基于卡尔曼滤波基坑变形监测数据处理及分析.docVIP

基于卡尔曼滤波基坑变形监测数据处理及分析 　　0 引言 　　随着城市建设的高速发展，高层建筑越来越多，基坑工程施工朝着开深、工作面窄、周边房屋及地下管线近的特点发展。当前，基坑变形监测与设计、施工同被列为深基坑工程质量安全保证的三大基本要素。一方面， 基坑监测提供动态信息来指导施工全过程，并可通过基坑监测数据来验证基坑设计的科学性，为今后降低工程成本、提高基坑安全性提供设计依据。另一方面，基坑监测可及时预报和发现险情的发生以及险情的发展程度，为及时采取安全补救措施提供有力技术依据。所以说，基坑变形监测已成了工程建设必不可少的重要环节，同时也是指导正确施工，避免安全事故发生的必要措施，对保证人们生命财产安全具有重要意义。 　　1 卡尔曼滤波模型介绍 　　基坑监测工程是一个数据长期积累的过程，影响观测量的因素有很多。为了提取主要的影响因素，人们采用各种方法来研究这些变量之间的关联程度，然后根据相关性的强弱，利用最小二乘回归得到一个大体反映该段时间内变量之间相互关系的统计模型。这种模型只能从静态状况做数学上的描述，不能体现监测体的动态特征如速率、加速率等。卡尔曼滤波就是利用相关因子及因子的变率作为状态因子，利用初始时刻附近的观测量，构建动态平差模型，进而解出初始状态值，然后利用状态转移矩阵及观测方程构建卡尔曼滤波模型，它的滤波过程反映的是最新时刻与下一时刻之间状态的转换关系。因此一旦滤波模型构成，它就不再依赖用过的数据。 　　1.1 卡尔曼滤波模型构建所依赖的基础方程 　　（1）状态方程 　　X■=？椎■X■+Г■？赘■ 　　观测方程 　　Lk=Bk，k-1Xk+Δk 　　式中Xk、Lk、Δk分别为时刻tk的状态向量、观测向量和观测噪声；？椎■、？赘■分别为tk-1至tk时刻的状态转移矩阵和动态噪声；Г■、Bk，k-1分别为状态方程和观测方程在tk时刻的系数矩阵。 　　离散线性系统的卡尔曼随机模型为： 　　E（？赘■）=0，E（Δk）=0，cov（？赘■，？赘■）=D？赘（？赘■）？啄kj，cov（Δk，Δj）=D（Δk）？啄kj， cov（？赘■，Δj）=0，E（X0）=？滋（0）=X（0/0），Var（X0）=Dx（0），cov（X0，？赘■）=0， cov（X0，Δk ）=0 　　其中，当k=j时，？啄kj=1；当k≠j时，？啄kj=0。 　　所谓离散线性系统的卡尔曼滤波，就是利用观测向量L1，L2，…，Lk由相应的状态方程及随机模型求tj时刻状态向量Xj的最佳估值。通常把Xj的最佳估值记为■■。 　　（2）状态预报方程 　　■（k，k-1）=？椎■■■ 　　■（k，k-1）为由时刻tk-1到tk时刻的状态预报值，■■为tk-1时刻的滤波值。 　　（3）预报误差协方差 　　Dx（k/k-1）=？椎■Dx（k/k-1）？椎Tk，k-1+Г■D？赘（k-1）Г■ 　　（4）增益矩阵 　　Jk=Dx（k/k-1）BTkB■Dx（k/k-1）BTk+DΔ（k）-1 　　其中，DΔ（k）为观测噪声方差阵，一般假定观测噪声的方差是一定的，取DΔ（k）为动态平差中的观测值的中误差协方差阵。 　　（5）状态滤波方程 　　■■=■（k/k-1）+Jk（Lk-■（k/k-1）） 　　（6）滤波误差协方差阵 　　Dx（k/k）=（I-JkBk）Dx（k/k-1） 　　1.2 卡尔曼滤波法的实现步骤 　　（1）首先确定滤波的初值X0，包括：状态向量的初值及其相应的协方差阵Dx（0）、观测噪声的协方差阵和动态噪声的协方差阵D？赘（k）； 　　（2）建立卡尔曼滤波模型，确定系统状态转移矩阵？椎■、动态噪声矩阵Г■和观测矩阵Bk，k-1； 　　（3）在以上准备工作完成后就可以开始计算了，得出预测值■（k/k-1）、预报协方差阵Dx（k/k-1）、增益矩阵Jk； 　　（4）输入一组观测数据，进行卡尔曼滤波，得出该组观测值的最佳预测值■■和方差阵Dx（k/k）； 　　（5）再回到（3），进行递推计算。 　　1.3 卡尔曼滤波初值的确定 　　从卡尔曼滤波递推公式能够发现，要想确定系统在tk时刻的状态，首先需要知道系统的初始状态，即系统的初始值。对于实际问题而言，滤波前系统的初始状态是不能够精确得到的，一般只能近似的给定。 　　滤波的初值包括：初始状态向量X0及其相应的方差阵Dx（0），动态噪声的方差阵D？赘（k）和观测噪声的方差阵DΔ（k）。 　　对于变形监测的初值问题，可参考文献[4]确定，在此不再详述。 　　2 实例分析 　　2.1 基坑工程概况 　　为了满足XX市环境监控中心的工程施工要求，XX单位于XX年XX月开始对该工程的基坑开挖进行了建筑基坑工程监测，包括沉降观测和位移观测。它的四周布设了10个变形监测点，基坑北部已经挖到-5米，南部已经挖到-3米