一种数据处理方法、系统、装置和存储介质与流程

1.本技术涉及智能运维技术领域，尤其涉及一种数据处理方法、系统、装置和存储介质。


背景技术：

2.近年来，以地铁为首的城市轨道交通在我国发展迅速，轨道交通已成为我国城市建设的重要组成部分，在满足人们日常出行与促进城市发展方面具有关键意义。实现轨道交通智能化、现代化运维是复杂的系统工程，涉及通信、信号、环境、火灾自动报警、隧道、建筑、车站、桥梁设备、供电设备、车辆设备、轨道设备等十余类端层设备。多门类不同监测设备类型达数百种，而不同门类设备具有不同的功能。随着新建线路的不断增加，带来的是相关设备数量大量增长，设施设备系统承受了很重的负荷。
3.然而，目前轨道交通运维业务大多采用故障维修和计划维修的管理模式，一方面大量使用人工操作，导致运维效率低、成本高；另一方面，运维数据不够细化，频率不够高，并且很难及时、透明地管理维保过程，容易造成设备维修不足和维修过剩的问题，导致故障的频发和资源浪费，且存在安全隐患。


技术实现要素：

4.本技术实施例期望提供一种数据处理方法、系统、装置和存储介质。
5.本技术的技术方案是这样实现的：
6.本技术第一方面的实施例提供一种数据处理方法，所述数据处理方法包括：
7.基于不同采样频率的传感器获取至少两类参数；
8.基于所述至少两类参数和所述至少两类参数中每一参数对应的预警等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数；
9.对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定所述第一类参数的预警等级；和/或对所述至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，确定所述第二类参数的预警等级。
10.可选地，所述至少两类参数包括结构参数和环境参数；
11.所述结构参数用于表征采样目标的自身状态；
12.所述环境参数用于表征对所述采样目标的自身状态产生影响的外部环境。
13.可选地，在所述基于不同采样频率的传感器获取至少两类参数之后，所述方法包括：
14.对所述至少两类参数进行数据清洗，剔除所述至少两类参数中的异常参数；
15.将经过数据清洗后的数据进行归一化处理，得到标准数据；
16.从所述标准数据中进行特征提取，得到多组特征值；
17.将所述多组特征值按照类别的不同分别进行存储。
18.可选地，所述基于所述至少两类参数和所述至少两类参数中每一参数对应的预警
等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数，包括：
19.确定所述至少两类参数中的每一参数对应的传感器的预警等级；
20.基于所述至少两类参数和每一所述预警等级对应的预警等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数。
21.可选地，所述对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，包括：
22.基于证据理论对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理；
23.所述对所述至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，包括：
24.基于证据理论对所述至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理。
25.本技术的第二方面的实施例提供一种数据处理系统，所述数据处理系统包括：传感器和处理器，
26.所述传感器，包括采样频率不同的至少两类传感器，用于获取至少两类参数；
27.所述处理器，用于基于所述至少两类参数和所述至少两类参数中每一参数对应的预警等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数；对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定所述第一类参数的预警等级；和/或对所述至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，确定所述第二类参数的预警等级。
28.可选地，所述至少两类参数包括结构参数和环境参数；
29.所述结构参数用于表征采样目标的自身状态；
30.所述环境参数用于表征对所述采样目标的自身状态产生影响的外部环境。
31.可选地，所述处理器还用于：
32.对所述至少两类参数进行数据清洗，剔除所述至少两类参数中的异常参数；
