[0001] 本发明涉及铁路以及传感器数据采集和降噪技术领域，特别涉及一种无线倾角传感器自适应采集实时降噪方法和系统。

[0002] 随着高速铁路的迅速发展，为满足大空间和独特建筑功能需求，高铁客站站房、候车厅、站台雨棚多采用大体量、大跨度、结构体系复杂的网架、桁架、张弦等钢结构形式，一方面，主体结构构件均按长年限设计且长期不可更换，另一方面，大多数地区尤其沿海地区还会受到复杂环境影响，钢结构容易发生损伤,产生各种变形等问题，其安全性问题尤为突出。鉴于以上两个原因，对结构主体实施基于传感器的在线健康监测是非常必要的。

[0003] 然而，现有技术中对结构主体实施基于传感器的在线健康监测技术方案存在三方面的技术缺陷，已然不能很好满足高铁快速发展对建设与运维安全全方位高效管理迫切需求，具体体现在：

[0004] 1、当前铁路站台风雨棚结构健康监测应用推广不甚理想，从系统设备角度来看，长期受制于监测设备安装复杂，有线传输大量布设线缆，检修维护成本较高；

[0005] 2、列车通行振动环境噪声大，设备数据信噪比不高，稳定性不好，实际动态监测数据信噪比低，误报率较高，不能动态准确反映真实结构状态；

[0006] 3、系统的自适应性智能化水平不足。

[0053] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0054] 在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0055] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0056] 实施例一

[0057] 如图1所示，本实施例提供一种无线倾角传感器自适应采集实时降噪方法，包括：

[0058] S1，基于对所述无线倾角传感器采集的倾角监测数据的分析判断所述无线倾角传感器自身的工作状态，其中所述工作状态包括所述无线倾角传感器处于列车经过造成的临时性扰动状态、所述无线倾角传感器自身损坏及其他偶然因素导致的数据不稳定或所述无线倾角传感器处于正常非振动工作状态；

[0059] 如图2所示，作为优选的实施方式，所述S1包括：

[0060] S11，获取无线倾角传感器以及声学信号采集传感器的监测数据，其中，所述无线倾角传感器用于实时获取并采集相应位置的倾角监测数据，所述声学信号采集传感器用于监测无线倾角传感器所在环境中的声学信号；

[0061] S12，基于均值比较的传感器振动工作状态数据分析判别方法分析所述倾角监测数据的高频振动干扰特征获得针对所述无线倾角传感器自身的工作状态的第一分析结果；所述第一分析结果包括第一判定结果和第一处理行为；

[0062] 作为优选的实施方式，所述S12的实施流程包括：

[0063] (1)根据所述无线倾角传感器的单次采集数据样本计算单次采集样本数据平均值作为参考平均值基准；

[0064] 实施例中，假设无线倾角传感器的测量标称精度为σ，为已知参数；无线倾角传感器的采集频率为f；单次采集数据样本为A0，单次采集数据样本A0平均值为μ0，则单次采集样本数据平均值的计算公式如下：

[0065]

[0066] 其中，μ0为单次采集数据样本A0平均值，xi为单次采集的数据变量，n为单次采集样本数据个数。

[0067] (2)基于所述参考平均值基准与单次采集的数据变量的比较确定第一分析结果；所述第一判定结果包括所述倾角传感器处于非振动正常工作状态或者所述倾角传感器可能处于振动异常工作状态；所述第一处理行为包括针对所述倾角传感器处于非振动正常工作状态直接进入S2或者针对所述倾角传感器可能处于振动异常工作状态的时刻唤醒所述声学信号采集传感器以实时采集所述所在环境中的声学信号；

[0068] 本实施例中，具体实现为：根据设备传感器的所述单次采集数据样本A0的所述单次采集样本数据平均值μ0与单次采集的数据变量xi(i＝1,2,…,n)的对比分析：

[0069] (1)若A0为“null”或者空值，则重新采集样本数据；

[0070] (2)若A0为非“null”或者非空值，则对于

[0071] ①若|μ0‑xi|≤2σ，则认为倾角传感器处于非振动正常工作状态，即直接进入下一步(采集样本数据降噪处理流程)；

[0072] ②若|μ0‑xi|＞2σ，则认为倾角传感器可能处于振动异常工作状态，此时唤醒声学信号采集传感器，实时采集声学数据，包括分贝和音调。

[0073] S13，基于声学信号优化的传感器振动工作状态数据分析判别方法处理和分析所述声学传感器中的所在环境中的声学信号的声音数据特征获得针对所述无线倾角传感器自身的工作状态的第二分析结果，其中所述声音数据特征包括分贝和音调；

[0074] 作为优选的实施方式，所述S13的实施流程包括：

[0075] (1)对所在环境中的声学信号进行数据处理，所述数据处理包括滤波和特征提取；

[0076] 滤波：应用数字滤波器来减少背景噪音和其他干扰信号的影响，突出列车声音的特征；

[0077] 特征提取：从经过滤波后的所在环境中的声学信号中提取关键特征作为所述声音数据特征，关键特征包括分贝峰值、持续时间和频率成分等，用于分析和判断。

[0078] (2)基于所述声音数据特征对所述无线倾角传感器自身的工作状态进行分析与判断获得第二分析结果；所述第二分析结果包括根据分贝阈值比较、音调模式匹配分析以及持续时间匹配分析确定是否有无列车经过；

[0079] 分贝阈值比较：根据高速铁路监测场景的背景噪音基准值特征，考虑灵敏度影响，设定分贝阈值，当分贝峰值超过阈值时，触发音调模式匹配分析和持续时间匹配分析；若分贝峰值未超过阈值，则判断为无列车经过；

