本发明涉及一种模型自适应调整的位移提取方法，具体涉及一种使用交互式多模型卡尔曼滤波器(imm)从动态定位中自适应提取位移的方法，属于结构健康监测(shm)。
背景技术：
1、结构健康监测(shm)可以确保建筑物、桥梁和设备的安全性、稳定性和可靠性。通过实时监测，可以及早发现潜在问题，提高结构的安全水平，延长使用寿命，降低维护成本，并在紧急情况下提供即时数据以支持迅速而精确的应急响应。这项技术有助于优化结构的运行效率，提高整体工程和设备的效能。
2、随着高频全球导航卫星系统(gnss)的广泛应用，gnss已成为获取位移的重要手段。gnss技术能够提供高精度、实时的位移数据，这些数据对于评估结构健康状态、检测潜在问题以及进行预防性维护具有重要意义。然而，由于测量噪声的影响，从gnss动态定位获得的位移存在显著误差，这些误差会影响结构监测和评估的准确性和可靠性。
3、传统的位移提取方法主要依赖于单一模型或固定参数的滤波方法，例如卡尔曼滤波(kalman filter)。这些方法在处理线性系统时表现良好，但在面对复杂的非线性动态和噪声时，效果不佳。例如，扩展卡尔曼滤波(ekf)和无迹卡尔曼滤波(ukf)在处理非线性系统时，依赖于系统的一阶线性化近似或采用sigma点进行估计，随着系统状态维度的增加，计算复杂度急剧增加。此外，粒子滤波(pf)方法虽然在处理非线性系统方面具有优势，但需要处理大量的粒子，计算成本高昂。
4、为了提高位移提取的准确性和鲁棒性，近年来，交互式多模型卡尔曼滤波(imm)作为一种自适应的状态估计算法，逐渐受到关注。imm能够结合多个模型，根据系统状态的变化灵活调整，提供更精确的估计。然而，现有研究中，imm主要应用于目标跟踪和导航领域，对于结构健康监测的应用相对较少。而且，对于结构物的振动检测，常常需要精确设计模型集，以应对结构物的多模态特性和自然频率的变化。
5、本专利在现有研究的基础上，利用交互多模型卡尔曼滤波器，通过设计基于结构固有频率的模型集，并在多个模型之间进行交互处理，综合不同模型的优点，优化位移估计，显著减少测量噪声和信号干扰的影响，从而提高位移提取的准确性和可靠性。
技术实现思路
1、本发明开发了一种模型自适应调整的位移提取方法。能够在复杂环境和多变条件下提高位移提取的准确性和鲁棒性。该方法通过设计多模型集，以适应结构的多模态特性和自然频率变化，实现了在不确定模型参数下的自适应位移提取。
2、本发明提供基于模型自适应调整的位移提取方法，包括以下步骤：
3、步骤1、动态定位位移输入。通过位移计、gnss等位移传感器，获得初步的位移测量。
4、步骤2、频率粗识别。根据初步的位移数据，对结构的振动频率进行粗略识别。
5、步骤3、频率范围确定。根据识别出的粗频率，确定一个频率范围。
6、步骤4、状态模型集。在频率范围内选择子频率，以构建一组状态模型集。
7、步骤5、使用交互多模卡尔曼滤波器对状态模型集进行处理。通过多个模型的组合和交互处理，实现高精度的状态估计和位移提取。。
8、优选的，所述步骤2中，对频率进行粗识，识别步骤是通过快速傅里叶变换(fft)的方法，识别出主要振动频率。
9、假设初步位移数据为x(t)，t表示时刻。假设初步位移数据为x(t)，通过fft得到其频谱x(f)：
10、
11、f表示频率，j是虚数单位，e为自然常数。接着，计算频谱的幅值：
12、
13、其中，re(x(f))和im(x(f))分别是频谱x(f)的实部和虚部。
14、最后，在频谱|x(f)|中，找到幅值最大的频率f0，作为主要振动频率：
15、f0＝arg maxf|x(f)|
16、优选的，所述步骤3中，频率范围确定是根据识别出的粗频率设置一个预定的频率窗口。根据识别出的主要频率f0，确定一个频率范围[fmin，fmax]，频率范围的确定可以通过经验公式或统计分析确定：
17、fmin＝f0-δf
18、fmax＝f0+δf
19、其中，δf为频率范围。
20、优选的，所述步骤4中，频率范围内，以一定步长划分子频率，用于构建状态模型集，确保模型能够覆盖所有可能的振动频率。在频率范围[fmin，fmax]内，以一定步长δf划分子频率{fi}：
21、fi＝fmin+i·δf，i＝0，1，2，...，n