33.将经过数据清洗后的数据进行归一化处理，得到标准数据；
34.从所述标准数据中进行特征提取，得到多组特征值；
35.将所述多组特征值按照类别的不同分别进行存储。
36.可选地，所述处理器具体用于：
37.确定所述至少两类参数中的每一参数对应的传感器的预警等级；
38.基于所述至少两类参数和每一所述预警等级对应的预警等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数。
39.可选地，所述处理器具体用于：
40.基于证据理论对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理；
41.基于证据理论对所述至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理。
42.本技术的第三方面的实施例提供一种数据处理装置，所述装置包括：
43.获取模块，用于基于不同采样频率的传感器获取至少两类参数；
44.第一确定模块，用于基于所述至少两类参数和所述至少两类参数中每一参数对应的预警等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数；
45.第二确定模块，用于对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定所述第一类参数中的每一参数的预警等级；和/或对所述至少两类参数中的第二类参数的概率分配函数进行融合处理，确定所述第二类参数的预警等级。
46.本技术的第四方面的实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述方法中的任一步骤。
47.本技术实施例提供的一种数据处理方法、系统、装置和存储介质，所述数据处理方法包括：基于不同采样频率的传感器获取至少两类参数；基于所述至少两类参数和所述至少两类参数中每一参数对应的预警等级阈值，确定所述至少两类参数中每一参数在不同预警等级下的概率分配函数；对所述至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定所述第一类参数的预警等级；和/或对所述至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，确定所述第二类参数的预警等级。采用本技术的技术方案，通过对采样频率不同的传感器采集的数据进行分类融合，将采样频率大的参数和采样频率小分别进行处理，有效地解决了各传感器在同一时刻的数据融合，能够及时预警，而且减小了融合数据量，降低了融合维度和复杂度，能够实现更精准的故障定位。
附图说明
48.图1为本技术实施例提供的一种数据处理方法的流程示意图；
49.图2本技术实施例提供的一种数据处理系统的结构示意图；
50.图3为本技术一具体实施例提供的一种数据处理系统的结构示意图；
51.图4为本技术一具体实施例提供的传感器具体参数示意图；
52.图5为本技术一具体实施例提供的分步数据融合的流程示意图；
53.图6为本技术一具体实施例提供的桥面平面参数分步数据融合的流程示意图；
54.图7为本技术一具体实施例提供的拱桁参数分步数据融合的流程示意图；
55.图8为本技术一具体实施例提供的上弦面参数分步数据融合的流程示意图；
56.图9为本技术一具体实施例提供的下弦面参数分步数据融合的流程示意图；
57.图10为本技术实施例提供的一种数据处理装置的结构示意图。
具体实施方式
58.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
59.此外，附图仅为本技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处
理器装置和/或微控制器装置中实现这些功能实体。
60.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
61.在此使用的术语的目的仅在于描述具体实施例并且不作为本技术的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
62.在一些实施例中，请参阅图1，图1为本技术实施例提供的一种数据处理方法的流程示意图；本技术实施例提供一种数据处理方法，包括：
63.s110，基于不同采样频率的传感器获取至少两类参数。
