072086268,-3.9254971656484674,-3.8499622325798386,-3.723061399174048,-3.5444222722567176]。
3)判断当前采集加速度数量值是否大于1/4的采样频率数量，若采集数量小于1/4的采样频率数量，可认为当前积分速度中受漂移影响较小，直接到6)；否则进行下一步；
4)如式(2)所示，利用式(2)的公式计算积分后速度中包含的漂移值；
5)利用当速度积分结果减去当前式(2)计算得到的漂移，获得去漂之后的速度值，如式(4)所示；计算对应的趋势值Z 600，Z 601，Z 602，Z 603和Z 604分别为[-1.9014722432840203,-2.028966441121721,-2.1481829308984572,-2.2576934812704277,-2.3560161996893796]，通过去噪之后的速度为[-3.177929670806483,-3.031373900547152,-2.833138321092142,-2.576138367056468,-2.2770464786599627]。
6)对积分后的速度进行再次积分运算，得到对应的位移值，如式(5)所示。判断当前获取的加速度监测点的数量是否大于1/4的采样频率数量，若采集数量小于1/4的采样频率数 量，认为当前积分位移受漂移影响较小，可直接将当前积分位移视为最终位移值。否则，进入7)；对5)中得到的去噪后的速度数据进行进一步积分运算，得到对应的位移值s 600，s 601，s 602，s 603和s 604，具体值为[1.3095679261476776,1.2801369860087743,1.2523778296973533,1.2267627167978188,1.2036824421874557]。
7)对积分后的位移进行在线动态去噪，如式(6)和(7)所示；
8)利用当前积分位移减去位移中的噪音影响，得到最后的理想位移，如式(8)所示；则最后高通滤波后对应的位移值为[9.8321e-11,-0.0734,-0.1203,-0.1837,-0.1868]，其中对应的真实值为[8.3975e-16,-0.0358,-0.0708,-0.1047,-0.1368]。
9)最后将提出的算法嵌入到边缘设备端，在近数据源进行快速计算，如图2中a所示。
通过对构建的加速度添加高斯噪音模拟真实的加速度，控制噪音大小(SNR，信噪比)进而验证所提出方法的有效性。现将传统的方法与本发明方法进行分析对比，各方案的积分结果对比如下：
图3所示为采用双重积分和高通滤波的方法得到对应的结果，该过程可表述为：先对含噪的加速度数据进行动态积分，在线积分计算得到对应的速度值，分别动态计算积分后的速度值，对在线动态积分的速度值进行高通滤波，减少积分后速度中的漂移值，经过高通滤波的速度视为理想速度。然后对理想速度进行再次积分，得到对应的位移值。由于速度中的漂移并未完全消除，因此对积分后的位移再次进行高通滤波，进一步减少漂移对积分结果的影响。最后的积分结果如图3所示。积分位移局部放大图位于上半部分，全局缩小图位于下半部分。
图4所示为采用双重积分和指数加权平均的方法得到对应的结果，该过程可表述为：先对含噪音的加速度数据进行动态积分，在线积分计算得到的速度值，对速度值进行指数加权得到对应的去噪后的理想速度，对理想速度值进行进一步积分运算，得到对应的位移值。再次采用指数加权平均方法对积分位移值进行进一步去噪，得到去噪后的对应的理想位移结果，如图4所示的结果。
图5所示为本发明提出方法的积分结果示意图。对比分析可知，当信噪比(SNR)增加，即原始加速度中的噪音减少，则积分位移趋势变化越趋近于理想位移，如图所示。与图3和图4所示的结果对比，当SNR从5到20的变化过程中，提出方法积分位移的波动范围较小，即积分准确度受噪音影响较小，证明该方法具有较好的鲁棒性。且对比图3、图4和图5积分结果可知，当SNR等于不同的值，本发明提出的方法的积分值均更接近理想位移，因此，本发明方法具有精确的积分效果。

Claims (1)

