本發(fā)明涉及混凝土結(jié)構(gòu)保護技術(shù)領(lǐng)域，具體涉及一種混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)。

背景技術(shù)：

相關(guān)技術(shù)中的混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)主要包括設(shè)置在建筑物中各監(jiān)測點上的各種檢測數(shù)據(jù)傳感器,然后將各個檢測數(shù)據(jù)傳感器的數(shù)據(jù)信號傳輸?shù)揭粋€采樣信號處理電路處理后送到計算機分析，以實現(xiàn)混凝土中鋼筋的腐蝕速度和耐腐蝕性能的檢測中,需要同時對pH、cl^-及腐蝕參數(shù)進行測量，因此需要設(shè)置不同傳感器，并且各個檢測點的位置不同，相距也較遠，因此，不僅造成了采樣信號處理電路和布線結(jié)構(gòu)的復雜化，采樣器裝置的體積較大，而且也會發(fā)生因采樣信號處理電路故障所造成的整個監(jiān)測系統(tǒng)不能工作的情況。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明旨在提供一種混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：

一種混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)，包括多個設(shè)置在混凝土中各監(jiān)測點上的傳感器、信號處理裝置、數(shù)據(jù)轉(zhuǎn)化器和監(jiān)控計算機，所述數(shù)據(jù)轉(zhuǎn)換器連接監(jiān)控計算機的輸入端，每個傳感器連接一個信號處理裝置，信號處理裝置的輸出端與數(shù)據(jù)轉(zhuǎn)換器連接；所述傳感器包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器和腐蝕速率檢測傳感器。

本發(fā)明的有益效果為：每個檢測點上設(shè)置與傳感器對應連接的信號處理裝置，且傳感器中包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器，能夠精確地測量鋼筋混凝土結(jié)構(gòu)中鋼筋腐蝕速率和鋼筋所處腐蝕環(huán)境的pH值和cl^-，大大簡化了電路的結(jié)構(gòu)，當一個檢測點出現(xiàn)故障時，也不會造成整個監(jiān)測系統(tǒng)不能工作，從而解決了上述技術(shù)問題。

附圖說明

利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明結(jié)構(gòu)示意圖；

圖2是本發(fā)明傳感器故障診斷裝置的示意圖。

附圖標記：

信號采集濾波模塊1、故障特征提取模塊2、在線特征提取模塊3、特征向量優(yōu)選模塊4、故障分類識別模塊5、故障種類更新模塊6、健康記錄模塊7。

具體實施方式

結(jié)合以下實施例對本發(fā)明作進一步描述。

應用場景1

參見圖1、圖2，本應用場景的一個實施例的混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)，包括多個設(shè)置在混凝土中各監(jiān)測點上的傳感器、信號處理裝置、數(shù)據(jù)轉(zhuǎn)化器和監(jiān)控計算機，所述數(shù)據(jù)轉(zhuǎn)換器連接監(jiān)控計算機的輸入端，每個傳感器連接一個信號處理裝置，信號處理裝置的輸出端與數(shù)據(jù)轉(zhuǎn)換器連接；所述傳感器包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器和腐蝕速率檢測傳感器。

本發(fā)明上述實施例為每個檢測點上設(shè)置與傳感器對應連接的信號處理裝置，且傳感器中包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器，能夠精確地測量鋼筋混凝土結(jié)構(gòu)中鋼筋腐蝕速率和鋼筋所處腐蝕環(huán)境的pH值和cl^-，大大簡化了電路的結(jié)構(gòu)，當一個檢測點出現(xiàn)故障時，也不會造成整個監(jiān)測系統(tǒng)不能工作，從而解決了上述技術(shù)問題。

優(yōu)選的，溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器皆設(shè)置于具有防腐、防潮的殼體內(nèi)。優(yōu)選的，所述殼體為表面經(jīng)過防腐處理的鋁合金殼體。

本優(yōu)選實施例設(shè)置殼體，便于傳感器的使用和維護。

優(yōu)選的，所述混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)還包括對各傳感器進行診斷的傳感器故障診斷裝置，所述傳感器故障診斷裝置包括信號采集濾波模塊1、故障特征提取模塊2、在線特征提取模塊3、特征向量優(yōu)選模塊4、故障分類識別模塊5、故障種類更新模塊6和健康記錄模塊7。