64.在本实施例中，本数据处理方法应用于桥梁监测。在实际监测过程中，需要检测的参数类型可以达到几十甚至上百种，这里，根据参数的属性，可以将需要检测的参数分为应力参数、位移参数、倾斜参数和环境参数。这些参数中，一部分需要持续观测，如桥梁倾角、风速、支座变形压力、索力压力、加速度(主梁振动加速度和桥塔/拱肋加速度)等，这些参数不仅需要长期监测，而且监测频率较大，通常1秒钟需要测得几十组数据；而另一部分参数，如纵向滑移、挠度和温湿度等参数，虽然也需要长期监测，但是监测频率比较小，通常1秒钟乃至几分钟测得一组数据。
65.需要说明的是，本实施例中，基于不同采样频率的传感器可以获取三组、四组，甚至更多组的参数，例如，对于其他一些监测频率更小的参数，可以另行归类，在此不进行枚举。
66.s120，基于至少两类参数和至少两类参数中每一参数对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数。
67.这里，首先确定各传感器对应的预警等级，示例性的，预警等级可以划分为四个状态：蓝色、黄色、橙色和红色，每个状态对应各自预警等级阈值，进而构造预警概率分配函数其中dj表示挠度输入值x与某预警等级xi之间的距离，dj＝|x-xi|，d表示挠度输入值x与四个预警等级阈值的距离和，t表示四个预警等级状态，m为预警概率分配函数。警概率分配函数满足对于每个预警等级，概率分配都[0,1]之间，且预警等级概率和为1。例如，m(蓝)＝0.6，m(黄)＝0.2，m(橙)＝0.1，m(红)＝0.1。
[0068]
需要说明的是，针对至少两类参数构造的预警概率分配函数可以是相同的，但每一类参数中的每一种参数对应的预警等级阈值可以不同。
[0069]
s130，对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定第一类参数的预警等级；和/或对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，确定第二类参数的预警等级。
[0070]
在本实施例中，至少两类参数可以包括第一类参数和第二类参数，第一类参数对
应的采样频率大于第二类参数，因此，在一个预设周期内，可以对第一类参数的概率分配函数进行多次融合处理，确定第一类参数的预警等级，对第二类参数的概率分配函数进行一次融合处理，确定第二类参数的预警等级。这里，一个预设周期大于第二类参数的一个采样周期，小于第二类参数的两个采样周期。
[0071]
本技术实施例通过对采样频率不同的传感器采集的数据进行分类融合，将采样频率大的参数和采样频率小分别进行处理，有效地解决了各传感器在同一时刻的数据融合，能够及时预警，而且减小了融合数据量，降低了融合维度和复杂度，能够实现更精准的故障定位。
[0072]
在一些实施例中，至少两类参数包括结构参数和环境参数；
[0073]
结构参数用于表征采样目标的自身状态；
[0074]
环境参数用于表征对采样目标的自身状态产生影响的外部环境。
[0075]
在本实施例中，至少两类参数可以包括，如应力参数、位移参数、倾斜参数在内的结构参数，还包括环境参数，如温湿度、风速等。
[0076]
优选的，根据各类参数对应的传感器的采样频率对各类参数进行二次分类，即将采样频率在第一采样阈值范围内的传感器对应的参数归为第一类参数，将采样频率大于第一采样阈值的传感器对应的参数归为第二类参数，由此，可以对每类参数分别进行处理。
[0077]
在一个示例中，采样目标可以是桥梁。这里，桥梁可以包括桥面平面，拱桁，上弦面和下弦面。通过桥梁上不同位置的传感器可以采集多类结构参数和多类环境参数，其中一部分参数可以在桥面平面采集获取，另一部分可以在拱桁，上弦面和下弦面采集获取，且通过设置在桥梁的不同位置上的传感器可以分别对桥梁上的不同位置处的同一监测内容进行监测。
[0078]
在一些实施例中，在基于不同采样频率的传感器获取至少两类参数之后，所述方法包括：
[0079]
对至少两类参数进行数据清洗，剔除至少两类参数中的异常参数；
[0080]
将经过数据清洗后的数据进行归一化处理，得到标准数据；
[0081]
从标准数据中进行特征提取，得到多组特征值；
[0082]
将多组特征值按照类别的不同分别进行存储。
[0083]
通过传感器采集的初始参数中，由于仪器原因或环境原因，往往会存在一些异常值或者缺失值，还可能存在一些噪音点，因此，需要对采集到的初始参数进行清洗，剔除其中的异常参数。对处理后的参数进行归一化处理，可以得到更合适的参数模型，并基于进行特征提取，得到一系列特征值，如算术平均数、方差、一阶差分、二阶差分等。根据类别的不同，对这些特征值可以分别进行存储，便于后续进行融合处理。
[0084]
需要说明的是，对于低精度的观测数据，可以将每组传感器的时间配准，进而采用内插法进行差值处理。假设t
