鐘 昆 高 嵩 黃姣茹

（西安工業(yè)大學(xué)自主系統(tǒng)與智能控制國際聯(lián)合研究中心 西安 710021）

1 引言

鑒于涌入城市的人口數(shù)量逐年攀升，大力興建城市地下鐵路交通運行網(wǎng)，成為解決交通擁堵和市民出行難的一劑良方。然而，地鐵普遍位于城市的繁華中心地段，加上地面建筑物和地下管線等地質(zhì)條件會加重地鐵隧道的自身負荷，導(dǎo)致隧道結(jié)構(gòu)出現(xiàn)裂縫和沉降等形變，若不及時監(jiān)測與修復(fù)，將會造成地面塌方甚至危及人身安全［1］。因此，對地鐵隧道結(jié)構(gòu)進行實時的、連續(xù)的、長期的變形監(jiān)測便成為當前刻不容緩的任務(wù)［2］。

目前，地鐵變形監(jiān)測技術(shù)已經(jīng)由傳統(tǒng)的依靠人力與儀器監(jiān)測轉(zhuǎn)變?yōu)槿缃裣冗M的智能全站儀（測量機器人）的自動化監(jiān)測技術(shù)［3］，可以實現(xiàn)全自動觀測并采集數(shù)據(jù)。由于可變因素影響，變形監(jiān)測數(shù)據(jù)通常會包含各種誤差與形變信息，僅從數(shù)據(jù)的表面，無法反映真實的信息。因此，如何及時有效地從繁多的變形監(jiān)測信息中進行數(shù)據(jù)挖掘，提取關(guān)鍵性數(shù)據(jù)，并對此時變形情況進行合理分析的問題成為了關(guān)鍵［4］。

近年來，許多學(xué)者通過研究變形監(jiān)測數(shù)據(jù)序列的結(jié)構(gòu)與規(guī)律，建立動態(tài)模型來反映變形特征并推斷變化趨勢。文獻［5］通過建立時間序列模型來近似模擬動態(tài)數(shù)據(jù)以達到預(yù)測的目的。但是該方法需要不斷地根據(jù)新的觀測數(shù)據(jù)建立新模型來求得結(jié)果，并且沒有考慮觀測數(shù)據(jù)含隨機擾動的情況。文獻［6］采用了灰色系統(tǒng)理論對監(jiān)測數(shù)據(jù)進行建模分析，利用預(yù)測模型GM（1，1）［7］在一定程度上修正了傳統(tǒng)模型的偏差。但仿真發(fā)現(xiàn)當觀測結(jié)果含有隨機擾動誤差時，預(yù)測結(jié)果質(zhì)量會降低。文獻［5，6］雖能精準建立數(shù)據(jù)的動態(tài)模型，但均未解決監(jiān)測數(shù)據(jù)存在隨機噪聲擾動的問題。文獻［8］選用卡爾曼濾波算法［9］對監(jiān)測數(shù)據(jù)進行濾波處理，有效剔除了隨機擾動誤差的影響。但是在采用卡爾曼濾波算法前，須了解系統(tǒng)噪聲的先驗知識以及對初始狀態(tài)和方差的準確給定，否則會出現(xiàn)濾波發(fā)散［10］，導(dǎo)致決策者對變形監(jiān)測趨勢作出誤判。文獻［11］提出用自適應(yīng)卡爾曼濾波［12］來解決，利用方差補償?shù)脑砜朔擞捎谠肼暯y(tǒng)計模型不準確而產(chǎn)生的濾波發(fā)散現(xiàn)象。但是會出現(xiàn)估計值發(fā)生振蕩且收斂速度緩慢的現(xiàn)象，并不能達到理想效果。文獻［8，11］雖能降低隨機噪聲的影響，但存在收斂速度慢甚至發(fā)散的現(xiàn)象，不能更好地應(yīng)用在工程當中。

因此，本文提出一種改進自適應(yīng)卡爾曼濾波算法，通過在一步預(yù)測方差陣的計算式中引入指數(shù)型衰減因子［13］，利用殘差序列保持正交的特性推導(dǎo)出冪值表達式進行計算，不僅削弱了隨機擾動噪聲對估計的影響，而且克服了傳統(tǒng)自適應(yīng)卡爾曼濾波算法收斂速度緩慢甚至發(fā)散的現(xiàn)象。同時，極大程度上提高了利用該改進算法后得到的最優(yōu)估計值的精確性與穩(wěn)定性。

