CN119808005B 同类监测传感器的数据动态融合方法及系统 （中南大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119808005B(45)授权公告日2025.07.08

(21)申请号202510279081.1

(22)申请日2025.03.11

(65)同一申请的已公布的文献号申请公布号CN119808005A

(43)申请公布日2025.04.11

(73)专利权人中南大学

地址410083湖南省长沙市岳麓区麓山南

路932号

(72)发明人汪优范茜珺胡美琦张涵李苇航尹子熙孙传正王瑞

丁泊淞

(51)Int.CI.

GO6F18/25(2023.01)

GO6F18/15(2023.01)

GO6F18/22(2023.01)

(56)对比文件

CN109978055A,2019.07.05CN113361562A,2021.09.07审查员杨霜雪

(74)专利代理机构长沙永星专利商标事务所

(普通合伙)43001专利代理师柳莺周咏

权利要求书3页说明书8页附图2页

(54)发明名称

同类监测传感器的数据动态融合方法及系

统

(57)摘要

CN119808005B本发明公开了一种同类监测传感器的数据动态融合方法及系统，包括获取待融合的同类监测传感器的监测数据并进行数据清洗和异常处理得到连续监测数据；初始化用于状态预测和误差修正的基础矩阵；对当前时间步的状态进行预测并计算预测误差协方差；计算每个监测传感器的观测值与预测值的均方误差，并计算权重因子；判定每个监测传感器的故障状态并调整测量噪声协方差；计算各个监测传感器的卡尔曼增益并得到总卡尔曼增益；采用加权求和方案完成同类监测传感器的数据动态融合。本发明基于卡尔曼滤波与动态加权融合调整加权因子，同时采用故障诊断方案将异常监测传感器进行隔离，不仅

CN119808005B

获取待融合的同类监测传感器的监测数据

获取待融合的同类监测传感器的监测数据

基于稀疏信号恢复方法、正则化约束和线性插值法

对获取的监测数据进行数据清洗和异常处理，以得到连续监测数据

初始化用于状态预测和误差修正的基础矩阵；

根据得到的数据信息，采用卡尔曼滤波预测模型对当前时间步的状态进行预测，并计算预测误差协方差

针对每个监测传感器，计算监测传感器的观测值与预测值的均方误差并根据得到的均方误差计算得到对应的权重因子

基于每个监测传感器的状态预测值和误差协方差预测值

判定该监测传感器的故障状态，并调整对应的测量噪声协方差

根据每个监测传感器的测量噪声协方差和权重因子，计算各个监测传感器的卡尔曼增益，并采用加权求和进行合并，得到总卡尔曼增益

根据得到的总卡尔曼增益，

采用加权求和方案完成同类监测传感器的数据动态融合

CN119808005B权利要求书1/3页

2

1.一种同类监测传感器的数据动态融合方法，其特征在于包括如下步骤：

S1.获取待融合的同类监测传感器的监测数据；

S2.基于稀疏信号恢复方法、正则化约束和线性插值法，对步骤S1获取的监测数据进行数据清洗和异常数据处理，以得到连续监测数据；

S3.初始化用于状态预测和误差修正的基础矩阵；所述的基础矩阵包括状态转移矩阵、过程噪声协方差矩阵、观测矩阵和测量噪声协方差矩阵；

S4.根据步骤S2和步骤S3得到的数据信息，采用卡尔曼滤波预测模型对当前时间步的状态进行预测，并计算预测误差协方差；具体包括如下步骤：

采用如下算式进行状态预测：为时间步k的预测状态；为时间步k-1的预测状态；φ为当前的状态转移矩阵；

采用如下算式进行误差协方差预测：Pkk-1=φ·Pk-k-1·φ+Q式中为时间步k的预测误差协方差矩阵；Pk-1k-1为时间步k-1的预测误差协方差矩阵；Q为当前的过程噪声协方差矩阵；

S5.针对每个监测传感器，计算该监测传感器的观测值与预测值的均方误差，并根据得到的均方误差计算得到对应的权重因子；具体包括如下步骤：

采用如下算式计算得到第j个监测传感器的均方误差MSE:

式中Y;为第j个监测传感器的观测值；S;为第j个监测

传感器的观测矩阵的第j行；

采用如下算式计算得到第j个监测传感器的权重因子wj:式中为设定的第一极小常数，用于防止分母为0;

最后，对所有监测传感器