本發(fā)明上述實施例設(shè)置傳感器故障診斷裝置并實現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測系統(tǒng)的監(jiān)測執(zhí)行。

優(yōu)選的，所述信號采集濾波模塊1用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取模塊2用于對濾波后的歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為訓練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為訓練特征向量；

所述在線特征提取模塊3用于對濾波后的在線傳感器測試信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選模塊4分別對訓練特征向量和待測特征向量進行相似性度量，對于相似度高的特征向量進行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標準差；

對于任意兩個訓練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別模塊5用于采用優(yōu)化的最小二乘支持向量機對所述待測特征向量進行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機的核函數(shù)，并對最小二乘支持向量機的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化；

所述訓練子模塊，用于采用改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法，以得到的訓練特征向量作為訓練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進行初始化，隨機產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應度函數(shù)為：

式中，N為訓練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進行從粒子群的更新，在每一代更新過程中，根據(jù)適應度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應度值比較，若更好，則將其作為當前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進行混沌優(yōu)化，并迭代當前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達到最大迭代次數(shù)或者滿足適應度函數(shù)的誤差要求。

其中，所述改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法具體包括：

(1)計算所有訓練樣本的標準方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應的j、

(3)在對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化后，建立二分類的最小二乘支持向量機用以訓練第j類和第類的訓練樣本，形成最優(yōu)二分類最小二乘支持向量機，輸出判別函數(shù)的參數(shù)，把類的訓練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環(huán)訓練，直至輸出最優(yōu)一個根節(jié)點；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機的分類決策樹，然后對余下的訓練樣本進行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓練速度快、泛化能力強和魯棒性較好的最小二乘向量機作為分類器，并提出了改進最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學習能力強，泛化性能相對較弱，而全局核函數(shù)泛化性能強，學習能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點的基礎(chǔ)上進行最小二乘支持向量機的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新模塊6用于對訓練集進行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進行有效故障分類時，將待測特征向量作為新的訓練特征向量；

(2)新的訓練特征向量對訓練樣本進行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新模塊6，以提高模型的適應能力和應用范圍。

優(yōu)選的，所述健康記錄模塊7包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進行壓縮后進行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進行訪問，具體地，對應于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄模塊7，一方面保證了信息安全，另一方面能夠隨時對故障進行訪問，便于查找問題。

在此應用場景中，設(shè)定閾值T₁的取值為0.96，傳感器故障診斷裝置的監(jiān)測速度相對提高了10％，傳感器故障診斷裝置的監(jiān)測精度相對提高了12％。

應用場景2

參見圖1、圖2，本應用場景的一個實施例的混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)，包括多個設(shè)置在混凝土中各監(jiān)測點上的傳感器、信號處理裝置、數(shù)據(jù)轉(zhuǎn)化器和監(jiān)控計算機，所述數(shù)據(jù)轉(zhuǎn)換器連接監(jiān)控計算機的輸入端，每個傳感器連接一個信號處理裝置，信號處理裝置的輸出端與數(shù)據(jù)轉(zhuǎn)換器連接；所述傳感器包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器和腐蝕速率檢測傳感器。

本發(fā)明上述實施例為每個檢測點上設(shè)置與傳感器對應連接的信號處理裝置，且傳感器中包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器，能夠精確地測量鋼筋混凝土結(jié)構(gòu)中鋼筋腐蝕速率和鋼筋所處腐蝕環(huán)境的pH值和cl^-，大大簡化了電路的結(jié)構(gòu)，當一個檢測點出現(xiàn)故障時，也不會造成整個監(jiān)測系統(tǒng)不能工作，從而解決了上述技術(shù)問題。

優(yōu)選的，溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器皆設(shè)置于具有防腐、防潮的殼體內(nèi)。優(yōu)選的，所述殼體為表面經(jīng)過防腐處理的鋁合金殼體。

