基于加速度计的滑坡前兆位移监测装置.pdf

现代电子技术Modern Electronics TechniqueSep.2023Vol.46 No.182023年9月15日第46卷第18期0 引 言我国幅员辽阔，山地众多，是地质灾害的高发区和重灾区，其中山体滑坡是主要的地质灾害之一。近年来，地震、降雨和人为因素引起的山体滑坡愈来愈频发，尤其是处于山体附近的区域。滑坡不仅会破坏建筑物，阻塞道路，还会对社会经济造成损失，对人们的生命安全产生威胁。如果能够对可能发生滑坡区域的滑坡前期土体位移进行实时监测，掌握其形变趋势，则可以将滑坡造成的损失减至最低。DOI：10.16652/j.issn.1004373x.2023.18.001引用格式：秦磊，张迪，刘炳杰，等.基于加速度计的滑坡前兆位移监测装置J.现代电子技术，2023，46（18）：17.基于加速度计的滑坡前兆位移监测装置秦 磊1，张 迪1，刘炳杰1，陈华民 2，李 青1（1.中国计量大学 机电工程学院，浙江 杭州 310018；2.金华市地质环境监测站，浙江 金华 321000）摘 要：为对滑坡前期的土体位移进行实时连续监测，减小山体滑坡带来的危害，文中设计一种以单片机为核心，以MEMS加速度计为采集终端的滑坡前兆位移监测装置。首先采用单片机对采集终端采集的加速度数据进行预处理；然后使用时域积分算法将加速度信号转换成位移，通过 LoRa无线模块将加速度数据和位移结果传输到 PC端，实现实时连续在线监测；最后采用卡尔曼滤波算法（OEKF）对加速度信号进行预处理，还原出更加真实的滑坡前期的土体运动状态，再使用太阳能供电系统来实现能量供给，维持传感器在野外长期稳定的工作。根据滑坡前的土体运动状态设计模拟实验，实验结果表明，所设计装置能够对地表滑坡前期的土体位移进行较为精确的测量，最大相对误差为2.25%，可为滑坡灾害预警预报系统提供科学有效的依据。关键词：滑坡前期；土体位移；位移监测装置；MEMS加速度传感器；卡尔曼滤波；时域积分算法；LoRa无线模块中图分类号：TN931+.334；P642.22 文献标识码：A 文章编号：1004373X（2023）18000107Landslide precursory displacement monitoring device based on accelerometer QIN Lei1,ZHANG Di1,LIU Bingjie1,CHEN Huamin2,LI Qing1(1.College of Mechanical and Electrical Engineering,China Jiliang University,Hangzhou 310018,China;2.Jinhua City Geological Environment Monitoring Station,Jinhua 321000,China)Abstract：In order to continuously monitor the soil displacement in the early stage of landslides in realtime and reduce the harm caused by landslides,a landslide precursor displacement monitoring device with singlechip microcomputer as the core and MEMS accelerometer as the collection terminal is designed.The singlechip microcomputer is used to preprocess the acceleration data collected by the acquisition terminal,and then the time domain integration algorithm is used to convert the acceleration signal into displacement.The LoRa wireless module is used to transmit the acceleration data and displacement results to the PC to realize realtime continuous online monitoring.The