ki-1
,t
ki
,t
ki+1
为高精度观测数据的连续三个时间点，测量数据为x
i-1
,xi,x
i+1
，t
ki-1
,t
ki
,t
ki+1
可以看做等时间间隔的，要计算低精度观测数据ti时刻的观测值，运用插值法可以得出：
[0085]
[0086]
在一些实施例中，基于至少两类参数和至少两类参数中每一参数对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数，包括：
[0087]
确定至少两类参数中的每一参数对应的传感器的预警等级；
[0088]
基于至少两类参数和每一所述预警等级对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数。
[0089]
在本实施例中，至少两类参数可以包括第一类参数和第二类参数，第一类参数和第二类参数中均包可以含多种参数，每一种参数可以对应于不同的预警等级阈值。根据基于传感器监测得到的实时参数，以及构建的预警概率分配函数，可以确定出每一参数在不同预警等级下的概率分配函数。
[0090]
在一些实施例中，对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，包括：
[0091]
基于证据理论对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理；
[0092]
对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，包括：
[0093]
基于证据理论对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理。
[0094]
在本实施例中，采用ds(dempster/shafer)证据理论对至少两类参数中的每一类参数的概率分配函数进行融合处理。将传感器监测得到的实时参数作为输入，结合构建的预警概率分配函数，从而得到至少两类参数中的每一参数在不同预警等级下的概率分配函数，进而采用ds证据理论进行融合处理，确定每一类参数的预警等级。
[0095]
在一个示例中，以挠度为例，假设观测值为x，xi(i＝1,2,3,4)表示挠度的四个预警等级阈值，tj(j＝1,2,3,4)为预警等级蓝色、黄色、橙色和红色四个状态，则对于挠度输入值x对应预警率分配函数为其中dj表示挠度输入值x与某预警等级xi之间的距离，dj＝|x-xi|，d表示挠度输入值x与四个预警等级阈值的距离和，t表示四个预警等级状态，m为预警概率分配函数，它满足对于每种预警等级，概率分配都在[0,1]之间，且预警等级概率和为1。例如，m(蓝)＝0.6，m(黄)＝0.2，m(橙)＝0.1，m(红)＝0.1，此时挠度处于蓝色预警等级。确定挠度传感器预警概率分配函数后，以同样方法得到其它传感器预警概率分配函数，这里，以同一类参数中的两种参数为例进行说明，使用d-s证据理论的融合规则：
[0096]
进行融合，其中，m1(b)和m2(c)为两个不同传感器对应的预警等级的概率，这两个不同传感器采集的为同一类参数中的不同参数，m(tj)为融合结果，通过比较融合后四个预警等级的概率，决策这类参数
的预警等级。
[0097]
本技术实施例还提供一种数据处理系统，请参阅图2，图2本技术实施例提供的一种数据处理系统的结构示意图；该数据处理系统200包括：传感器210和处理器220，
[0098]
传感器210，包括采样频率不同的至少两类传感器，用于获取至少两类参数；
[0099]
处理器220，用于基于至少两类参数和至少两类参数中每一参数对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数；对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定第一类参数的预警等级；和/或对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，确定第二类参数的预警等级。
[0100]
在本实施例中，根据参数的属性，可以将需要检测的参数分为应力参数、位移参数、倾斜参数和环境参数。这些参数中，一部分需要持续观测，如桥梁倾角、风速、支座变形压力、索力压力、加速度等，这些参数不仅需要长期监测，而且监测频率较大，通常1秒钟需要测得几十组数据；而另一部分参数，如纵向滑移、挠度和温湿度等参数，虽然也需要长期监测，但是监测频率比较小，通常1秒钟乃至几分钟测得一组数据。需要说明的是，本实施例中，基于不同采样频率的传感器可以获取三组、四组，甚至更多组的参数，例如，对于其他一些监测频率更小的参数，可以另行归类，在此不进行枚举。