[0080] 音调模式匹配分析：设定音调模式匹配度阈值，提取声学样本频率成分中的峰值频率、频率带宽、频率变化率等频率特征，分析其与列车经过时特有的音调模式进行相匹配度，当匹配度超过阈值时，则判断列车经过的概率大；否则，判断为列车之外的其他噪声或无列车经过；

[0081] 持续时间匹配分析：设定持续时间匹配度阈值，在分贝阈值、音调模式匹配阈值均超过时，获取分贝升高和音调模式匹配状态的持续时间，分析其与列车经过时间的符合程度，若符合程度超过阈值，则最终判断为有列车经过，否则判断为无列车经过。

[0082] S14，基于所述第一分析结果和所述第二分析结果，精确判断所述无线倾角传感器的工作状态，有效区分列车经过造成的临时性扰动和传感器自身损坏及其他偶然因素导致的数据不稳定，对于列车经过的临时性扰动通过传感器设备自适应状态调整进行智能降噪，对于其他异常情况下的数据不稳进行针对性处理，提高传感器工作状态判别和整个测量系统的鲁棒性和准确性。

[0083] 作为优选的实施方式，所述S14的实施综合倾角传感器数据与声学数据的分析结果，最终确定传感器处于列车经过造成的临时性扰动状态，或传感器处于自身损坏及其他偶然因素导致的数据不稳定工作状态，所述S14的流程包括：

[0084] (1)若倾角传感器数据|μ0‑xi|＞2σ，且声学数据分析结果为有列车经过，则传感器处于列车经过造成的临时性扰动状态，此时需要进行智能降噪处理：剔除此次采集数据样本A0，并按照采集频率间隔再次采集新样本数据进行处理，循环操作；

[0085] (2)若倾角传感器数据|μ0‑xi|＞2σ，且声学数据分析结果为无列车经过，则传感器处于自身损坏及其他偶然因素导致的数据不稳定工作状态，此时需要及时进行针对性处理。

[0086] 如图3所示，S2，根据S1中所述倾角传感器处于非振动正常工作状态的判定结果，进行基于标准差的传感器采集数据降噪，所述基于标准差的传感器采集数据降噪基于数据降噪模型实现，所述数据降噪模型基于标准差比较法构建。

[0087] 作为优选的实施方式，所述S2包括：

[0088] S21，基于所述倾角传感器前端采集数据的离散性特征，离散型数据变量分析及卡尔曼滤波算法构建所述数据降噪模型，并基于所述数据降噪模型计算；所述数据降噪模型用于实施基于标准差的传感器采集数据降噪，为简单高效的降噪数据模型，能够提高设备前端采集数据信噪比。在概率统计中，标准差能反映一个数据集的离散程度，可用来评估数据可能的变化或波动程度，标准差越大，数据波动的范围就越广，反之则表明数据越稳定，它是表示精确度的重要指标。

[0089] S22，基于所述数据降噪模型计算初始参考样本标准差参考值；

[0090] 本实施例中，所述S22具体实施为：

[0091] 根据所述倾角传感器非振动工作状态单次采集数据样本A0计算得出初始参考标准差基准值，假设单次采集数据样本A0平均值为μ0，则初始参考样本标准差参考值计算公式如下：

[0092]

[0093] 其中，σ0为初始数据样本A0标准差参考值，xi为单次采集的数据变量，μ0为单次采集数据样本A0平均值，n为单次采集样本数据个数。

[0094] S23，在所述倾角传感器输出数据前，连续采集某一时刻T所述倾角传感器非振动工作状态下的一组采集数据样本A1，并计算该时刻T对应的单次采集数据样本A1平均值σ1；

[0095] S24，将所述单次采集数据样本A1平均值σ1与初始数据样本A0标准差参考值σ0进行对比分析后，根据所述对比分析结果确定所述倾角传感器的输出数据，包括：

[0096] (1)若σ1≤σ0，则将单次采集数据样本A1平均值示为μ1；

[0097] (2)若σ1＞σ0，则重新采集一组单次采集数据样本A2，将单次采集数据样本A2平均值σ2与初始数据样本A0标准差参考值σ0对比：

[0098] ①若σ2≤σ0，则将单次采集数据样本A2平均值示为μ1；

[0099] ②若σ2＞σ0，则将单次采集数据样本A1、A2标准差σ1及σ2较小的一组数据样本平均值示为μ1；

[0100] (3)传感器当前输出值P1＝(a·μ0+b·μ1)/(a+b)；其中a，b为权重系数，能够根据μ0与μ1的相对变化值与传感器精度或预警值的相对大小而调整，提高数据信噪比。

[0101] 实施例二

[0102] 如图4所示，本实施例提供一种无线倾角传感器自适应采集实时降噪系统，包括：

[0103] 传感器工作状态确定模块101，用于基于对所述无线倾角传感器采集的倾角监测数据的分析判断所述无线倾角传感器自身的工作状态，其中所述工作状态包括所述无线倾角传感器处于列车经过造成的临时性扰动状态、所述无线倾角传感器自身损坏及其他偶然因素导致的数据不稳定或所述无线倾角传感器处于正常非振动工作状态；

[0104] 实时降噪模块102，用于根据所述倾角传感器处于非振动正常工作状态的判定结果，进行基于标准差的传感器采集数据降噪，所述基于标准差的传感器采集数据降噪基于数据降噪模型实现，所述数据降噪模型基于标准差比较法构建。

[0105] 本发明还提供了一种存储器，存储有多条指令，指令用于实现如实施例一的方法。

[0106] 如图5所示，本发明还提供了一种电子设备，包括处理器301和与处理器301连接的存储器302，存储器302存储有多条指令，指令可被处理器加载并执行，以使处理器能够执行如实施例一的方法。

[0107] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。