EMD在建筑物GNSS振动信号分析中的应用

从建筑物的全球卫星定位系统(GNSS,Global Navigation Satellite System)监测信号中提取变形信息能够为建筑物沉降分析、安全警报提供可靠的技术支撑,是建筑物安全监测的关键。本文利用经验模态分解(EMD,Empirical Mode Decomposition)方法对GNSS监测数据进行了逐级分解,获得了显著的周期性信号、趋势性信号和高频信号,并分析了其对应的各尺度变形的物理机制。其中周期性信号和趋势性信号分别可能是由太阳照射周期和天气变化引起,而高频信号应是风振导致。实验结果表明,EMD方法能够准确识别GNSS监测数据中的多尺度的变形信息,为进一步的安全监测和预报提供可靠的基础。     

膨胀土边坡GNSS实时监测技术EI北大核心CSCD

膨胀土滑坡因其广泛性、破碎性、反复性、隐蔽性等特征，对工程危害严重。对其开展长期实时变形监测是实现膨胀土灾害防控的前提。在第一代膨胀土边坡GNSS监测技术试验的基础上，进行了两项改进：(1)设计了分层式GNSS/全站仪一体化监测装置，实现了膨胀土土质边坡分层式实时监测。(2)提出了综合多源参数的膨胀土边坡GNSS实时监测技术，提升了实时变形监测结果的可靠性和精度。相关技术和设备在广西宁明膨胀土公路边坡中进行了示范应用，分析了GNSS形变与多源监测数据的动态响应特征及诱滑原因，成功监测到一起膨胀土滑坡，研究成果具有可复制性和推广性。     

EMD和SSA组合方法在GNSS多路径误差处理中的应用

提出EMD和SSA组合方法对GNSS观测数据进行多路径误差滤波。通过对实际GNSS变形监测数据处理,结果表明,该方法能够有效剔除多路径误差,获取建筑物真实结构震动信息。与高精度测量机器人观测数据对比结果显示,经过EMD+SSA方法处理后,观测精度获得明显提高,能够满足变形监测的精度要求。     

大跨径桥梁变形监测数据的组合降噪方法研究

为了准确提取桥梁GNSS监测数据中的有效变形特征,本文充分发挥自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)与小波变换(Wavelet Transform, WT)在信号降噪中的优势,将二者结合进行桥梁GNSS监测数据降噪。首先通过CEEMDAN方法将原始监测数据分解为若干个本征模态函数(Intrinsic Mode Function, IMF),并通过相关系数识别出有效IMF分量,包含噪声的IMF分量以及无效IMF分量;其次使用WT软阈值降噪方法对包含噪声的IMF分量进一步降噪;最后重构降噪后IMF分量与有效IMF分量。通过仿真实验数据与苏通大桥实测GNSS数据对本文方法的有效性与优越性进行检验,结果表明,本文方法具有良好的降噪效果,能够有效提取桥梁的真实变形信息。     

SSA-小波神经网络支持下的地铁沉降变形预测

沉降变形监测中,研究如何对监测的沉降数据进行处理,预测沉降量,对可能出现的安全隐患做出预判有着很重要的实际意义。本文基于神经网络模型、小波分析和奇异谱分析（singular spectrum analysis,SSA）的相关理论,构建起SSA-小波神经网络变形预测模型,并将模型应用于地铁工程沉降预测中。针对地铁监测数据非平稳性、非线性特征,首先,使用SSA方法提取数据序列中的趋势项与周期项,提高序列信噪比;其次,使用小波神经网络模型对趋势项与周期项分别进行预测与重构,得到最终的预测值。通过对地铁累计沉降量观测数据进行预测,结果表明相比单独的小波神经网络模型,SSA-小波神经网络模型的预测效果更佳稳定,且随着训练样本的增加,预测结果与实际情况更加符合。     

GNSS在变形监测中的应用研究

随着GNSS技术的快速发展以及变形监测的需求日益增加,GNSS在变形监测中的应用越来越广泛,更新了变形监测手段,弥补了单一系统的不足,提高了监测效率与精度,为变形体的稳定性监测与安全运营提供了保障。本文探讨了GNSS的变形监测方案及数据处理方式,并结合盐水沟隧道工程的实例详细说明了GNSS在变形监测中的应用,最终通过实例验证GNSS能满足变形监测的精度等要求。     