本優(yōu)選實施例設(shè)置殼體，便于傳感器的使用和維護。

優(yōu)選的，所述混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)還包括對各傳感器進行診斷的傳感器故障診斷裝置，所述傳感器故障診斷裝置包括信號采集濾波模塊1、故障特征提取模塊2、在線特征提取模塊3、特征向量優(yōu)選模塊4、故障分類識別模塊5、故障種類更新模塊6和健康記錄模塊7。

本發(fā)明上述實施例設(shè)置傳感器故障診斷裝置并實現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測系統(tǒng)的監(jiān)測執(zhí)行。

優(yōu)選的，所述信號采集濾波模塊1用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取模塊2用于對濾波后的歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為訓練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為訓練特征向量；

所述在線特征提取模塊3用于對濾波后的在線傳感器測試信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選模塊4分別對訓練特征向量和待測特征向量進行相似性度量，對于相似度高的特征向量進行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標準差；

對于任意兩個訓練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別模塊5用于采用優(yōu)化的最小二乘支持向量機對所述待測特征向量進行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機的核函數(shù)，并對最小二乘支持向量機的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化；

所述訓練子模塊，用于采用改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法，以得到的訓練特征向量作為訓練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進行初始化，隨機產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應度函數(shù)為：

式中，N為訓練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進行從粒子群的更新，在每一代更新過程中，根據(jù)適應度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應度值比較，若更好，則將其作為當前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進行混沌優(yōu)化，并迭代當前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達到最大迭代次數(shù)或者滿足適應度函數(shù)的誤差要求。

其中，所述改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法具體包括：

(1)計算所有訓練樣本的標準方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應的j、

(3)在對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化后，建立二分類的最小二乘支持向量機用以訓練第j類和第類的訓練樣本，形成最優(yōu)二分類最小二乘支持向量機，輸出判別函數(shù)的參數(shù)，把類的訓練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環(huán)訓練，直至輸出最優(yōu)一個根節(jié)點；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機的分類決策樹，然后對余下的訓練樣本進行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓練速度快、泛化能力強和魯棒性較好的最小二乘向量機作為分類器，并提出了改進最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學習能力強，泛化性能相對較弱，而全局核函數(shù)泛化性能強，學習能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點的基礎(chǔ)上進行最小二乘支持向量機的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新模塊6用于對訓練集進行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進行有效故障分類時，將待測特征向量作為新的訓練特征向量；

(2)新的訓練特征向量對訓練樣本進行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新模塊6，以提高模型的適應能力和應用范圍。

優(yōu)選的，所述健康記錄模塊7包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進行壓縮后進行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進行訪問，具體地，對應于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄模塊7，一方面保證了信息安全，另一方面能夠隨時對故障進行訪問，便于查找問題。

在此應用場景中，設(shè)定閾值T₁的取值為0.95，傳感器故障診斷裝置的監(jiān)測速度相對提高了11％，傳感器故障診斷裝置的監(jiān)測精度相對提高了11％。

應用場景3

參見圖1、圖2，本應用場景的一個實施例的混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)，包括多個設(shè)置在混凝土中各監(jiān)測點上的傳感器、信號處理裝置、數(shù)據(jù)轉(zhuǎn)化器和監(jiān)控計算機，所述數(shù)據(jù)轉(zhuǎn)換器連接監(jiān)控計算機的輸入端，每個傳感器連接一個信號處理裝置，信號處理裝置的輸出端與數(shù)據(jù)轉(zhuǎn)換器連接；所述傳感器包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器和腐蝕速率檢測傳感器。

本發(fā)明上述實施例為每個檢測點上設(shè)置與傳感器對應連接的信號處理裝置，且傳感器中包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器，能夠精確地測量鋼筋混凝土結(jié)構(gòu)中鋼筋腐蝕速率和鋼筋所處腐蝕環(huán)境的pH值和cl^-，大大簡化了電路的結(jié)構(gòu)，當一個檢測點出現(xiàn)故障時，也不會造成整個監(jiān)測系統(tǒng)不能工作，從而解決了上述技術(shù)問題。

優(yōu)選的，溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器皆設(shè)置于具有防腐、防潮的殼體內(nèi)。優(yōu)選的，所述殼體為表面經(jīng)過防腐處理的鋁合金殼體。