  1. 一种边缘端的实时数据动态在线快速处理方法，其特征在于，具体如下：
    步骤(1)、设计动态积分算法
    假设获取的原始加速度数据为
    Figure PCTCN2022090891-appb-100001
    其中i表示第i个监测时间点，n表示监测点的数量；假设两个监测时间点之间的间隔为Δt，则对应的传感器采样频率为1/Δt，则对应的监测点的速度计算表述为：
    Figure PCTCN2022090891-appb-100002
    其中
    Figure PCTCN2022090891-appb-100003
    表示在第i-1个时间点时第j个监测点对应的加速度值，
    Figure PCTCN2022090891-appb-100004
    表示在第i个时间点时第j个监测点对应的加速度值，其中j∈[1,n],
    Figure PCTCN2022090891-appb-100005
    表示在第i个时间点时第j个监测点对应积分得到的速度值；
    积分之后判断当前同一监测点采集加速度的次数是否达到采样频率的1/4，即同一个监测点采集的加速度样本点数量是否大于1/4的采样频率数量，若当前采集的加速度数量小于1/4的采样频率值，则认为当前积分得到的速度受噪音和漂移影响较小，将积分后的速度认定为理想速度，不对其进行去噪；然后，直接对当前积分得到的速度值进行再次积分，获取对应的位移值，当前获得的位移值为最终的理想位移值；
    若采集的加速度数量大于1/4的采样频率值时，则认为当前积分后的速度受到漂移影响较大，对积分后的速度值进行动态去噪音，减少漂移对积分速度的影响，整个去噪音过程表述如下：
    Figure PCTCN2022090891-appb-100006
    其中
    Figure PCTCN2022090891-appb-100007
    表示当前积分速度中包含的趋势值，i表示第i个时刻，j表示对应的第j个监测点；
    Figure PCTCN2022090891-appb-100008
    表示上一时间点对应的漂移趋势值，当i＝2的时候，此时
    Figure PCTCN2022090891-appb-100009
    的值仅为上一时间点，即初始点的积分速度值；
    Figure PCTCN2022090891-appb-100010
    表示第i个时间点时，第j个监测点的积分速度；α为
    Figure PCTCN2022090891-appb-100011
    对应的权重值；若加速度传感器采样频率为f，则相邻两个时间点之间的采样间隔为1/f，对应的权重值计算表述为：
    Figure PCTCN2022090891-appb-100012
    由表达式(2)可知，当前监测点漂移的趋势值不仅仅取决于上一时间点对应的趋势值，而且还取决于当前时间点积分得到的速度值；由表达式(3)可知，α值趋近于1，即当前时间点对应的漂移趋势受上一时间点漂移趋势的影响较大，当前积分速度值仅赋予上一时间点漂移趋势以步长；则当前时间点对应的去噪后的速度表述为：
    Figure PCTCN2022090891-appb-100013
    其中
    Figure PCTCN2022090891-appb-100014
    表示去噪后的理想速度；
    为了获取对应的位移，需对去噪后的理想速度即公式(4)进行再次积分运算，积分过程如下：
    Figure PCTCN2022090891-appb-100015
    其中
    Figure PCTCN2022090891-appb-100016
    表示第i个监测时间点对应的位移，j表示监测点的标号；
    考虑去噪后的理想速度中仍然包含部分噪音信息，该噪音信息在积分之后得到的位移中以漂移的形式表现；因此，为了确保最终获取位移信息的准确性，需要再次对位移信息进行去噪；
    对位移信息进行去噪采用在线动态高通滤波方法，针对实时积分结果，采用动态滤波方法对数据进行在线滤波；其中采用的滤波器为Butterworth滤波器，其原理表述为：
    Figure PCTCN2022090891-appb-100017
    其中w c表示对应滤波器的截至频率，m表示对应的滤波的阶数，w p表示通频带边缘频率；当对应的频率w大于截至频率，w＞w c，则对应的
    Figure PCTCN2022090891-appb-100018
    值趋近于无穷大，|H(w)| 2值越接近1，表示信号全部通过；当对应的信号频率低于截至频率，w≤w c，则对应的
    Figure PCTCN2022090891-appb-100019
    值趋近于0，则|H(w)| 2趋近于0，此刻对应的信号将被截至，即为0；该过程表示为：
    Figure PCTCN2022090891-appb-100020
    n滤波阶数越大，表示滤波后的值更加光滑，滤波器更接近理想滤波器；采用滤波的阶数设置为8，截至频率设置为0.012×w，采用高通滤波对积分后的位移数值进行去噪，即当频率大于设置的截至频率时可将积分得到的位移值看作最终的理想值，当对应位移点的频率小于截止频率时，将该部分对应的值进行平缓化；则去噪后的积分位移表述为：
    Figure PCTCN2022090891-appb-100021
    其中
    Figure PCTCN2022090891-appb-100022
    表示式(5)中对应的直接积分得到的结果，
    Figure PCTCN2022090891-appb-100023
    表示采用高通滤波得到的噪音值，
    Figure PCTCN2022090891-appb-100024
    表示去噪之后对应的理想积分位移值；
    步骤(2)、将步骤(1)设计的动态积分算法嵌入到边缘设备，从而实现边缘端的在线信号动态快速处理。
PCT/CN2022/090891 2021-09-27 2022-05-05 一种边缘端的实时数据动态在线快速处理方法 Ceased WO2023045338A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/799,165 US12182224B2 (en) 2021-09-27 2022-05-05 Online fast processing method for real-time data based on edge computing