奇异谱分析在地铁沉降预测中的应用

地铁沉降受诸多因素干扰,其监测数据往往表现出非平稳、非线性特征。因此,首先利用奇异谱分析(SSA)方法提取监测数据的趋势项和周期成分,以削弱噪声、提高数据信噪比;然后利用BP神经网络分别对趋势序列与周期序列进行预测并重构,进而得到预测值。实验结果表明,相较于BP神经网络模型,SSA_BP神经网络模型的整体预测精度更高、最大预测长度更优。     

基于SSA的组合预测模型在建筑物基坑沉降监测中的应用

为了提高单一的BP(Back Propagation)神经网络模型在建筑物基坑沉降数据预测中的精度,本文将奇异谱分析(SSA,Singular Spectrum Analysis)与卡尔曼滤波(KF, Kalman Filter)引入预测模型中,构建基于SSA的KF-BP神经网络预测模型。该组合预测模型首先利用SSA将原始时间序列中的趋势项与周期项提取出来;其次通过KF-BP神经网络模型分别对趋势项与周期项进行预测;最后重构趋势项预测结果与周期项预测结果,得到最终预测结果。将本文提出的基于SSA的组合预测模型应用于建筑物基坑沉降监测数据预测中,结果表明,本文提出的预测模型较BP神经网络模型、KF-BP神经网络模型的整体预测精度更高,预测结果更加稳定。     

小波分析桥梁变形监测数据处理

本文针对桥梁变形监测数据噪声的特点,选取了合适的小波基函数,利用小波分析理论对变形监测数据进行粗差探测和去噪处理;研究了桥梁变形监测数据在小波分解高频系数下的细节特征和突变点,变形监测数据噪声的特点以及对桥梁变形监测数据的影响。通过分析发现,噪声较大的点通常出现在下沉周期中的个别拐点上,为桥梁的安全信息化施工提供指导。     

基于GNSS和RTS技术的桥梁结构健康监测

<正>动态变形监测是桥梁结构健康监测的重要内容之一,全球导航卫星系统(GNSS)和自动型全站仪(RTS)是目前获取结构动态变形信息的两种主要技术手段。本文以英国诺丁汉Wilford悬索桥和长沙三汊矶湘江大桥为试验研究对象,对GNSS和RTS传感器动态监测噪声特性、多传感器集成、网络实时动态差分、数据滤波、有限元建模等关键技术进行了研究。论文的主要工作及创新点     

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。     

SSA+FBPF方法及其在北斗卫星钟差周期项提取中的应用

针对奇异谱分析(singular spectrum analysis,SSA)方法在重建准周期项时容易存在频率混叠的现象,傅里叶带通滤波器(fourier band pass filtering,FBPF)提取准周期项时,边界值极易受到残留的趋势项的影响而导致其不够精确,本文提出了一种SSA与FBPF相结合的方法(SSA+FBPF),即先利用SSA方法对信号进行分层选组重建,再对重建信号进行傅里叶带通滤波。仿真试验结果表明在信噪比(SNR)为0.017的情况下,SSA+FBPF方法重建周期信号精度比SSA方法提高了35%,比FBPF方法提高了26%,这说明该方法不仅抑制趋势项对边界值的影响,而且具有良好抗噪声干扰的能力。将SSA+FBPF方法用于重建北斗卫星PC06和PC07的24h周期项,发现北斗卫星钟PC06和PC07周期项幅值均存在明显变化。     

奇异谱分析的变形监测序列粗差探测方法

针对时间序列数据中存在的粗差问题,该文首先介绍了奇异谱分析法(SSA)和未确知滤波法(UF)的工作原理,考虑到SSA方法在识别趋势项和周期性信号方面及UF算法在区分粗差和异常值上的优势,在SSA准确提取信号的基础上结合UF算法提出了一种新的SSA-UF粗差探测法:首先利用SSA提取观测值序列的信号并获取残余分量;然后通过UF算法对残余分量进行分析确定粗差点的位置;最后确定粗差点并剔除。通过单因素和多因素主导变形的观测值序列两个实例的验证分析,结果表明,该文中提出的SSA-UF粗差探测法与SSA数据统计方法相比在监测数据处理中的粗差探测效果明显,可靠性更高,为后续监测数据分析处理奠定了较好的基础。     