[0101]
在一个示例中，预警等级可以划分为四个状态：蓝色、黄色、橙色和红色，每个状态对应各自预警等级阈值，进而构造预警概率分配函数。这里，针对至少两类参数构造的预警概率分配函数可以是相同的，但每一类参数中的每一种参数对应的预警等级阈值可以不同。
[0102]
在本实施例中，至少两类参数可以包括第一类参数和第二类参数，第一类参数对应的采样频率大于第二类参数，因此，在一个预设周期内，可以对第一类参数的概率分配函数进行多次融合处理，确定第一类参数的预警等级，对第二类参数的概率分配函数进行一次融合处理，确定第二类参数的预警等级。这里，一个预设周期大于第二类参数的一个采样周期，小于第二类参数的两个采样周期。
[0103]
本技术实施例通过对采样频率不同的传感器采集的数据进行分类融合，将采样频率大的参数和采样频率小分别进行处理，有效地解决了各传感器在同一时刻的数据融合，能够及时预警，而且减小了融合数据量，降低了融合维度和复杂度，能够实现更精准的故障定位。
[0104]
在一些实施例中，至少两类参数包括结构参数和环境参数；
[0105]
结构参数用于表征采样目标的自身状态；
[0106]
环境参数用于表征对采样目标的自身状态产生影响的外部环境。
[0107]
优选的，根据各类参数对应的传感器的采样频率对各类参数进行二次分类，即将采样频率在第一采样阈值范围内的传感器对应的参数归为第一类参数，将采样频率大于第一采样阈值的传感器对应的参数归为第二类参数，由此，可以对每类参数分别进行处理。
[0108]
在一个示例中，采样目标可以是桥梁。这里，桥梁可以包括桥面平面，拱桁，上弦面和下弦面。通过桥梁上不同位置的传感器可以采集多类结构参数和多类环境参数，其中一部分参数可以在桥面平面采集获取，另一部分可以在拱桁，上弦面和下弦面采集获取，且在桥梁的不同位置可以分别对同一监测内容进行监测。
[0109]
在一些实施例中，处理器还用于：
[0110]
对至少两类参数进行数据清洗，剔除至少两类参数中的异常参数；
[0111]
将经过数据清洗后的数据进行归一化处理，得到标准数据；
[0112]
从标准数据中进行特征提取，得到多组特征值；
[0113]
将多组特征值按照类别的不同分别进行存储。
[0114]
通过传感器采集的初始参数中，由于仪器原因或环境原因，往往会存在一些异常值或者缺失值，还可能存在一些噪音点，因此，需要对采集到的初始参数进行清洗，剔除其中的异常参数。对处理后的参数进行归一化处理，可以得到更合适的参数模型，并基于进行特征提取，得到一系列特征值，如算术平均数、方差、一阶差分、二阶差分等。根据类别的不同，对这些特征值可以分别进行存储，便于后续进行融合处理。
[0115]
在一些实施例中，处理器具体用于：
[0116]
确定至少两类参数中的每一参数对应的传感器的预警等级；
[0117]
基于至少两类参数和每一预警等级对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数。
[0118]
在本实施例中，至少两类参数可以包括第一类参数和第二类参数，第一类参数和第二类参数中均包可以含多种参数，每一种参数可以对应于不同的预警等级阈值。根据基于传感器监测得到的实时参数，以及构建的预警概率分配函数，可以确定出每一参数在不同预警等级下的概率分配函数。
[0119]
在一些实施例中，处理器具体用于：
[0120]
基于证据理论对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理；
[0121]
基于证据理论对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理。
[0122]
在本实施例中，采用ds证据理论对至少两类参数中的每一类参数的概率分配函数进行融合处理。将传感器监测得到的实时参数作为输入，结合构建的预警概率分配函数，从而得到至少两类参数中的每一参数在不同预警等级下的概率分配函数，进而采用ds证据理论进行融合处理，确定每一类参数的预警等级。具体示例如上述方法实施例所述，在此不再一一赘述。
[0123]
在一具体实施例中，请参阅图3，图3为本技术一具体实施例提供的一种数据处理系统的结构示意图；该系统包括感知层、传输层、平台层、应用层和交互层，其中，
[0124]
感知层用于通过多种方式采集不同类型传感器监测数据，包括传统固定传感器采集和新型群智感知采集；群智感知采集是通过已有的传感器设备形成交互式的、参与式的感知网络，并将感知任务发布给网络中的个体或群体来完成，从而解决各种大规模数据需求。