2 監(jiān)測系統(tǒng)模型

由智能全站儀組成的地鐵變形監(jiān)測系統(tǒng)在獲取監(jiān)測點的初始位置信息后，能夠自動完成數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)處理、自動預(yù)警和成果輸出等工作。全站儀具有自動測邊和測角的能力，一臺全站儀，采用極坐標測量法［14］就可獲得被測點的二維坐標或者三維坐標，極坐標測量法示意圖如圖1。

如圖1所示，以全站儀的設(shè)站點o點為原點，測站的鉛垂線為z軸，以定向方向為x軸，建立左手直角坐標系o-xyz。設(shè)全站儀測量點的觀測值分別為：水平角α，垂直角β，斜距S，則P點所示的測站坐標為

由此，可以通過獨立坐標系下的坐標公式（1）計算出監(jiān)測點的x方向的位置x(k)和y方向的位置y(k)。

圖1 極坐標測量法示意圖

現(xiàn)在，面臨的問題是如何根據(jù)采集到的原始數(shù)據(jù)進行處理，進而對變形體進行預(yù)報分析。常用的監(jiān)測系統(tǒng)模型建立方法主要有常加速度模型、常速度模型以及隨機游走模型［15］。本文選擇常速度模型作為狀態(tài)方程，隨機游走模型作為觀測方程。方法如下。

常速度模型是監(jiān)測點的位移關(guān)于時間的一階泰勒系數(shù)展開式，假設(shè)監(jiān)測點的變形量近似看成典型的運動模型，只把變形的位移和速率作為狀態(tài)參數(shù)，將監(jiān)測點位移變化的加速率作為隨機干擾項。由以下運動公式得到：

式中：由極坐標測量法得到變形監(jiān)測點的位置，其運動狀態(tài)包括X方向的位置x(k)、Y方向的位置y(k)、X方向的速度vx(k)和Y方向的速度vy(k)，T為采樣時間，監(jiān)測點位移變化的加速率w(k)作為隨機擾動量。得到變形監(jiān)測模型的狀態(tài)方程為

隨機游走模型是僅考慮監(jiān)測點的位置量，得到變形監(jiān)測模型的觀測方程為

式中：L(k)表示第k期的觀測值；v(k)表示觀測系統(tǒng)噪聲，包含了監(jiān)測點的位移變化速率和加速率。

通過監(jiān)測系統(tǒng)模型分析，得到狀態(tài)方程式（3）與觀測方程式（4），建立如下的系統(tǒng)模型［16～18］：

式中：k=1，2，3，…，N+；Xk-1、Xk分別為第k-1期、第k期的狀態(tài)向量，Φk，k-1為第k-1期到第k期的狀態(tài)轉(zhuǎn)移矩陣，即

Ωk-1為第k-1期的系統(tǒng)動態(tài)噪聲向量，即Ωk-1=w(k)，Γk-1為第k-1期動態(tài)噪聲系數(shù)矩陣，即

Lk為第k期的觀測向量，Bk為第k期的觀測向量系數(shù)矩陣，即，Δk為第k期的觀測噪聲向量，即Δk=v(k)。

對系統(tǒng)（5），當動態(tài)噪聲和觀測噪聲服從高斯分布且統(tǒng)計特性已知時，采用經(jīng)典卡爾曼濾波算法進行最優(yōu)狀態(tài)估計處理，得到的結(jié)果雖不能確切求出系統(tǒng)的真實狀態(tài)，但是能夠比用傳統(tǒng)測量儀器測得的數(shù)據(jù)更加逼近于真實值；當噪聲的統(tǒng)計特性不能準確給出且與實際有偏差時，則采用自適應(yīng)卡爾曼濾波算法，可以對動態(tài)噪聲協(xié)方差陣實時修正，降低偏差。但該方法在實際濾波中會出現(xiàn)收斂速度慢甚至發(fā)散的現(xiàn)象，本文提出的改進自適應(yīng)卡爾曼濾波算法可以比傳統(tǒng)算法更精準、更穩(wěn)定地得出真實狀態(tài)。