outlierelimination Kalman filter(OEKF)algorithm is used to preprocess the acceleration signal to restore a more realistic soil movement state in the early stage of the landslide.The solar power supply system is used to realize the energy supply and maintain the longterm stable work of the sensor in the field.The simulation experiment was designed according to the soil movement state in the early stage of the landslide.The experimental results show that the designed device can accurately measure the soil displacement in the early stage of the surface landslide,with a maximum relative error of 2.25%.It can provide a scientific and effective basis for landslide disaster warning and prediction systems.Keywords：early stage of the landslide;soil displacement;displacement monitoring device;MEMS acceleration sensor;Kalman filter;time domain integration algorithm;LoRa wireless module收稿日期：20230207 修回日期：20230302基金项目：国家重点研发计划课题：极端天气黄土体灾变风险防控技术装备研发（2022YFC3003403）1 1现代电子技术2023年第46卷传统的测量滑坡前期土体位移的方法有大地精密测量法、GPS法、遥感监测法等12，近些年新兴的方法有近景摄影3、数字图像法等。随着微机电系统（MEMS）技术的不断发展，MEMS加速度传感器以其高性能、高稳定性、低功耗、小尺寸等优点，在位移测量、精密制导、振动检测等领域得到广泛应用。针对目前利用 MEMS加速度传感器技术测量滑坡前期的土体位移精度低、无法实时监测和受环境影响较大的问题，本文提出一种基于 MEMS 加速度传感器、MCU和无线通信的滑坡前期的土体位移监测装置。该装置利用单片机采集 MEMS加速度传感器测量得到的原始加速度值，经过预处理、滤波、时域积分算法，得到最终的位移值；通过无线传输模块将单片机采集到的原始加速度数据和最终计算所得的位移值发送到上位机。1 检测装置总体设计野外地形复杂，交通不便，滑坡区域危险性较高，电力很难供应，信息传递较难，滑坡位移测量误差较大。针对以上问题，本文装置设计包括位移监测点的太阳能供电、加速度数据采集、数据处理分析、数据无线传输、数据的显示与存储等部分4。系统整体框架见图1。图1 系统整体框架图2 硬件设计本文装置硬件电路由MCU处理器最小系统和加速度传感器采集电路组成。微处理器芯片选用的是STM32F103RCT6，加速度传感器选用的是ADXL345。本文主要对滑坡前的土体位移进行研究。滑坡前的土体移动具有加速度小、变化缓慢和间歇性移动的特点5，因此所选择的加速度计应该量程小。将加速度计进行实测（静止运动静止）对比，通过单片机采集它们原始加速度值，原始数据对比结果如图2所示。图2 六种加速度计原始数据对比图分析图 2 可知：图 c）中 ADXL375 零偏误差较大；图 b）、图 d）中 WT9011G4K、WT931 在运动时噪声较大；图 e）、图 f）中 IM948 和 JY901S 虽然原始数据较平滑，但是最高数据输出速率较低，不能完全反映滑坡前的土体运动过程。基于此，本文选择加速度计 ADXL345，其是 ADI公司生产的三轴加速度传感器，具有超低功耗、高分辨率、高采样率的特点。ADXL345电路6设计如图3所示。3 软件设计本文装置计算位移的整体流程如图4所示。