GNSS 监测数据预处理在变形预测中的应用

GNSS监测技术被广泛应用于变形监测工作中,但GNSS监测数据中会有缺失值、噪声等误差的存在,对预测结果造成影响。引入改进的小波神经网络模型进行变形预测,并考虑该模型的自适应性和容错性,分别采用三次样条插值法、小波滤波法和拉依达准则对原始监测数据进行缺失值填补、去噪和粗差剔除等预处理。并利用实际监测数据进行短期预报分析,对比原始监测数据和预处理后的监测数据的预测结果,结果表明预处理后的监测数据的预测效果更好。     

桥梁索塔GPS监测信号的小波分析

针对EMD分解后直接舍去高频含噪信号可能会导致有用信息的丢失,以及小波阈值去噪中采用全局阈值去噪效果不完善等问题,该文提出了一种基于SSA的改进EMD-Wavelet耦合模型运用于桥梁索塔GPS监测信号去噪。即先对原始监测信号进行奇异谱分析,提取信号的趋势项和周期项,分析不同阶段的信号特性从而对其进行合理分段。在对经过EMD分解后的高频信号进行小波去噪时,根据信号的分段结果和给定的阈值计算函数进行分段分层取阈值。结果表明,该方法能很好地对原始坐标序列进行降噪,并且各项评价指标均优于SSA重构去噪法、EMD分解去噪法和EMD-Wavelet全局阈值去噪法,去噪效果更佳,这为索塔监测数据信号提取提供了有意义的参考。     

北斗与其他星座在GNSS变形监控系统中的数据对比分析

以某露天煤矿排土场边坡GNSS变形监测项目为例,在设计变形监测系统的基础上,利用华测HCMonitor变形监测系统专用软件,对监测数据采用不同卫星监测系统数据进行了组合定位,分析和对比了解算数据,探讨了北斗卫星导航系统（BDS）的应用效果并提出了合理的建议。     

结合地基微波雷达与GPS的大型桥梁挠度检测分析

对正常运营的桥梁进行相关受力动态变形监测,是对桥梁健康状况以及桥梁结构变形进行综合评估的重要内容。以正常运营的某连续梁桥动态变形监测为背景,结合地基微波雷达和GPS对其进行了动态挠度变形监测,对地基微波雷达和GPS获取的具有工程价值的数据利用EMD算法进行去噪处理,进一步得到更有分析价值不含噪声的变形数据,并阐述了EMD算法的基本原理,选取热、估信噪比分析地基微波雷达数据质量精度,把加速度重构成挠度变形位移图,与GPS监测变形挠度对比分析,发现监测时间段内桥梁动态挠度变化在毫米级,桥梁中间的变形量大于桥梁两侧。为进一步分析正常运营下的桥梁结构变形以及寿命评估提供有效的数据支撑。     

回归分析在大桥沉降监测预测中的应用

在对多期桥梁沉降变形监测数据预处理、观测数据粗差剔除方法分析研究的基础上,提出了基于代表性沉降数据、采用回归分析法对大桥沉降形变进行预测的方法,并在东明黄河公路大桥沉降变形监测项目中得到了成功应用,结果验证了该方法的有效性,研究结论可为桥梁变形监测数据处理及预测预报提供借鉴。     

GNSS一机多天线远程监测系统的研发

针对远程化自动化变形监测的特点,研究开发了卫星一机多天线(GNSS multi-antenna)远程监测系统。研究和讨论了系统的设计和开发技术,以及监测数据最小二乘拟合处理与分析方法。在京承高速高边坡监测中的应用表明,本系统用于高边坡远程监测可行,监测数据处理方法可靠,可作为高速公路、铁路、大坝等远程监测的重要技术方法。     

基于Savitzky-Golay平滑-小波降噪处理的桥梁结构监测数据分析方法

桥梁结构健康监测源信号数据存在毛刺、噪声及异常值等复杂情况,对信号数据分析、桥梁结构状态评估结果产生巨大偏差。本文提出了解决桥梁结构监测数据处理中复杂问题的系统性方法。首先,通过对比研究Savitzky-Golay(SG)滤波与信号平滑方法,并评价各方法的适用性;然后,基于复合评价指标量化选出最优小波基函数及最佳小波分解尺度;最后,采用卡尔曼滤波对同一监测项目的4个应变计数据进行融合,并用Monte Carlo仿真进行验证。研究表明,本文提出的SG平滑-小波降噪方法,可为桥梁健康监测数据处理提供较为全面、系统的参考。