3 改進自適應(yīng)卡爾曼濾波算法

自適應(yīng)卡爾曼濾波算法主要特點在于能夠在濾波過程中及時修正由于噪聲或者模型參數(shù)不確定時的影響，其基本方程如下。

一步預(yù)測誤差方差陣：

濾波增益矩陣：

狀態(tài)最優(yōu)估計：

狀態(tài)最優(yōu)估計的誤差方差陣：

動態(tài)噪聲協(xié)方差陣估計：

式（11）中：

其中，Lk表示為第k期的觀測向量，為第k期的最佳預(yù)測值。推導(dǎo)過程在文獻［11］中已詳細列出。

然而，自適應(yīng)卡爾曼濾波算法在實際工程應(yīng)用中會出現(xiàn)收斂速度慢甚至發(fā)散的現(xiàn)象，本文在傳統(tǒng)算法的基礎(chǔ)上進行改進，對一步預(yù)測方差陣計算式（7）中增加一個指數(shù)型衰減因子，即

定理1 對于系統(tǒng)模型式（5），若采用如式（14）的含衰減因子的一步預(yù)測誤差方差陣，則該系統(tǒng)具有抑制濾波發(fā)散特性的冪值滿足下式：

證明 首先，引入zk為殘差序列（新息序列），且為高斯白序列，表達式為

得到協(xié)方差陣為

殘差的自動協(xié)方差陣為

將式（8）和式（17）一并代入到式（18）中，得到

由此說明，當增益矩陣Jk為最優(yōu)增益陣時，殘差序列不相關(guān)，即殘差序列處處保持正交。但是，由于模型存在誤差，實際的殘差協(xié)方差陣C0(k)與理論值存在差異。因此，Cj(k)不一定等于零。由式（18）可見，最后一項是共同項，若

則Jk是最優(yōu)的，即：如果在線調(diào)整增益陣，迫使殘差序列保持相互正交，那么式（20）成立。因此，定義：

則S(k)的最優(yōu)值由下式?jīng)Q定：

式中：Sij(k)為S(k)的第i行第j列元素，f的值越小，濾波越接近最優(yōu)。

根據(jù)發(fā)散判據(jù)：

式中：γ為儲備系數(shù)（γ＞1），當γ=1時是最嚴格的收斂判據(jù)條件。

采取嚴格的收斂判據(jù)條件，即

把式（14）和式（17）代入，并考慮λk是變量，得到：

則抑制濾波發(fā)散的衰減因子為

證畢。

當加入了由定理1的冪值表達式得到的衰減因子后，通過在線調(diào)整濾波增益陣使其達到最優(yōu)，再結(jié)合自適應(yīng)卡爾曼濾波算法自身對動態(tài)噪聲協(xié)方差陣實時修正的優(yōu)勢，使得不僅加快收斂速度和解決隨機噪聲對估計的影響，而且還提高了精確性和穩(wěn)定性，這在接下來的應(yīng)用仿真中得到證明。

4 應(yīng)用仿真

針對某市在營運期間的某條地下鐵路交通運輸隧道中，利用監(jiān)測設(shè)備對變形體進行監(jiān)測工作，其中每隔兩周對監(jiān)測點進行一次數(shù)據(jù)記錄，得到如下表1和表2中共10期的觀測數(shù)據(jù)?，F(xiàn)利用前文所述的監(jiān)測系統(tǒng)模型式（5）建立離散型卡爾曼濾波模型，進行如下的仿真分析：

設(shè)變形監(jiān)測點在X方向上和Y方向上的初始位置為 [x(0)，y(0)]T=[54.45，3.154]T，初始狀態(tài)的誤差方差陣，觀測噪聲初始方差，系統(tǒng)噪聲初始方差（對于變形監(jiān)測周期短的系統(tǒng)通常取噪聲初始方差為單位陣），采樣時間T為2。狀態(tài)轉(zhuǎn)移矩陣為，系統(tǒng)噪聲的系數(shù)矩陣，觀測向量的系數(shù)矩陣，其中I2表示為2階的單位陣，02表示為2階的零矩陣。根據(jù)以上值，對10期監(jiān)測所得到數(shù)據(jù)分別進行經(jīng)典卡爾曼濾波、自適應(yīng)卡爾曼濾波和改進自適應(yīng)卡爾曼濾波算法進行仿真計算［19-20］，結(jié)果見表1和表2。

