[发明专利]一种大跨度金属屋面的故障实时预警方法及装置

权利要求书

1.一种大跨度金属屋面的故障实时预警方法，其特征在于，包括：

获取预设区域在预设时间内所有采集点的数据；所述采集点包括应力片和激光传感器；

将所述数据进行预处理，并提取时域特征量；

将所述时域特征量，输入双层决策树算法模型进行计算；

所述双层决策树算法模型输出故障类别及故障位置；

其中，将所述时域特征量，输入双层决策树算法模型进行计算，包括：区域层计算和节点层计算；

区域层计算：当所述预设区域内在预设时间内所有激光传感器采集数据的位移均值大于等于第二预设阈值时，则确定所述预设区域为故障区域；

节点层计算：当所述位移均值小于所述第二预设阈值时，根据所述应力片采集的应力数据，获得多个参数；所述多个参数包括：应力均值、应力标准差、应力最大值以及同一时刻位移和应力的相关系数；将所述多个参数输入决策树分类算法，获得故障类别及故障位置。

2.如权利要求1所述的一种大跨度金属屋面的故障实时预警方法，其特征在于，所述双层决策树算法模型生成步骤包括：

采集各种类别对应的样本数据；所述类别包括：屋面正常、屋面故障和传感器故障；

对所述样本数据进行预处理，并提取时域特征；所述时域特征包括特征量和判别类型的样本集；

将所述样本集分为训练集数据和测试集数据；将所述训练集数据，根据类别分别进行训练，生成第一模型；

将所述测试集数据输入所述第一模型，输出测试结果；

根据所述测试结果，计算所述第一模型的判别准确率；当所述准确率大于第一预设阈值时，确定所述第一模型为双层决策树算法模型。

3.如权利要求2所述的一种大跨度金属屋面的故障实时预警方法，其特征在于，所述生成步骤还包括：根据第三方待分类监测数据类别预测，更新所述双层决策树算法模型。

4.一种大跨度金属屋面的故障实时预警装置，其特征在于，包括：

获取模块，用于获取预设区域在预设时间内所有采集点的数据；所述采集点包括应力片和激光传感器；

处理提取模块，用于将所述数据进行预处理，并提取时域特征量；

输入计算模块，用于将所述时域特征量，输入双层决策树算法模型进行计算；

输出模块，用于所述双层决策树算法模型输出故障类别及故障位置；

其中，所述输入计算模块，包括：

第一计算子模块，用于区域层计算：当所述预设区域内在预设时间内所有激光传感器采集数据的位移均值大于等于第二预设阈值时，则确定所述预设区域为故障区域；

第二计算子模块，用于节点层计算：当所述位移均值小于所述第二预设阈值时，根据所述应力片采集的应力数据，获得多个参数；所述多个参数包括：应力均值、应力标准差、应力最大值以及同一时刻位移和应力的相关系数；将所述多个参数输入决策树分类算法，获得故障类别及故障位置。

5.如权利要求4所述的一种大跨度金属屋面的故障实时预警装置，其特征在于，所述输入计算模块中双层决策树算法模型生成步骤包括：

采集各种类别对应的样本数据；所述类别包括：屋面正常、屋面故障和传感器故障；

对所述样本数据进行预处理，并提取时域特征；所述时域特征包括特征量和判别类型的样本集；

将所述样本集分为训练集数据和测试集数据；将所述训练集数据，根据类别分别进行训练，生成第一模型；将所述测试集数据输入所述第一模型，输出测试结果；

根据所述测试结果，计算所述第一模型的判别准确率；当所述准确率大于第一预设阈值时，确定所述第一模型为双层决策树算法模型。

6.如权利要求5所述的一种大跨度金属屋面的故障实时预警装置，其特征在于，所述输入计算模块中双层决策树算法模型生成步骤，还包括：根据第三方待分类监测数据类别预测，更新所述双层决策树算法模型。