本優(yōu)選實施例設(shè)置殼體，便于傳感器的使用和維護。

優(yōu)選的，所述混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)還包括對各傳感器進行診斷的傳感器故障診斷裝置，所述傳感器故障診斷裝置包括信號采集濾波模塊1、故障特征提取模塊2、在線特征提取模塊3、特征向量優(yōu)選模塊4、故障分類識別模塊5、故障種類更新模塊6和健康記錄模塊7。

本發(fā)明上述實施例設(shè)置傳感器故障診斷裝置并實現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測系統(tǒng)的監(jiān)測執(zhí)行。

優(yōu)選的，所述信號采集濾波模塊1用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取模塊2用于對濾波后的歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為訓練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為訓練特征向量；

所述在線特征提取模塊3用于對濾波后的在線傳感器測試信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選模塊4分別對訓練特征向量和待測特征向量進行相似性度量，對于相似度高的特征向量進行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標準差；

對于任意兩個訓練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別模塊5用于采用優(yōu)化的最小二乘支持向量機對所述待測特征向量進行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機的核函數(shù)，并對最小二乘支持向量機的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化；

所述訓練子模塊，用于采用改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法，以得到的訓練特征向量作為訓練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進行初始化，隨機產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應度函數(shù)為：

式中，N為訓練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進行從粒子群的更新，在每一代更新過程中，根據(jù)適應度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應度值比較，若更好，則將其作為當前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進行混沌優(yōu)化，并迭代當前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達到最大迭代次數(shù)或者滿足適應度函數(shù)的誤差要求。

其中，所述改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法具體包括：

(1)計算所有訓練樣本的標準方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應的j、

(3)在對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化后，建立二分類的最小二乘支持向量機用以訓練第j類和第類的訓練樣本，形成最優(yōu)二分類最小二乘支持向量機，輸出判別函數(shù)的參數(shù)，把類的訓練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環(huán)訓練，直至輸出最優(yōu)一個根節(jié)點；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機的分類決策樹，然后對余下的訓練樣本進行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓練速度快、泛化能力強和魯棒性較好的最小二乘向量機作為分類器，并提出了改進最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學習能力強，泛化性能相對較弱，而全局核函數(shù)泛化性能強，學習能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點的基礎(chǔ)上進行最小二乘支持向量機的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新模塊6用于對訓練集進行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進行有效故障分類時，將待測特征向量作為新的訓練特征向量；

(2)新的訓練特征向量對訓練樣本進行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新模塊6，以提高模型的適應能力和應用范圍。

優(yōu)選的，所述健康記錄模塊7包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進行壓縮后進行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進行訪問，具體地，對應于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄模塊7，一方面保證了信息安全，另一方面能夠隨時對故障進行訪問，便于查找問題。

在此應用場景中，設(shè)定閾值T₁的取值為0.94，傳感器故障診斷裝置的監(jiān)測速度相對提高了12％，傳感器故障診斷裝置的監(jiān)測精度相對提高了10％。

應用場景4

參見圖1、圖2，本應用場景的一個實施例的混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)，包括多個設(shè)置在混凝土中各監(jiān)測點上的傳感器、信號處理裝置、數(shù)據(jù)轉(zhuǎn)化器和監(jiān)控計算機，所述數(shù)據(jù)轉(zhuǎn)換器連接監(jiān)控計算機的輸入端，每個傳感器連接一個信號處理裝置，信號處理裝置的輸出端與數(shù)據(jù)轉(zhuǎn)換器連接；所述傳感器包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器和腐蝕速率檢測傳感器。

本發(fā)明上述實施例為每個檢測點上設(shè)置與傳感器對應連接的信號處理裝置，且傳感器中包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器，能夠精確地測量鋼筋混凝土結(jié)構(gòu)中鋼筋腐蝕速率和鋼筋所處腐蝕環(huán)境的pH值和cl^-，大大簡化了電路的結(jié)構(gòu)，當一個檢測點出現(xiàn)故障時，也不會造成整個監(jiān)測系統(tǒng)不能工作，從而解決了上述技術(shù)問題。

