基于GNSS动态变形测量关键技术分析.docVIP

基于GNSS动态变形测量关键技术分析 　　摘要：城市工程建设与大型工程建设规模的扩大对大型结构物体的动态高精度测量提出了新的要求，本文探讨了如何利用全球导航卫星系统（GNSS）提高大型物体结构和动态变形测量精度和测量连续性问题和讨论了整周模糊度事实解算、系统误差建模与修正、动态测量数据降噪等测量关键性技术问题。 　　关键词：GNSS；全球导航卫星系统；动态变形测量；测量误差； 　　0 引言 　　在大型工程建设中物体结构会随着外力作用而不断发生变形，当外力作用于物体的力量大于物体自身所能承受压力时物体就发生变形，造成工程结构的坍塌或者地表沉陷等。因此为了保护人们生命与财产安全，需要对物体的变形变化规律进行精确测量与监测，以确定物体空间位置和物体现状随着时间和外力作用下的变化特征，因此本文主要对工程中物体局部性变形进行了研究分析。 　　1.变形测量设备简介 　　目前工程建设中物体变形测量设备与系统主要有激光干涉仪、干涉雷达技术、自动全站仪监测系统、传感器监测系统、摄影测量系统、GNSS变形监测系统，激光干涉仪测量物体变形缺点是测量距离短、对于大物体无法跟踪测量和只能测量一维变形；干涉雷达技术缺点是：设备昂贵、测量成本高且只能连续监测一个固定区域；自动全站仪监测系统的缺点是：测量距离短、物体必须能通视、无法在恶劣天气进行测量、无法对多个目标进行动态跟踪测量；传感器监测系统缺点是[1]：只能测量一维变形、其测量精度比较依赖环境因素；摄影测量系统缺点是测量距离短、对环境因素依赖大、要接触被测物体进行变形测量；GNSS变形监测系统则可以全天候、全天时工作、量程大，提供三维坐标测量和并行测量多个物体，监测系统采用率高且GNSS接收机设备价格不断在下降，在动态变形测量应用领域有广泛应用。 　　2.GNSS高精度测量的数学模型 　　由于全球导航卫星系统（GNSS）采用载波相位观测值进行计算，同时存在卫星轨道误差、卫星和接收机时钟差、大气折射等问题，容易造成其测量精度，因此通过测码伪距辅助实现整周模糊度的快速固定和通过GNSS高精度定位函数模型、随机模型、主要误差源等处理提高测量精确度。 　　2.1 GNSS定位的函数模型 　　2.2 随机模型 　　在将GNSS数据处理之前需要利用测量值间的统计关系分析测量值的有效性，即通过方差-协方差阵或者权矩阵统计数据间的相关性。由于GNSS在实际测量中会因为大气折射、卫星时钟差、卫星轨道误差等因素而产生测量不准确等问题，虽然定位函数模型中通过差分技术消除和减弱了一些误差影响，但该模型还是无法解决未模型化带来的误差，如多路径效应、残余的大气延迟等，需要通过随机模型将未模型化系统误差归入该模型中进行统一处理，其随机模型主要有卫星高度角随机模型、信噪比随机模型、基于验后残差的随机模型。 　　2.3 GNSS高精度相对定位的误差源 　　（1）卫星轨道误差 　　在GNSS高精度相对定位的误差源中，通过同步观测求差方法可以减弱卫星轨道误差给基线解算带来的影响，其轨道误差给基线带来的影响通过 进行计算，其中b表示基线长度，r表示卫星到测站的距离。 　　（2）大气电离层延迟 　　消除电离层影响主要采用模型改正法、双频观测值消除法和差分法，其模型改正法采用改进型Klobuchar模型计算电离延迟，即采用 进行计算，若采用双频改正法，则采用 进行计算f上的电离层延迟。 　　（3）大气对流层延迟 　　由于大气对流层中需要考虑对电磁波的折射，因此需要考虑大气对流层延迟问题，其对流层延迟可以通过 进行描述，其中n表示对流层对大气的折射率。消除大气对流层延迟的方式就是站间求差法、模型改正法，模型改正方法中主要采用Hopfield模型和Saastamoinen模型[7]。 　　2.4 动态数据处理 　　动态数据处理主要是针对未知参数中包含的随机参数，通过每一历元给出一组参数结果，并通过序贯算法或者递推算法进行参数估计值计算。在GNSS高精度相对定位的误差源中，Kalman滤波算法中的观测模型为：Lk=fk（Xk ，ek），其中fk为观测空间的映射函数，其动力学模型为Xk+1=gk（Xk，wk）进行处理，也就是说Kalman滤波主要是通过状态预报值和新息向量的加权平均值进行过滤。 　　在噪声方差符合零均值正态分布时，通过Kalman滤波算法具有很高的精确度，但是当在动态定位与导航数据处理中，由于运动物体很难确保按照一定的规则运动，因此构造精确的函数模型变得很复杂，因此需要引入抗差自适应滤波算法来解决这种问题，提出了基于抗差估计和状态协方差矩阵膨胀模型构建的自适应滤波技术，该技术的核心是当观测值存在异常数据时，对观测值采用抗差估计原则，当动力学模型存在异常误差时，将动力学模型作为一个整体，然后通过