[0125]
传输层用于传输传感器采集的数据，涉及nb-iot、光纤通信以及4g/5g无线通信三种方式。
[0126]
平台层，用于对各类传感器设备采集的数据进行数据清洗、数据转化、特征处理和数据存储。
[0127]
应用层包括实时监测模块、统计分析模块和智能运维模块；
[0128]
实时监测模块用于监测桥梁设备的各类传感器采集数据、包括在有车经过的动态结构监测和无车经过的静态结构监测，以及外部环境监测。
[0129]
统计分析模块用于对故障数据分析、区域数据分析以及传感器比重分析。其中，故障数据分析涉及不同采样时间、采样频率传感器分析，区域分析涉及桥梁结构不同区域、不同测点的数据对比分析，比重分析涉及不同传感器在运维模块中融合处理时比重分配。
[0130]
智能运维模块用于故障预警、多传感器数据融合以及故障诊断；其中故障预警根据各类传感器预警阈值，对观测数据进行预警决策；数据融合采用ds证据理论方法对预警决策结果进行融合；故障诊断结合融合预警结果以及运行状态，综合分析设备故障模式、故障部位和故障原因，输出诊断结果，给出故障维护方案。
[0131]
交互层用于面向运维管理人员、实时监控人员及检修人员提供人机交互功能。
[0132]
在一个示例中，请参阅图4，图4为本技术一具体实施例提供的传感器具体参数示意图；其中，检测类型为桥梁监测，监测项目包括应力监测、位移监测、倾斜监测和环境监测，应力监测的主要监测类容包括索力压力、支座变形压力、主梁振动加速度、桥塔/拱肋加速度、振动频率、主缆/斜拉索/吊杆力以及结构应力，位移监测的主要监测类容包括挠度、主塔/拱肋偏位、锚体位移、纵向滑移和主梁裂缝，倾斜监测的主要监测类容包括桥梁倾角，环境监测的主要监测类容包括湿度、风速和温度，具体参数、监测设备及采样频率如图所示。基于采样频率的不同可以将上述参数进行分类，并分别进行处理。
[0133]
在一个示例中，请参阅图5，图5为本技术一具体实施例提供的分步数据融合的流程示意图。
[0134]
将桥梁倾角、风速、支座变形压力、索力压力、加速度(包括主梁振动加速度和桥塔/拱肋加速度)和振动频率等作为第一类参数，并输入至融合系统1，将挠度、温度和湿度等作为第二类参数输入至融合系统2。需要说明的是，虽然输入至同一融合系统中的参数对应的传感器的采样频率比较接近，但是仍然会存在一些区别。对于输入至融合系统501中的参数，由于索力压力、支座变形压力和加速度对应的传感器的采样频率相对较小，为了使得数据更加完整和准确，通过内插法进行差值处理，由此，得到更加完整和精确的参数。同样的，对输入至融合系统502中的温度和湿度进行内插法插值处理，从而使得融合系统501和融合系统502中的各参数的精度更加一致。
[0135]
本示例通过对采样频率不同的传感器采集的数据进行分类融合，将采样频率大的参数和采样频率小分别进行处理，输入至不同的融合系统，从而有效地解决了各传感器在同一时刻的数据融合的问题，能够及时预警，而且减小了融合数据量，降低了融合维度和复杂度，能够实现更精准的故障定位。
[0136]
在一个示例中，请参阅图6，图6为本技术一具体实施例提供的桥面平面参数分步数据融合的流程示意图。对于桥面平面，其对应的监测内容包括：振动频率、支座变形压力、加速度、结构应力、桥梁倾角、纵向滑移和温度。考虑到传感器采样频率的差异，将采样频率较为接近的振动频率、支座变形压力、加速度、结构应力、桥梁倾角输入至融合系统601，将纵向滑移和温度输入至融合系统602，由此实现了对不同采样梯度的参数的分步融合。这里，为保持各参数的精度一致，对振动频率、支座变形压力、加速度、结构应力和温度分别进行内插法差值处理。
[0137]
在一个示例中，请参阅图7，图7为本技术一具体实施例提供的拱桁参数分步数据
融合的流程示意图。对于拱桁，其对应的监测内容包括：振动频率、结构应力、桥梁倾角、风速和温度。考虑到传感器采样频率的差异，将采样频率较为接近的振动频率、结构应力、桥梁倾角、风速输入至融合系统701，将温度输入至融合系统702，由此实现了对不同采样梯度的参数的分步融合。这里，为保持各参数的精度一致，对振动频率、结构应力分别进行内插法差值处理。
[0138]
在一个示例中，请参阅图8，图8为本技术一具体实施例提供的上弦面参数分步数据融合的流程示意图。对于上弦面，其对应的监测内容包括：结构应力、风速和温度。考虑到传感器采样频率的差异，将采样频率较为接近的结构应力、风速输入至融合系统801，将温度输入至融合系统802，由此实现了对不同采样梯度的参数的分步融合。这里，为保持参数的精度一致，对结构应力进行内插法差值处理。
[0139]