2第18期图3 ADXL345电路图图4 计算位移流程3.1 零偏误差补偿算法加速度传感器的零偏误差指的是：当加速度传感器静止放置也就是静止时加速度传感器无输入时，采集到的加速度值不为 0，并且采集到的加速度值围绕某一值波动。由于零偏误差的存在会使得积分初值不为 0，进而产生累计误差，导致位移测量产生较大误差。由以上分析可知，零偏误差值可以通过对加速度传感器静止放置时采集到的加速度值求算术平均值得到。加速度值减去此算术平均值即可消除零偏，公式如下：am=at-azero（1）式中：am表示加速度理想值；at表示加速度测量值；azero表示加速度测量值的算术平均值。3.2 滑动窗口异常值剔除补偿算法单片机采集到的加速度原始数据包括加速度值、随机误差和异常值，如图5所示。图5 加速度原始数据若不加处理就利用时域积分算法计算位移值，会有很大误差。本文针对异常值的剔除与补偿设计一种基于拉依达准则的滑动窗口异常值剔除补偿算法，而对随机误差的消除则利用卡尔曼滤波算法。加速度正态分布图如图6所示。经计算，加速度数据落在异常值区间为0.2%，符合正态分布。图6 加速度正态分布图滑动窗口异常值剔除补偿算法78的原理是：在随机误差符合正态分布的前提条件下，使用3倍观测值的标准差9作为异常值的取舍依据。标准差的计算公式为：=i=1n()Z(k)-Zn-1（2）式中：n是观测次数，采集次数至少 10次；-Z为测量值的算术平均值；标准差一般为给定值。拉依达准则取舍依据如下：秦 磊，等：基于加速度计的滑坡前兆位移监测装置3现代电子技术2023年第46卷Rt=zt-ave（3）式中：Rt为残差；ave为平均值。粗大误差时Rt 3；正常数据时Rt 3。设置一个时间长度为T的滑动窗口，此窗口中包含T个加速度数据点，随时刻滑动。用公式计算窗口中每个数据点的残差Rt，当计算得到前一个数据点与后一个数据点的残差Rt 3时，标记此点为异常值，并用窗口中T个数据的平均值代替此点。使用滑动窗口异常值剔除补偿算法前后的对比如图 7所示。图7 使用滑动窗口异常值剔除补偿算法效果图图 7a）为原始信号曲线，图 b）为识别并标记出异常值的原始信号曲线，图 c）为算法处理后的曲线。从图 7a）可以看出，原始数据有 4处明显偏离可信区间的数据点，对后续计算位移将带来很大误差。由图 7c）可以看出，采用滑动窗口异常值剔除补偿算法后，对于异常值的识别、剔除、补偿有很好的效果。3.3 卡尔曼滤波目前选用的加速度传感器是 ADXL345，通过串口可以直接读取其内部自带的一个16 bit的A/D转换出来的数字信号。加速度数据主要用于反映土体的运动状态，修正物体土体运动状态变化对输出结果的影响，公式如下：ac=a-aave （4）式中：ac是修正后的加速度值；a是修正之前的加速度值；aave是对静止时加速度数据求平均得到的值。当加速度传感器静止时，加速度应该为 0，但由加速度传感器实际读取数据发现，采集的数据有一定波动，考虑是由于传感器内部的固有噪声。卡尔曼滤波1012能有效地从带有随机误差的加速度原始数据过程中估计状态，此算法可由以下5个公式表述：x-t=Atxt-1+Btut-1（5）式中：x-t是通过上一时刻最优估计值预测到当前时刻的结果；xt-1是上一时刻的后验状态估计值；A、B在时间加速度一维系统中为常数，本文设置的系统预测值和上一时刻的相同，故 A 为 1；ut-1代表输入控制量，由于无输入控制量，所以此值为0。Pt=P-t-KtHtP-t （6）式中P-t代表t时刻的先验估计协方差。Kt=P-tHTtHtP-tHTt+Rt （7）式中：Kt代表卡尔曼增益，为观测和预测的加权系数；Ht为测量矩阵，它负责将 m 维的测量值转换到 n维，在时间加速度一维系统中，此值为1；Rt代表测量噪声。x+t=x-t+Kt(zt-Htx-t)（8）式中：x+t代表先验状态估计值；zt代表t时刻的测量值。Pt=()I-KtHtP-t （9）式中：Pt代表t时刻测量误差的协方差；I为单位矩阵，单输入单输出系统中此值为1。基于以上理论分析，假设初状态P0=10，对一次运动过程采集到的 10 538 个点的数据进行卡尔曼滤波，且使用中位数滤波进行对比，效果如图8、图9所示。图8 卡尔曼滤波前后对比图由图 8、图 9 可知，第 4 4006 000 个数据点为匀速运动。对比两幅图可以看出，经过卡尔曼滤波后的数据更好地还原了物体运动状态，加速度数据曲线抖动变小，更平滑。3.4 加速度二次积分机理目前本课题组直接测量滑坡前期的土体位移的方法是利用拉绳式位移传感器，此方法会因为不符合阿贝4第18期原理等因素影响测量精度13。