GNSS RTK技术下超高层结构的动态变形监测

以天津电视塔为监测对象,设计了基于GNSS RTK技术的超高层结构动态变形监测系统,并进行了强风下的现场试验。试验中同时采用双星座组合导航系统和三星座组合导航系统进行监测,并对监测数据进行了对比。采用Kalman滤波方法,使用Matlab软件编制的程序对监测数据进行处理分析,得到测点的振动轨迹及结构的主振方向和振动曲线。结果表明,GNSS RTK技术结合Kalman滤波用于超高层动态变形监测及其数据处理分析是可行的;由于北斗导航系统的应用,三星座组合导航系统可见卫星数目大大增加,坐标中误差及PDOP值也相应减小,动态变形监测的精度和稳定性也得到了大大提高。     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

基于Kalmam滤波和Kalman-RTS平滑的高铁轨道平顺性数据融合算法

针对传统轨道平顺性测量方法存在的依赖于CPⅢ控制网、维护成本高、测量技术效率低等问题，文中基于高铁轨道平顺性测量系统，采用Kalman滤波和Kalman-RTS平滑算法对包括GNSS接收机、里程计、IMU在内的多种传感器的数据进行融合处理。实验表明，多传感器数据先通过Kalman滤波处理后，轨道测量绝对坐标横向偏差均值从纯GNSS的4.7 mm降低至2.2 mm,精度提升幅度达53.2%;再进行Kalman-RTS平滑处理后，绝对坐标横向偏差均值再度降低到1.6 mm,总的精度提升幅度达66.3%,相对坐标横向偏差均值精度提升幅度达10.1%,可以有效提升轨道测量作业效率。     

灰色GM(1,1)与Kalman滤波模型用于变形预测的比较分析

通过运用灰色GM(1,1)和Kalman滤波模型分别对某高层建筑物的沉降变形趋势进行分析,得出灰色GM(1,1)适用于短期且变形趋势呈线性变化的变形分析与预测,而Kalman滤波模型不仅适用于短期预测,对于长周期预测也有较高的精度。因此,在观测周期较短时,灰色GM(1,1)和Kalman滤波模型对线性变化的高层建筑物都有较高的预测精度,但是对于较长周期的观测,Kalman滤波模型预测的精度和可靠性要高于灰色GM(1,1)模型。     

动力学模型自适应滤波算法研究

在全球导航卫星系统（global navigation satellite system,GNSS）动态测量中,常采用Kalman滤波进行导航解算。但是,载体运动的不规则性经常会导致动力学模型偏差增大,从而出现定位精度下降的问题。针对此,在实时估计协同转弯模型（coordinated turn,CT）转弯率的基础上提出了两种减弱动力学模型偏差影响的自适应滤波算法。一种是实时估计转弯率的CT模型与改进的椭球约束方程相结合的滤波算法;另一种是通过对载体运动规律的分析,推导了实时估计转弯率的三维转弯模型,提出了一种三维转弯模型与新息向量构造的自适应因子相结合的自适应滤波算法。实验结果表明,这两种算法在不同的机动情况下都能较好地控制动力学模型误差的影响,其精度明显优于标准Kalman滤波和CT模型与常速度模型相结合的滤波算法。尤其是第二种算法,不仅通过自适应估计提高了动力学模型的精确性,还通过自适应因子进一步控制了动力学模型扰动的影响,显著提高了动态导航解的精度和可靠性。     

融合GNSS和加速度计监测数据的超高建筑动态特性分析

GNSS和加速度计是目前动态监测超高建筑环境载荷变形的主要手段。GNSS具有无需通视、可直接获取三维位移等优点,但受精度和采样率的限制,其对微变形及高频振动信息不敏感;而加速度计具有高精度和高采样率等优点,但无法监测超高建筑低频的似静态变形。为充分发挥这两种传感器的各自优势,提出利用多速率Kalman滤波和RTS平滑方法对超高建筑GNSS和加速度计监测数据进行融合处理。试验结果表明,与单一的GNSS监测技术相比,该方法有利于削弱GNSS高频噪声的影响,提高位移数据的采样率,可有效识别超高建筑的低频和高频振动频率,提高对微变形振动的监测能力;与单一的加速度计监测技术相比,该方法可以准确监测超高建筑的低频变形信息,具有良好的工程应用价值。     

Kalman滤波在高铁桥梁变形预测分析中的应用

针对高速铁路桥梁架梁后许多沉降变形点沉降量级较小,变形曲线呈现＂小量级,大波动＂特点,观测数据中可能存在大量的随机噪声,对沉降变形分析产生干扰,影响预测结果的可信度,本文将Kalman滤波引入到高速铁路桥梁变形分析数据预处理中,建立基于Kalman滤波的动态模糊神经网络模型。通过应用实例分析表明,基于Kalman滤波的动态模糊神经网络模型的预测精度有所改善,具有一定的优势。     

抗差自适应无迹Kalman滤波在GPS/INS组合导航中的应用

全球定位系统(Global Navigation Satellite System,GNSS)与惯性导航系统(Inertial Navigation System,INS)进行组合导航是实现自动驾驶的一种重要组合方式.针对动力学模型本身的非线性特点以及实际环境下存在观测粗差和系统状态异常的情况,提出将无迹Kalman(Unscented Kalman Filter,UKF)滤波方法与抗差自适应方法相结合,根据GNSS/INS组合模型的特点,通过边际无迹转换(Marginalised Unscented Transformation,MUT)的思想降低提出导航方法的计算量.实验结果表明,提出方法能够提高观测时段非同时存在观测异常与动态异常下导航定位的精度,验证了方法的有效性与可行性.     

灰色预测与Kalman滤波在建筑物沉降变形分析中的应用

沉降变形分析与预测对于建筑物的安全运营具有重要作用,建立科学、合理的预测模型对于变形分析极其重要。本文运用GM(1,1)模型与Kalman滤波模型对建筑物沉降变形进行预测。通过实例对比分析表明,GM(1,1)模型较适合短期且变形趋势呈线性或指数分布趋势的变形分析与预测;Kalman滤波模型对短期和较长周期呈波形或线性变形均具有较高预测精度。     

含有粗差观测值的自适应滤波

线性系统的标准Kalman滤波在模型不含有粗差的前提下是最优的,而在测量过程中,测量数据不可避免地存在着粗差,Kalman滤波很容易受到粗差的影响,致使滤波发散和偏倚.抗差Kalman滤波可以减少粗差的影响,对滤波值适时地加以补偿和修正可以使Kalman滤波值不发生大偏倚,但此时的滤波值一般不具有最优性.利用预测残差对粗差进行探测和估计,并对模型加以修正,然后通过Kalman滤波给出此时状态的滤波值.实例表明:通过模型修正来进行适时Kalman滤波的方法是可行的和有效的.