kalman滤波在地表移动观测站沉降监测中的应用研究

《kalman滤波在地表移动观测站沉降监测中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、万方数据第34卷第9期2011年9月合肥工业大学学报(自然科学版)JOURNALoFHEFEIUNIVERSITYOFTECHNOLOGYV01．34No．9Sept．2011Doi：i0．3969／j．issn．1003-5060．2011．09．022Kalman滤波在地表移动观测站沉降监测中的应用研究吕伟才1，秦永洋2，孙兴平2，郭红星2(1-安徽理工大学测绘学院，安徽淮南232001，2．淮南矿业(集两)有限责任公司顾桥煤矿，安徽淮南232150)摘要：文章根据Kalman滤波理论，结合矿区开采沉陷监测的需要，建立了对地表移动观测站沉降监测进行动

2、态处理的标准Kalman滤波模型和预测预报模型；利用顾桥矿1117(1)首采面观测站的实测资料，对所建立的滤波模型和预测预报模型进行了检核，结果表明所建模型基本能满足开采沉陷工程治理的要求。关键词：卡尔曼滤波；开采沉陷；地表移动观测站；沉降监测；动态预报中图分类号：'I"I)173．3文献标识码：A文章编号：1003—5060(2011)09—1370-05ApplicationofKalmanfilteringinmonitoringofsurfacesubsidencebytheobservationstationLUWei-cail，QINYong

3、-yan92，SUNXing-pingz，GUOHong-xinga(1．SchoolofGeomaties，AnhuiUniversityofScienceandTechnology。Huainan232001。China；2．GuqiaoCoalMineofHuainanMiningGroup。Huainan232150，Clli姐)Abstract：AccordingtoKalmanfilteringtheoryandtheneedsofminingsubsidencemonitoring，thestandardKalmanfilteringmod

4、elandpredictingmodelofthesurfacesubsidenceareadvancedwhichismonitoredbythesurfacedisplacementobservationstation．Thesemodelsaretestedbythedatafromthe1117(1)FirstExploitingFaceObservationStationinGuqiaoMine，andmeettherequirementforminingsubsidencemanagementengineering．Keywords：Kalm

5、anfiltering；miningsubsidence；surfacedisplacementobservationstation；subsidencemonitoring；dynamicprediction在进行开采沉陷监测和数据处理中，通常将观测站看作一种周期性重复监测网，在对每次观测数据进行处理时，一般采用静态数据处理方法(如最dx--乘估计方法)，即认为在观测过程中监测点是静止不动的。当地表移动处于初始阶段或衰退阶段时，这种处理方法可以满足地表移动变形规律分析的要求。但当地表移动处于活跃阶段时，这种处理方法就不可取了，其结果将可能导致地表移动变

6、形规律的错误。．在开采过程中，有时需要了解井下开采对地表的动态影响规律。对于未建观测站的工作面，可采用基于概率积分法的动态移动变形预计方法[1]，但预计的精度取决于对地质采矿条件的掌握程度、预计参数和预计模型的适应性等多种因素；对于在建观测站的工作面，除可采用概率积分法进行动态预计外，还可以采用时间序列、卡尔曼滤波等方法。但时间序列方法要求监测网(点)的观测期数较多，且仅适用于对一点的预测；而卡尔曼滤波对监测网的观测期数要求较少，且适用于对整个观测站的预测或其中某一测点的预测。基于以上原因，本文以Kalman理论为基础，建立地表移动观测站沉降监测的动态数

7、据处理模收稿日期：2010—06—12；修回日期：2010—08-02基金项目：安徽高校省级自然科学研究重点资助项目(KJ2010A104)作者简介：吕伟才(1965一)，女，山东青岛人，安徽理工大学副教授，硕士生导师．万方数据第9期吕伟才，等：Kalman滤波在地表移动观测站沉降监测中的应用研究1371型和预报模型，并以顾桥煤矿1117(1)首采面地表移动观测站为例，对模型的有效性进行检验。1Kalman滤波的状态方程和观测方程卡尔曼滤波理论是一种对动态系统进行数据处理的有效方法，它利用观测向量来估计随时间不断变化的状态向量。由于其在对状态向量进行估计

8、时，不需要存储大量的历史观测数据，利用新的观测值，通过不断的预测和修正，即可估计