22、其中，n是子频率的数量，满足fi≤fmax。
23、频率f与弹簧系数k之间的关系为：
24、
25、其中，fi为第i个子频率，ki为对应的弹簧系数，m是振子的质量。
26、优选的，所述步骤5中，常位置模型和阻尼振动模型具体参数如下：
27、(1)常位置模型，状态参数为位移[x]，其状态转移矩阵为f＝[1]，设计矩阵为h＝[1]；
28、考虑弹簧系数k时，状态参数为[x，k]，状态转移矩阵为设计矩阵为h＝[1，0]t；
29、(2)阻尼振动模型，基于步骤4中的子频率构建，状态参数为(位移和速度)，其状态转移矩阵为其中，c是阻尼系数，m是振子的质量，k为对应的弹簧系数，δt为采样间隔。设计矩阵为h＝[1，0]t；
30、考虑弹簧系数k时，状态参数为其状态转移矩阵为其中，c是阻尼系数，m是振子的质量，k为对应的弹簧系数，δt为采样间隔。设计矩阵为h＝[1，0,0]t；
31、考虑加速度时，状态参数为其状态转移矩阵为其中，c是阻尼系数，m是振子的质量，k为对应的弹簧系数，δt为采样间隔。设计矩阵为h＝[1，0,0]t；
32、考虑弹簧系数k和加速度时，状态参数为其状态转移矩阵为
33、设计矩阵为h＝[1，0，0，0]t；
34、优选的，所述步骤5中，其中，状态模型集包括：
35、(1)单一频率双模型(sfcd)，假设模态参数保持不变，结构状态在阻尼振动和静止状态之间切换，状态转移矩阵分别为和其中，c是阻尼系数，m是振子的质量，k为对应的弹簧系数，δt为采样间隔；
36、(2)双频率三模型(dfct)，假设结构受到两个主要振动模式的影响，并在振动和静止状态之间切换，状态转移矩阵分别为和其中，c是阻尼系数，m是振子的质量，k1、k2为对应的弹簧系数，δt为采样间隔；
37、(3)多频率多模型(mfcm)，假设主要振动频率不明确或结构受到多个主要频率的振动，状态转移矩阵分别为其中，c是阻尼系数，m是振子的质量，ki为对应的弹簧系数，δt为采样间隔。
38、在本发明中，首先，通过位移计、gnss等位移传感器，获得初步的位移测量。其次，基于初步位移数据，粗略识别结构的近似振动频率，并确定一个频率范围。然后，在频率范围内选择子频率，以构建一组状态模型集。包括恒定位置模型和阻尼振动模型，以适应不同的振动模式和频率。接下来，利用交互式多模型卡尔曼滤波器(imm)进行位移估计，通过混合、滤波和组合步骤，实现自适应的位移提取。最后，根据滤波结果输出最终的位移估计值。通过仿真实验和现场实验验证，本发明的方法在不同频率和振动模式下均表现出良好的鲁棒性和精度，能够有效提升结构健康监测的可靠性。
1.一种模型自适应调整的位移提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种模型自适应调整的位移提取方法，其特征在于，所述步骤1中，其位移测量方式可以是直接位移测量，也可以是间接位移测量。
3.根据权利要求1所述的一种模型自适应调整的位移提取方法，其特征在于，所述步骤2中，频率粗识别步骤为通过快速傅里叶变换(fft)方法识别主要振动频率。假设初步位移数据为x(t)，t表示时刻。通过fft得到其频谱x(f)：
4.根据权利要求1所述的一种模型自适应调整的位移提取方法，其特征在于，所述步骤3中，频率范围确定是根据识别出的粗频率设置一个预定的频率窗口。
5.根据权利要求1所述的一种模型自适应调整的位移提取方法，其特征在于，所述步骤4中，频率范围内，以一定步长划分子频率，用于构建状态模型集，确保模型能够覆盖所有可能的振动频率。在频率范围[fmin，fmax]内，以一定步长δf划分子频率{fi}：
6.根据权利要求1所述的一种模型自适应调整的位移提取方法，其特征在于，所述步骤5中，所述状态模型集包括以下模型：
7.根据权利要求6所述的一种模型自适应调整的gnss位移提取系统，其特征在于，所述步骤5中，常位置模型和阻尼振动模型具体参数如下：
8.根据权利要求1所述的一种模型自适应调整的gnss位移提取系统，其特征在于，所述步骤5中，其中，状态模型集包括：
9.根据权利要求1所述的一种模型自适应调整的位移提取方法，其特征在于，所述步骤5中，使用交互多模卡尔曼滤波器对状态模型集进行处理。包括以下步骤：