優(yōu)選的，溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器皆設(shè)置于具有防腐、防潮的殼體內(nèi)。優(yōu)選的，所述殼體為表面經(jīng)過防腐處理的鋁合金殼體。

本優(yōu)選實施例設(shè)置殼體，便于傳感器的使用和維護。

優(yōu)選的，所述混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)還包括對各傳感器進行診斷的傳感器故障診斷裝置，所述傳感器故障診斷裝置包括信號采集濾波模塊1、故障特征提取模塊2、在線特征提取模塊3、特征向量優(yōu)選模塊4、故障分類識別模塊5、故障種類更新模塊6和健康記錄模塊7。

本發(fā)明上述實施例設(shè)置傳感器故障診斷裝置并實現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測系統(tǒng)的監(jiān)測執(zhí)行。

優(yōu)選的，所述信號采集濾波模塊1用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取模塊2用于對濾波后的歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為訓練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為訓練特征向量；

所述在線特征提取模塊3用于對濾波后的在線傳感器測試信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選模塊4分別對訓練特征向量和待測特征向量進行相似性度量，對于相似度高的特征向量進行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標準差；

對于任意兩個訓練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別模塊5用于采用優(yōu)化的最小二乘支持向量機對所述待測特征向量進行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機的核函數(shù)，并對最小二乘支持向量機的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化；

所述訓練子模塊，用于采用改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法，以得到的訓練特征向量作為訓練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進行初始化，隨機產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應度函數(shù)為：

式中，N為訓練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進行從粒子群的更新，在每一代更新過程中，根據(jù)適應度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應度值比較，若更好，則將其作為當前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進行混沌優(yōu)化，并迭代當前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達到最大迭代次數(shù)或者滿足適應度函數(shù)的誤差要求。

其中，所述改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法具體包括：

(1)計算所有訓練樣本的標準方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應的j、

(3)在對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化后，建立二分類的最小二乘支持向量機用以訓練第j類和第類的訓練樣本，形成最優(yōu)二分類最小二乘支持向量機，輸出判別函數(shù)的參數(shù)，把類的訓練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環(huán)訓練，直至輸出最優(yōu)一個根節(jié)點；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機的分類決策樹，然后對余下的訓練樣本進行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓練速度快、泛化能力強和魯棒性較好的最小二乘向量機作為分類器，并提出了改進最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學習能力強，泛化性能相對較弱，而全局核函數(shù)泛化性能強，學習能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點的基礎(chǔ)上進行最小二乘支持向量機的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新模塊6用于對訓練集進行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進行有效故障分類時，將待測特征向量作為新的訓練特征向量；

(2)新的訓練特征向量對訓練樣本進行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新模塊6，以提高模型的適應能力和應用范圍。

優(yōu)選的，所述健康記錄模塊7包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進行壓縮后進行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進行訪問，具體地，對應于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄模塊7，一方面保證了信息安全，另一方面能夠隨時對故障進行訪問，便于查找問題。在此應用場景中，設(shè)定閾值T₁的取值為0.93，傳感器故障診斷裝置的監(jiān)測速度相對提高了13％，傳感器故障診斷裝置的監(jiān)測精度相對提高了9％。

應用場景5

參見圖1、圖2，本應用場景的一個實施例的混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)，包括多個設(shè)置在混凝土中各監(jiān)測點上的傳感器、信號處理裝置、數(shù)據(jù)轉(zhuǎn)化器和監(jiān)控計算機，所述數(shù)據(jù)轉(zhuǎn)換器連接監(jiān)控計算機的輸入端，每個傳感器連接一個信號處理裝置，信號處理裝置的輸出端與數(shù)據(jù)轉(zhuǎn)換器連接；所述傳感器包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器和腐蝕速率檢測傳感器。

本發(fā)明上述實施例為每個檢測點上設(shè)置與傳感器對應連接的信號處理裝置，且傳感器中包括溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器，能夠精確地測量鋼筋混凝土結(jié)構(gòu)中鋼筋腐蝕速率和鋼筋所處腐蝕環(huán)境的pH值和cl^-，大大簡化了電路的結(jié)構(gòu)，當一個檢測點出現(xiàn)故障時，也不會造成整個監(jiān)測系統(tǒng)不能工作，從而解決了上述技術(shù)問題。