其步驟可總結(jié)如下：

1）確定初始狀態(tài)向量初值X(0)與Y(0)；

2）確定監(jiān)測系統(tǒng)模型式（5）中的參數(shù)值及各系數(shù)矩陣常量；

3）利用改進自適應(yīng)卡爾曼濾波算法計算公式［式（6）、式（8）～式（13）、式（14）、式（15）］進行最優(yōu)濾波估計計算；

4）若估計值滿足給定精度要求，退出濾波迭代過程，否則返回執(zhí)行第3）步。

根據(jù)表1和表2的數(shù)據(jù)可以明顯看出應(yīng)用了改進自適應(yīng)卡爾曼濾波算法得到的濾波值能夠明顯比其他兩種算法更加接近于真實值。接下來，將表1和表2中的濾波值繪制成曲線圖，分別如圖2和圖3所示，定量地比較三種濾波方法的效果。

從圖2和圖3看出，經(jīng)典卡爾曼濾波結(jié)果在遞推過程中與實測值的偏差越來越大，自適應(yīng)卡爾曼濾波結(jié)果會在實測值附近不斷產(chǎn)生振蕩且速度緩慢。而含衰減因子的自適應(yīng)卡爾曼濾波已顯著的逼近實測值，并且隨著時間的積累，沒有出現(xiàn)明顯的發(fā)散現(xiàn)象和振蕩現(xiàn)象。

為了更加直觀地比較三種濾波方法的精度和處理效果，繪制如圖4和圖5所示的誤差分析圖，定性地比較三種濾波方法的效果。

表1 監(jiān)測點在X方向上的濾波值與實測值比較

表2 監(jiān)測點在Y方向上的濾波值與實測值比較

圖2 x方向上三種濾波方法的濾波值

圖3 y方向上三種濾波方法的濾波值

由圖4和圖5明顯看出，經(jīng)典卡爾曼濾波在數(shù)據(jù)處理過程中所帶來的偏差較大且不穩(wěn)定，而改進自適應(yīng)卡爾曼濾波方法收斂速度最快，并且能夠精確地接近真實狀態(tài)。圖4中，經(jīng)典卡爾曼濾波算法雖然在前8期數(shù)據(jù)之前誤差都可以穩(wěn)定在1個單位的誤差范圍，但在第9和第10期數(shù)據(jù)中，開始出現(xiàn)明顯的發(fā)散現(xiàn)象，并且誤差呈現(xiàn)增大的趨勢，這在圖5中也出現(xiàn)了相似的情況。在采用自適應(yīng)卡爾曼濾波算法進行處理時，通過圖4和圖5看出，濾波效果有了很明顯的改善，并且濾波值與實測值的誤差逐漸縮小，能夠穩(wěn)定在0.5個單位的誤差范圍內(nèi)，很好地解決了經(jīng)典卡爾曼濾波法由于對系統(tǒng)模型不準確帶來的濾波發(fā)散的問題，但濾波偏差值卻出現(xiàn)了振蕩現(xiàn)象，趨近于實測值的速度變慢了。

反觀使用改進自適應(yīng)卡爾曼濾波算法計算的誤差，在前5期數(shù)據(jù)誤差就已經(jīng)降到0.3個單位的誤差范圍，之后偏差很快逼近于實測值，且整體變化平穩(wěn)，收斂速度非?？?。由此，驗證了本文所述方法的有效性，在變形監(jiān)測中達到了非常好的效果，其收斂速度和濾波精度都優(yōu)于經(jīng)典卡爾曼濾波算法和自適應(yīng)卡爾曼濾波算法。

圖4 x方向上三種濾波方法的誤差對比

圖5 y方向上三種濾波方法的誤差對比

5 結(jié)語

針對地鐵變形監(jiān)測問題，考慮到自適應(yīng)卡爾曼濾波算法出現(xiàn)收斂速度緩慢甚至發(fā)散的現(xiàn)象，本文在傳統(tǒng)方法的基礎(chǔ)上進行改進，引入指數(shù)型衰減因子，從而降低陳舊測量值對估計的影響，將推導(dǎo)出的衰減因子冪值表達式應(yīng)用到改進算法中進行Matlab仿真。結(jié)果表明，相比較于未改進的算法，該方法能夠較好地用來處理動態(tài)變形監(jiān)測數(shù)據(jù)，具有收斂速度快、精度高、可靠性好等優(yōu)勢。

［1］LIU S T，YANG X M，LIANG Y B，et al.Applications of multimedia technology in deformation monitoring of sub?way tunnel［C］//IEEE Second International Conference on Multimedia and Information Technology，2010：47-50.

