[發明專利]一種大跨度金屬屋面的故障實時預警方法及裝置

有效

• 申請號: 201910024616.5
• 申請日: 2019-01-10
• 公開（公告）號: CN109655298B
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 楊麗曼;沈東凱;富辰瑤
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 曹鵬飛

1.一種大跨度金屬屋面的故障實時預警方法，其特征在于，包括：

獲取預設區域在預設時間內所有采集點的數據；所述采集點包括應力片和激光傳感器；

將所述數據進行預處理，并提取時域特征量；

將所述時域特征量，輸入雙層決策樹算法模型進行計算；

所述雙層決策樹算法模型輸出故障類別及故障位置；

其中，將所述時域特征量，輸入雙層決策樹算法模型進行計算，包括：區域層計算和節點層計算；

區域層計算：當所述預設區域內在預設時間內所有激光傳感器采集數據的位移均值大于等于第二預設閾值時，則確定所述預設區域為故障區域；

節點層計算：當所述位移均值小于所述第二預設閾值時，根據所述應力片采集的應力數據，獲得多個參數；所述多個參數包括：應力均值、應力標準差、應力最大值以及同一時刻位移和應力的相關系數；將所述多個參數輸入決策樹分類算法，獲得故障類別及故障位置。

2.如權利要求1所述的一種大跨度金屬屋面的故障實時預警方法，其特征在于，所述雙層決策樹算法模型生成步驟包括：

采集各種類別對應的樣本數據；所述類別包括：屋面正常、屋面故障和傳感器故障；

對所述樣本數據進行預處理，并提取時域特征；所述時域特征包括特征量和判別類型的樣本集；

將所述樣本集分為訓練集數據和測試集數據；將所述訓練集數據，根據類別分別進行訓練，生成第一模型；

將所述測試集數據輸入所述第一模型，輸出測試結果；

根據所述測試結果，計算所述第一模型的判別準確率；當所述準確率大于第一預設閾值時，確定所述第一模型為雙層決策樹算法模型。

3.如權利要求2所述的一種大跨度金屬屋面的故障實時預警方法，其特征在于，所述生成步驟還包括：根據第三方待分類監測數據類別預測，更新所述雙層決策樹算法模型。

4.一種大跨度金屬屋面的故障實時預警裝置，其特征在于，包括：

獲取模塊，用于獲取預設區域在預設時間內所有采集點的數據；所述采集點包括應力片和激光傳感器；

處理提取模塊，用于將所述數據進行預處理，并提取時域特征量；

輸入計算模塊，用于將所述時域特征量，輸入雙層決策樹算法模型進行計算；

輸出模塊，用于所述雙層決策樹算法模型輸出故障類別及故障位置；

其中，所述輸入計算模塊，包括：

第一計算子模塊，用于區域層計算：當所述預設區域內在預設時間內所有激光傳感器采集數據的位移均值大于等于第二預設閾值時，則確定所述預設區域為故障區域；

第二計算子模塊，用于節點層計算：當所述位移均值小于所述第二預設閾值時，根據所述應力片采集的應力數據，獲得多個參數；所述多個參數包括：應力均值、應力標準差、應力最大值以及同一時刻位移和應力的相關系數；將所述多個參數輸入決策樹分類算法，獲得故障類別及故障位置。

5.如權利要求4所述的一種大跨度金屬屋面的故障實時預警裝置，其特征在于，所述輸入計算模塊中雙層決策樹算法模型生成步驟包括：

采集各種類別對應的樣本數據；所述類別包括：屋面正常、屋面故障和傳感器故障；

對所述樣本數據進行預處理，并提取時域特征；所述時域特征包括特征量和判別類型的樣本集；

將所述樣本集分為訓練集數據和測試集數據；將所述訓練集數據，根據類別分別進行訓練，生成第一模型；將所述測試集數據輸入所述第一模型，輸出測試結果；

根據所述測試結果，計算所述第一模型的判別準確率；當所述準確率大于第一預設閾值時，確定所述第一模型為雙層決策樹算法模型。

6.如權利要求5所述的一種大跨度金屬屋面的故障實時預警裝置，其特征在于，所述輸入計算模塊中雙層決策樹算法模型生成步驟，還包括：根據第三方待分類監測數據類別預測，更新所述雙層決策樹算法模型。