图9 中位数滤波前后对比图因此本文设计摒弃之前的直接法，采用一种全新的方法间接法。在实际获取滑坡前期的土体位移的过程中，通过获取滑坡前期土体的加速度间接求出其位移值。采取时域积分法1416间接求取位移。对加速度信号进行一次积分得到速度信号，公式如下：v(t)=t0ta(t)dt+t+（10）式中：v(t)为理论待求的速度；t+为一次积分误差。再对式（10）进行一次积分，得到位移信号，如下所示：s(t)=t0tv(t)dt+0.5t2+t+（11）式中：s(t)为理论待求的位移；0.5t2+t+为二次积分误差。在实际采样中，由于采样间隔t=t-t0不为 0，所以积分误差会随时间一直累加，如果不加以限制就会使最后的位移结果误差一直累计，成为不可信结果。因为加速度传感器输出的数据是一组离散的值，所以由数值分析，采用梯形积分可以减小累计误差。在离散域中，将时间速度曲线分割成若干个小直角梯形，公式如下：v(n)=k=1na k +a k-12t=v 0 +12(a 0 +a n)t+(a 1+a 2 +a n-1)t（12）s(n)=k=1nv k +v k-12t=12(v 0 +v n)t+(v 1+v 2 +v n-1)t（13）由此可得在n时刻加速度传感器的单轴移动距离，如下所示：s n =n v 0 t+(n-1)a 1+(n-2)a 2 +v n-1 t2+14(a 0 +a n)t2（14）由式（14）可知，只需获得运动物体的初始速度，结合MEMS加速度传感器输出的实时加速度值，即可得到目标运动物体的实时位移结果。4 实验与数据分析4.1 实验设计在完成硬件和软件设计后，利用直线电机模组实验装置来验证。装置采集模块和算法的准确性是通过PC端上位机控制直线电机1718的动子模拟滑坡前土体的运动状态来验证的。直线电机模组由驱动器和直线电机15两部分组成，如图10所示。本实验选用的直线电机具有高加速度（02 m/s）、高速度（01 m/s），重复定位精度高（5 m）的特点，有效行程为30 cm。图10 直线电机模组实物图运行时的震动会对实验结果造成影响，所以实验前将台面铺一层减震胶垫，再将直线电机放到台面上可以很好地减小震动。将加速度计固定在直线电机动子上，使加速度计始终与直线电机动子保持平行。直线电机上电运行，通过上位机软件控制直线电机运行，进行两组实验，记录整个运动过程的数据。实验一中动子移动 15 cm；实验二中动子移动5 cm停止，移动5 cm停止，移动5 cm停止。4.2 数据分析由于篇幅所限，每组实验只显示一幅加速度、速度和位移时间图像。实验一的图像如图 11、图 12所示，实验二的图像如图13、图14所示。图 11曲线代表实验一 x轴原始加速度数据。加速度传感器数据输出速率设置为最高 3 200 Hz，所以每两个数据点时间间隔为 0.312 5 ms。从图 11横坐标可秦 磊，等：基于加速度计的滑坡前兆位移监测装置5现代电子技术2023年第46卷知，前 2 114 个数据点左右对应静止 0.312 52 1140.66 s，此时从图中曲线可以看出加速度传感器在某个值上下波动，但是在92点出现一个毛刺。经分析是加速度计本身测量存在的粗大误差，算法处理后可以去除。在2 114数据点开始运动，观察图中出现一个沿y轴负向尖峰，表明加速度计沿轴的负向前进，之后匀速运动，又出现一个沿y轴正向尖峰表明加速度计减速，最后停止。图11 加速度信号原始数据（实验一）图12 速度、位移时间曲线（实验一）图 13 加速度信号原始数据（实验二）图14 速度、位移时间曲线（实验二）由图 12可知，经过两次积分分别得到速度、位移曲线，实际运动距离为 15 cm，测量结果为 14.673 4 cm。重复测量5组位移，实验一和实验二的结果分别如表1、表2所示。表1 装置对位移的测量结果（实验一）实际位移/cm1515151515测量值/cm14.662 515.032 415.212 414.831 415.036 6相对误差/%2.2500.2161.4161.1240.244表2 装置对位移的测量结果（实验二）实际位移/cm5+5+55+5+55+5+55+5+55+5+5测量值/cm15.277 515.022 115.182 115.122 214.852 1相对误差/%1.8500.1471.2140.8140.986由表 1测试结果可以看出，本测量装置可以较为准确地对滑坡位移进行测量，测量最大误差为2.25%。