［2］BAI G B，ZHAO J，LIU L S.Deformation monitoring and data analysis for metro construction with mining method in Dalian［J］.Applied Mechanics&Materials，2013，356（3336）：1604-1608.

［3］劉紹堂，王果，潘潔晨.測量機器人隧道變形自動監(jiān)測系統(tǒng)的研究進展［J］.測繪工程，2016，25（10）：42-48.

［4］ZHOU H M，HU J X，LIU X，et al.Ground deformation monitoring of Shenzhen metro area with Interferometric Point Target Analysis［C］//IEEE International Conference on Geoinformatics，2012：1-5.

［5］謝文國，高俊強，徐東風(fēng).時間序列在地鐵隧道變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用［J］.交通科技與經(jīng)濟，2015，17（4）：114-116.

［6］姜剛，楊志強，張貴剛.卡爾曼濾波算法的灰色理論模型在變形監(jiān)測中的應(yīng)用［J］.測繪科學(xué)，2011，36（4）：19-21.

［7］崔立志，劉思峰.基于數(shù)據(jù)變換技術(shù)的灰色預(yù)測模型［J］.系統(tǒng)工程，2010，28（5）：104-107.

［8］陳大勇，劉大偉.卡爾曼濾波法在城際高鐵沉降變形監(jiān)測與分析的應(yīng)用［J］.測繪與空間地理信息，2015，38（6）：183-185.

［9］SU J Y，LI B B，CHEN W H.On existence，optimality and asymptotic stability of the Kalman filter with partially observed inputs［J］.Automatica，2015（53）：149-154.

［10］楊丹，曾以成，陳莉.抑制Kalman濾波發(fā)散的研究進展［J］.計算機工程與應(yīng)用，2016，52（4）：13-18.

［11］王井利，張春哲.自適應(yīng)卡爾曼濾波在地鐵監(jiān)測中的應(yīng)用［J］.沈陽建筑大學(xué)學(xué)報（自然科學(xué)版），2014，30（2）：263-268.

［12］MAJA K，HU X M.An optimization approach to adap?tive Kalman filtering［J］.Automatica，2011（47）：1785-1793.

［13］夏啟軍，孫優(yōu)賢.漸消卡爾曼濾波器的最佳自適應(yīng)算法及其應(yīng)用［J］.自動化學(xué)報，1990，16（3）：210-216.

［14］劉運明.自動極坐標實時差分監(jiān)測技術(shù)在地鐵隧道結(jié)構(gòu)變形監(jiān)測中的應(yīng)用［J］.測繪通報，2016（1）：99-103.

［15］杜琨.變形監(jiān)測數(shù)據(jù)處理的方法研究［D］.長沙：中南大學(xué)，2013：13-17.

［16］ZHANG W，F(xiàn)AN D L，YANG J Z.Adaptive Kalman fil?tering method to the data processing of GPS deformation monitoring［C］//IEEE Computer Society，International Forum on Information Technology and Applications，2010：288-292.

［17］潘婭，王姮，王牛.基于卡爾曼濾波的雙閉環(huán)直流電機系統(tǒng)狀態(tài)觀測器［J］，信息與控制，2009，38（1）：15-23.

［18］GHALEB F A，ZAINAL A，RASSAM M，et al.Im?proved vehicle positioning algorithm using enhanced in?novation-based adaptive Kalman filter［J］.Pervasive&Mobile Computing，2017（40）：139-155.

［19］王志賢.最優(yōu)狀態(tài)估計與系統(tǒng)辨識［M］.西安：西北工業(yè)大學(xué)出版社，2004：109-112.

［20］黃小平，王巖.卡爾曼濾波原理及應(yīng)用——Matlab仿真［M］.北京：電子工業(yè)出版社，2015：30-54.