優(yōu)選的，溫度傳感器、pH值檢測傳感器、cl^-檢測傳感器、腐蝕速率檢測傳感器皆設(shè)置于具有防腐、防潮的殼體內(nèi)。優(yōu)選的，所述殼體為表面經(jīng)過防腐處理的鋁合金殼體。

本優(yōu)選實施例設(shè)置殼體，便于傳感器的使用和維護。

優(yōu)選的，所述混凝土中鋼筋腐蝕在線監(jiān)測系統(tǒng)還包括對各傳感器進行診斷的傳感器故障診斷裝置，所述傳感器故障診斷裝置包括信號采集濾波模塊1、故障特征提取模塊2、在線特征提取模塊3、特征向量優(yōu)選模塊4、故障分類識別模塊5、故障種類更新模塊6和健康記錄模塊7。

本發(fā)明上述實施例設(shè)置傳感器故障診斷裝置并實現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測各傳感器，保證監(jiān)測系統(tǒng)的監(jiān)測執(zhí)行。

優(yōu)選的，所述信號采集濾波模塊1用于采集歷史傳感器信號和在線傳感器測試信號，并采用組合形態(tài)濾波器對信號進行濾波處理；

本優(yōu)選實施例設(shè)置組合形態(tài)濾波器，可有效的去除信號的各種噪聲干擾，較好的保留信號的原始特征信息。

優(yōu)選的，所述故障特征提取模塊2用于對濾波后的歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為訓練特征向量，包括：

(1)將采集的歷史傳感器信號分為正常工況信號和多種類別的故障信號；

(2)對所述歷史傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)；

(3)計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(4)對歷史傳感器信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為訓練特征向量；

所述在線特征提取模塊3用于對濾波后的在線傳感器測試信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，并提取集成經(jīng)驗模態(tài)分解(EEMD)的能量熵作為待測特征向量，包括：

(1)對所述在線傳感器測試信號進行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；

(2)計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量熵；

(3)對在線傳感器測試信號的能量熵進行歸一化處理，提取歸一化后的能量熵作為待測特征向量。

本優(yōu)選實施例對采集的傳感器信號進行集成經(jīng)驗模態(tài)分解(EEMD)處理，能夠有效的消除模態(tài)混疊現(xiàn)象，分解的效果較好。

優(yōu)選的，所述特征向量優(yōu)選模塊4分別對訓練特征向量和待測特征向量進行相似性度量，對于相似度高的特征向量進行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

式中，X、Y分別表示兩個特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標準差；

對于任意兩個訓練特征向量X₁、X₂，和任意兩個待測特征向量D₁、D₂，分別采用相似度函數(shù)對其相似度進行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測特征向量。

本優(yōu)選實施例通過相似度度量來篩選特征向量，能夠減少計算量，提高效率。

優(yōu)選的，所述故障分類識別模塊5用于采用優(yōu)化的最小二乘支持向量機對所述待測特征向量進行故障分類識別，包括參數(shù)選擇優(yōu)化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數(shù)選擇優(yōu)化子模塊用于構(gòu)造最小二乘支持向量機的核函數(shù)，并對最小二乘支持向量機的結(jié)構(gòu)參數(shù)采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化；

所述訓練子模塊，用于采用改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法，以得到的訓練特征向量作為訓練樣本對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建傳感器故障診斷模型；

所述識別子模塊用于采用所述傳感器故障診斷模型對所述待測特征向量進行故障分類識別；

其中，考慮多項式核函數(shù)和RBF核函數(shù)的優(yōu)異性，所述最小二乘支持向量機的核函數(shù)構(gòu)造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調(diào)整因子，δ的取值范圍設(shè)定為[0.45,0.55]，p為多項式核函數(shù)的階數(shù)，σ²為RBF核函數(shù)參數(shù)。

其中，所示采用多群體協(xié)同混沌粒子群優(yōu)化算法進行優(yōu)化，包括：

(1)分別對主粒子群和從粒子群進行初始化，隨機產(chǎn)生一組參數(shù)作為粒子的初始位置和初始速度，定義適應度函數(shù)為：

式中，N為訓練樣本總個數(shù)，W為故障錯誤分類數(shù)目，T為故障正確分類數(shù)目，q_i為自設(shè)定的權(quán)重系數(shù)，q_i的取值范圍設(shè)定為[0.4,0.5]；