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111135158.6A CN113901379B (zh) 2021-09-27 2021-09-27 一种边缘端的实时数据动态在线快速处理方法
CN202111135158.6 2021-09-27

Publications (1)

Publication Number Publication Date
WO2023045338A1 true WO2023045338A1 (zh) 2023-03-30

Family

ID=79029592

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/090891 Ceased WO2023045338A1 (zh) 2021-09-27 2022-05-05 一种边缘端的实时数据动态在线快速处理方法

Country Status (3)

Country Link
US (1) US12182224B2 (zh)
CN (1) CN113901379B (zh)
WO (1) WO2023045338A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113901379B (zh) * 2021-09-27 2024-04-12 大连理工大学 一种边缘端的实时数据动态在线快速处理方法
CN117421937B (zh) * 2023-12-18 2024-03-29 山东利恩斯智能科技有限公司 基于s-g算法抑制传感器随机振动信号零漂趋势的方法
CN117493021B (zh) * 2023-12-21 2024-04-30 中电科新型智慧城市研究院有限公司 一种位移监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006194822A (ja) * 2005-01-17 2006-07-27 Oyo Corp 加速度センサを用いる地盤等の変位モニタリング方法
EP2063275A2 (en) * 2007-11-20 2009-05-27 The Modal Shop, Inc. Dynamic motion sensor calibration system and method for calibrating a dynamic motion sensor
CN101806593A (zh) * 2010-03-12 2010-08-18 长安大学 一种基于加速度计的路形测量方法
CN110597144A (zh) * 2019-09-30 2019-12-20 鞍钢集团自动化有限公司 一种电机传感器数据采集单元及数据采集方法
CN113009566A (zh) * 2021-03-19 2021-06-22 中国地震局地球物理研究所 现地地震动预测模型及其构建方法
CN113901379A (zh) * 2021-09-27 2022-01-07 大连理工大学 一种边缘端的实时数据动态在线快速处理方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8913652B2 (en) * 2008-03-10 2014-12-16 Newlans, Inc. Method, system and apparatus for wideband signal processing
US9448318B2 (en) * 2012-02-29 2016-09-20 Pgs Geophysical As Determination of particle displacement or velocity from particle acceleration measurements
CN103674025B (zh) * 2013-12-26 2016-08-17 深圳超多维光电子有限公司 一种智能终端位移计算方法和装置
CN104408916B (zh) * 2014-10-31 2017-07-11 重庆大学 基于路段速度、流量数据的道路交通运行状态评估方法
CN109643116A (zh) * 2016-08-22 2019-04-16 深圳市大疆创新科技有限公司 用于定位移动物体的系统和方法
CN110657935B (zh) * 2019-09-24 2021-02-12 浙江大学 一种地震波加速度积分处理方法及系统
US11978555B2 (en) * 2020-04-08 2024-05-07 CareBand Inc. Wearable electronic device and system using low-power cellular telecommunication protocols
CN112596533B (zh) * 2020-11-30 2023-03-17 中航机载系统共性技术有限公司 一种mems陀螺仪数据驱动高精度自抗扰控制方法
US20220221486A1 (en) * 2021-01-12 2022-07-14 Stillaton, Inc. Stillness Measurement Apparatus, System, and Method
CN113049202B (zh) * 2021-03-08 2022-07-12 中国地震局工程力学研究所 一种加速度积分位移的局部加权回归校正方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006194822A (ja) * 2005-01-17 2006-07-27 Oyo Corp 加速度センサを用いる地盤等の変位モニタリング方法
EP2063275A2 (en) * 2007-11-20 2009-05-27 The Modal Shop, Inc. Dynamic motion sensor calibration system and method for calibrating a dynamic motion sensor
CN101806593A (zh) * 2010-03-12 2010-08-18 长安大学 一种基于加速度计的路形测量方法
CN110597144A (zh) * 2019-09-30 2019-12-20 鞍钢集团自动化有限公司 一种电机传感器数据采集单元及数据采集方法
CN113009566A (zh) * 2021-03-19 2021-06-22 中国地震局地球物理研究所 现地地震动预测模型及其构建方法
CN113901379A (zh) * 2021-09-27 2022-01-07 大连理工大学 一种边缘端的实时数据动态在线快速处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIE, SONG: "R＆D of Base Station Edge Type Intelligent Monitoring and Antenna Monitoring Terminal Height Measurement Technology", INFORMATION SCIENCE & TECHNOLOGY, CHINA MASTER’S THESES FULL-TEXT DATABASE, no. 1, 15 January 2020 (2020-01-15) *

