[发明专利]基于GNSS与测量机器人融合的水闸实时监测预警方法

说明书

本发明提出基于GNSS与测量机器人融合的水闸实时监测预警方法，所述方法先将全球导航卫星系统GNSS对水闸的原始监测数据进行去噪处理，再用去噪后的数据训练BPNN神经网络模型，使神经网络模型能将GNSS监测数据与测量机器人对水闸的监测数据进行融合，当测量机器人无法工作时，神经网络模型基于GNSS对水闸测量的实时低精度数据，模拟得出使用测量机器人对水闸测量的实时高精度数据；本发明能通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。

技术领域

本发明涉及水闸变形监测技术领域，尤其是基于GNSS与测量机器人融合的水闸实时监测预警方法。

背景技术

目前水闸变形监测技术以人工操纵和观测仪器进行监测为主，人工测量精度较高但是频率较低，且受到人员操作技术水平和测量环境影响较大。

相较于传统常规的人工测量方法，全球导航卫星系统(global navigationsatellite system,GNSS)具有高频次、全天候、连续性和实时性的优点，且GNSS设备具有良好的自动化和集成性能，工作性能良好，在变形监测的应用上已取得许多试验研究成果。但是使用GNSS定位方法存在卫星信号被遮挡及多路径效应影响的问题，监测数据存在大量噪声，精度明显不足，缺乏可靠度。

测量机器人技术在全站仪的基础上发展而来，能够进行自动驱动搜索和自主跟踪，并且能够精确照准目标获取目标方向、距离及坐标等空间信息，具有精度高、可自动化、可融合环境变量自纠差等特点。但使用测量机器人技术对测量环境能见度要求较高，且要求所有测点不受遮挡。由于水闸的运行特点，在极端气候条件下的实时安全监测对保障大坝安全运行尤为重要，而测量机器人在这种气候下精度会受到影响，甚至无法监测。

要想提高GNSS监测数据的精度，可以使用小波分析对其中存在的噪声进行处理。小波分析是目前对数据进行降尺度处理较为常用的一种方法，但是仅使用小波分析处理GNSS数据无法完全去除数据中的噪声，精度提高有限，仍不符合要求。另一方面，为了获得实时高精度的测量数据，可以使用机器学习的方法学习GNSS测量数据与测量机器人测量数据的内在联系。但是，GNSS的测量数据存在大量噪声，使得机器学习模型无法正确习得GNSS测量数据与测量机器人测量数据的关系，预测结果波动大，与测量机器人的测量数据偏差严重。

为了实现对水闸变形情况的实时监控，掌控水闸的实时位移和安全状态，并且对可能存在的安全风险做排查和预警，需要对水闸表面变形进行自动化监测。本发明先将GNSS原始监测数据进行去噪处理，再用去噪后的数据训练BPNN模型，将GNSS监测数据与测量机器人监测数据进行融合，实现优势互补，通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。

发明内容

本发明提出基于GNSS与测量机器人融合的水闸实时监测预警方法，能通过GNSS测量的实时低精度数据模拟获得测量机器人的实时高精度数据，即使在台风、暴雨等测量机器人难以准确测量的极端气候，也能实现全天候、高频率的高精度测量。

本发明采用以下技术方案。

基于GNSS与测量机器人融合的水闸实时监测预警方法，所述方法先将全球导航卫星系统GNSS对水闸的原始监测数据进行去噪处理，再用去噪后的数据训练BPNN神经网络模型，使神经网络模型能将GNSS监测数据与测量机器人对水闸的监测数据进行融合，当测量机器人无法工作时，神经网络模型基于GNSS对水闸测量的实时低精度数据，模拟得出使用测量机器人对水闸测量的实时高精度数据。

所述方法中，包括以下步骤；