从实验结果来看，实验一和实验二都有较为精确的位移测量结果，最大误差为2.25%，最小误差为0.147%。经过分析，造成此误差的原因有：1）无法找到一个完全水平的面放置直线电机，所以会有重力加速度分量的存在，使得加速度计前进方向轴上会有误差存在，影响测量位移的结果。6第18期2）受到直线电机轨道长度的限制，误差不容易进一步控制。3）直线电机动子在滑动过程会有振动，导致虽然在匀速运动过程中加速度计 x轴也在某一范围内波动，表现为振动加速度，使积分的结果出现偏差。4）受到加速度计精度的制约。5）系统数据采样频率引起的误差。在积分计算过程中，频率分辨率越高，积分计算精度越高。6）系统存在随机噪声。5 结 语本文通过 MEMS加速度传感器对滑坡前的土体位移进行监测、实验和分析对比，得出以下结论：1）验证了以 MEMS加速度传感器、STM32单片机、无线传输设备、上位机软件为基础的监测系统测量滑坡前的土体位移的可行性。2）针对加速度传感器测量数据中存在的异常数据，提出了一种异常值剔除与补偿的卡尔曼滤波的加速度处理方法，并应用于实际位移测量中，实现了高精度测量，该方法具有鲁棒性。3）对比中值滤波、未加入异常值剔除与补偿的卡尔曼滤波算法，验证了本文提出的粗大误差剔除补偿的卡尔曼滤波（OEKF）方法测量位移精度高、鲁棒性强，即使在多异常值情况下仍能实现高精度测量，测量精度高，相对误差最大为2.25%。4）采用结合异常值剔除的卡尔曼滤波算法（OEKF）与双积分算法，可以实现滑坡前的土体位移的动态测量。注：本文通讯作者为李青。参考文献1 许威，李鹏辉，盛玉兴，等.滑坡监测方法综述与展望J.安徽建筑，2020，27（8）：9294.2 李青.地质灾害与计量测试J.上海计量测试，2006（6）：613.3 杨松勇.近景摄影测量技术在露天矿边坡变形监测中的研究D.赣州：江西理工大学，2019.4 李光伟，董林玺.基于 MEMS 加速度传感器的位移检测系统J.传感器与微系统，2014，33（7）：7981.5 许强，曾裕平.具有蠕变特点滑坡的加速度变化特征及临滑预警指标研究J.岩石力学与工程学报，2009，28（6）：10991106.6 张锦博，张不已.基于单片机和 ADXL345的数据采集与软件实现J.中国高新区，2017（16）：43.7 廖碧涛，邱兰.基于莱以达准则的粗大误差的自动剔除J.内江科技，2017，38（11）：5051.8 徐琛辉，马明辉.基于拉依达准则的交通数据粗大误差处理优化方法J.上海工程技术大学学报，2018，32（1）：6467.9 刘宗宝，高世桥，杜井庆.测量数据剔除粗大误差与平滑处理的一种算法C/第三十一届中国控制会议论文集D卷.合肥：中国自动化学会控制理论专业委员会，2012：18191824.10 邱润，黎敬涛，李孝疆，等.基于卡尔曼滤波算法的轨迹预测J.电视技术，2022，46（6）：2428.11 韩颖.基于卡尔曼滤波的MEMS陀螺噪声抑制算法设计与实现J.电子测试，2021（19）：5153.12 柯玮翔，肖榆瀞.基于卡尔曼滤波的简易风洞控制系统J.工业控制计算机，2022，35（10）：57.13 伍沛刚，张鹏，周献琦.拉线式位移传感器误差来源的初步分析J.工业计量，2014，24（1）：6162.14 陈为真，汪秉文，胡晓娅.基于时域积分的加速度信号处理J.华中科技大学学报（自然科学版)，2010，38（1）：14.15 IOAKIM P,TRIANTIS I F.The challenges of deriving displacement trends from MEMS accelerometric data C/2017 IEEE Sensors.S.l.:IEEE,2017:13.16 URSEL T,OLINSKI M.Displacement estimation based on optical and inertial sensor fusion J.Sensors,2021,21(4):1390.17 叶云岳.直线电机原理与应用M.北京：机械工业出版社，2000：148.18 杨帮文.直线传动技术与设备选用手册M.北京：中国电力出版社，2010：3189.作者简介：秦 磊（1997），山东日照人，在读硕士研究生，主要研究方向为地质灾害监测。李 青（1955），男，浙江杭州人，二级教授，博士生导师，主要研究方向为动态测量与控制、传感技术。秦 磊，等：基于加速度计的滑坡前兆位移监测装置7