在一个示例中，请参阅图9，图9为本技术一具体实施例提供的下弦面参数分步数据融合的流程示意图。对于下弦面，其对应的监测内容包括：结构应力和温度。考虑到传感器采样频率的差异，将结构应力输入至融合系统901，将温度输入至融合系统902，由此实现了对不同采样梯度的参数的分步融合。
[0140]
需要说明的是，上示例中提及的监测内容仅仅是举例说明，还可以包括其他一些结构参数或环境参数，对此不进行枚举。
[0141]
本技术实施例还提供一种数据处理装置，请参阅图10，图10为本技术实施例提供的一种数据处理装置的结构示意图，所述数据处理装置1000包括：
[0142]
获取模块1001，用于基于不同采样频率的传感器获取至少两类参数；
[0143]
第一确定模块1002，用于基于至少两类参数和至少两类参数中每一参数对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数；
[0144]
第二确定模块1003，用于对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理，确定第一类参数的预警等级；和/或对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理，确定第二类参数的预警等级。
[0145]
在一些实施例中，至少两类参数包括结构参数和环境参数；
[0146]
结构参数用于表征采样目标的自身状态；
[0147]
环境参数用于表征对采样目标的自身状态产生影响的外部环境。
[0148]
在一些实施例中，所述装置还包括：处理模块；处理模块用于：
[0149]
对至少两类参数进行数据清洗，剔除至少两类参数中的异常参数；
[0150]
将经过数据清洗后的数据进行归一化处理，得到标准数据；
[0151]
从标准数据中进行特征提取，得到多组特征值；
[0152]
将多组特征值按照类别的不同分别进行存储。
[0153]
在一些实施例中，第一确定模块具体用于：
[0154]
确定至少两类参数中的每一参数对应的传感器的预警等级；
[0155]
基于至少两类参数和每一所述预警等级对应的预警等级阈值，确定至少两类参数中每一参数在不同预警等级下的概率分配函数。
[0156]
在一些实施例中，第二确定模块具体用于：
[0157]
基于证据理论对至少两类参数中的第一类参数中的每一参数的概率分配函数进行融合处理；
[0158]
基于证据理论对至少两类参数中的第二类参数中的每一参数的概率分配函数进行融合处理。
[0159]
关于本实施例提供的数据处理装置，具体示例请参阅上述方法示例所述，在此不再一一赘述。
[0160]
本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述数据处理方法中的任一步骤。
[0161]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法、系统和装置，可以通过其他的方式实现。以上所描述的系统和装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个模块或组件可以结合，或可以集成到另一个观测量，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其他形式的。
[0162]
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例的目的。
[0163]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0164]
或者，本技术实施例上述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台多视角遥感影像的分类设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0165]
本发申请实施例中记载的一种数据处理方法和系统只以本技术所述实施例为例，但不仅限于此，只要涉及到该驱动装置均在本技术的保护范围。
[0166]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0167]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该
要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0168]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。