Also Published As

Publication number Publication date
US12182224B2 (en) 2024-12-31
US20230229725A1 (en) 2023-07-20
CN113901379B (zh) 2024-04-12
CN113901379A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
WO2023045338A1 (zh) 一种边缘端的实时数据动态在线快速处理方法
CN105834835A (zh) 一种基于多尺度主元分析的刀具磨损在线监测方法
CN107782551B (zh) 一种机械部件损伤程度的评估方法
CN119557766B (zh) 一种基于ds证据理论的多源数据融合故障诊断方法与系统
CN108680245A (zh) 鲸豚类Click类叫声与传统声呐信号分类方法及装置
CN112149524A (zh) 一种雷达信号分选识别方法、装置、探测器及存储介质
CN120314529B (zh) 一种用于海洋环境观测数据的误差校正系统及方法
CN105824420A (zh) 一种基于加速度传感器的手势识别方法
Pan et al. Cognitive acoustic analytics service for Internet of Things
CN119935035B (zh) 一种基于tm传感器的多层材料厚度检测系统、方法、电子设备及存储介质
CN118396980A (zh) 基于机器视觉的新能源汽车减震杆检测系统及方法
CN118333092A (zh) 一种多参数协同的超高层建筑形变神经网络智能预警方法
CN105975995A (zh) 基于模糊偏好关系的多振动信号融合方法
CN113836476B (zh) 一种基于智能手机的路面平整度测量方法
CN117009846A (zh) 自动创建应用enas的ai诊断模型的方法
CN119984475A (zh) 光纤长距离自检方法及系统
CN113570478A (zh) 基于边缘计算的桥梁健康状态智能评估方法
CN108197646A (zh) 一种用于分布式光纤传感系统的目标分类识别方法
CN119198150A (zh) 一种设备异常检测方法及相关装置、系统
CN114624791B (zh) 雨量测量方法、装置、计算机设备及存储介质
CN103324123B (zh) 基于嵌入式系统的车载数据预处理方法
KR20240061140A (ko) 데이터 증강 기반 다이캐스팅 공정의 결함 검출 장치 및 그 방법
CN111735528B (zh) 一种基于knn投票精准定位扰动点的方法
CN116049746B (zh) 用于工业处理中多采样率的轻型多尺度特征软测量方法
CN120044043B (zh) 一种蓝牙耳机主板表面质量检测方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22871400

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22871400

Country of ref document: EP

Kind code of ref document: A1