(2)進行從粒子群的更新，在每一代更新過程中，根據(jù)適應度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對每個粒子將其歷史最優(yōu)適應度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應度值比較，若更好，則將其作為當前的全局最優(yōu)位置；

(3)對所述全局最優(yōu)位置進行混沌優(yōu)化，并迭代當前序列中的最優(yōu)粒子位置和速度，生成最優(yōu)粒子序列；

(4)在每一代主粒子群中選取從粒子群中最優(yōu)的粒子，并更新粒子的位置和速度，直至達到最大迭代次數(shù)或者滿足適應度函數(shù)的誤差要求。

其中，所述改進的最優(yōu)二叉樹結(jié)構(gòu)的最小二乘向量機的多分類方法具體包括：

(1)計算所有訓練樣本的標準方差和兩個類別j、間的分離性測度；

(2)輸出最小分離性測度對應的j、

(3)在對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化后，建立二分類的最小二乘支持向量機用以訓練第j類和第類的訓練樣本，形成最優(yōu)二分類最小二乘支持向量機，輸出判別函數(shù)的參數(shù)，把類的訓練樣本合并到j(luò)類內(nèi)，構(gòu)成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環(huán)訓練，直至輸出最優(yōu)一個根節(jié)點；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機的分類決策樹，然后對余下的訓練樣本進行分類效果測試。

本優(yōu)選實施例為了提高故障診斷的精度，采用訓練速度快、泛化能力強和魯棒性較好的最小二乘向量機作為分類器，并提出了改進最優(yōu)二叉樹結(jié)構(gòu)的多分類方法，以類間分離性測度替代二叉樹結(jié)構(gòu)中的權(quán)值，提高了的分類精度和分類速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項式核函數(shù)是全局核函數(shù)，局部核函數(shù)學習能力強，泛化性能相對較弱，而全局核函數(shù)泛化性能強，學習能力相對較弱，在綜合上述兩類核函數(shù)的優(yōu)點的基礎(chǔ)上進行最小二乘支持向量機的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機的分類性能和泛化性能；設(shè)計的多群體協(xié)同混沌粒子群優(yōu)化算法，具有較好的收斂速度，且具有較好的全局和局部尋優(yōu)性能，能夠及時的跳出局部極值點，尋找全局的最優(yōu)值，從而采用多群體協(xié)同混沌粒子群優(yōu)化算法對最小二乘支持向量機的結(jié)構(gòu)參數(shù)進行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類更新模塊6用于對訓練集進行更新，不斷優(yōu)化傳感器故障診斷模型，包括：

(1)傳感器故障診斷模型無法對待測特征向量進行有效故障分類時，將待測特征向量作為新的訓練特征向量；

(2)新的訓練特征向量對訓練樣本進行更新，對結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機進行訓練，并構(gòu)建出新的傳感器故障診斷模型；

(3)采用新的傳感器故障診斷模型對所述待測特征向量進行故障分類識別，完成故障種類更新。

本優(yōu)選實施例設(shè)置故障種類更新模塊6，以提高模型的適應能力和應用范圍。

優(yōu)選的，所述健康記錄模塊7包括存儲子模塊和安全訪問子模塊，所述存儲子模塊采用基于云存儲的存儲模型，具體地，將故障信息進行壓縮后進行加密，上傳至云存儲器，所述安全訪問子模塊用于對信息進行訪問，具體地，對應于存儲子模塊，將數(shù)據(jù)下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優(yōu)選實施例設(shè)置健康記錄模塊7，一方面保證了信息安全，另一方面能夠隨時對故障進行訪問，便于查找問題。

在此應用場景中，設(shè)定閾值T₁的取值為0.92，傳感器故障診斷裝置的監(jiān)測速度相對提高了14％，傳感器故障診斷裝置的監(jiān)測精度相對提高了8％。

最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領(lǐng)域的普通技術(shù)人員應當理解，可以對本發(fā)明的技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。