本發(fā)明涉及農(nóng)業(yè)監(jiān)測(cè)技術(shù)領(lǐng)域，具體涉及基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)。

背景技術(shù)：

相關(guān)技術(shù)中，溫室的農(nóng)作物及花卉在培養(yǎng)等過(guò)程中會(huì)受到很多因素的影響，如溫室的溫度濕度、土壤溫度、土壤水分、光照強(qiáng)度、二氧化碳濃度等環(huán)境參數(shù)，因此在溫室農(nóng)業(yè)的培育過(guò)程中對(duì)環(huán)境參數(shù)的控制顯得格外重要。并且相關(guān)資料表明，在可自動(dòng)控制室內(nèi)的溫度、濕度、灌溉、通風(fēng)、二氧化碳濃度和光照的溫室中，每平方米溫室一季可產(chǎn)番茄30kg～50kg，黃瓜40kg，相當(dāng)于露地栽培產(chǎn)量10倍以上。其他各類(lèi)作物在這種環(huán)境下的產(chǎn)量也將得到明顯的提升。目前，針對(duì)大多數(shù)農(nóng)業(yè)溫室大棚環(huán)境的監(jiān)控被動(dòng)、落后，信息化和智能化水平不高，并且存在諸多問(wèn)題和不安全因素，如：采用人工測(cè)量、記錄的方式，不能夠24小時(shí)實(shí)時(shí)、動(dòng)態(tài)監(jiān)控；不穩(wěn)定、誤差大、容易受干擾；采用人工監(jiān)控，時(shí)效性很差，特別是針對(duì)名貴農(nóng)業(yè)，其對(duì)環(huán)境變化敏感，一旦環(huán)境發(fā)生改變而未及時(shí)采取措施，將可能造成極大的經(jīng)濟(jì)損失。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，本發(fā)明旨在提供基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：

基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)，包括基于大數(shù)據(jù)的云服務(wù)器、本地服務(wù)器、傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)，所述基于大數(shù)據(jù)的云服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)與本地服務(wù)器連接，本地服務(wù)器與傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)連接，所述本地服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)還連接有設(shè)備控制器。

優(yōu)選的，所述設(shè)備控制器連接有風(fēng)機(jī)、卷簾機(jī)、空調(diào)、電燈和灌溉機(jī)。

本發(fā)明的有益效果為：以傳感器系統(tǒng)和各種感知設(shè)備為載體，以應(yīng)用軟件技術(shù)為服務(wù)核心，實(shí)現(xiàn)實(shí)時(shí)性和高精確度的環(huán)境信息監(jiān)測(cè)，為農(nóng)作物提供可靠的生長(zhǎng)環(huán)境，且管理人員可以隨時(shí)查詢(xún)各溫室大棚以及大棚內(nèi)各個(gè)節(jié)點(diǎn)當(dāng)前環(huán)境信息，監(jiān)控平臺(tái)對(duì)采集的數(shù)據(jù)進(jìn)行分析與處理，通過(guò)設(shè)備控制器，系統(tǒng)可以自動(dòng)啟動(dòng)與調(diào)節(jié)風(fēng)機(jī)、卷簾機(jī)、空調(diào)、光照、灌溉等設(shè)備，為農(nóng)作物提供一個(gè)最適宜的生長(zhǎng)環(huán)境。

附圖說(shuō)明

利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的實(shí)施例不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)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(biāo)記：

信號(hào)采集濾波模塊1、故障特征提取模塊2、在線(xiàn)特征提取模塊3、特征向量?jī)?yōu)選模塊4、故障分類(lèi)識(shí)別模塊5、故障種類(lèi)更新模塊6、健康記錄模塊7。

具體實(shí)施方式

結(jié)合以下實(shí)施例對(duì)本發(fā)明作進(jìn)一步描述。

應(yīng)用場(chǎng)景1

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)，包括基于大數(shù)據(jù)的云服務(wù)器、本地服務(wù)器、傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)，所述基于大數(shù)據(jù)的云服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)與本地服務(wù)器連接，本地服務(wù)器與傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)連接，所述本地服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)還連接有設(shè)備控制器。

本發(fā)明上述實(shí)施例以傳感器系統(tǒng)和各種感知設(shè)備為載體，以應(yīng)用軟件技術(shù)為服務(wù)核心，實(shí)現(xiàn)實(shí)時(shí)性和高精確度的環(huán)境信息監(jiān)測(cè)，為農(nóng)作物提供可靠的生長(zhǎng)環(huán)境，且管理人員可以隨時(shí)查詢(xún)各溫室大棚以及大棚內(nèi)各個(gè)節(jié)點(diǎn)當(dāng)前環(huán)境信息，監(jiān)控平臺(tái)對(duì)采集的數(shù)據(jù)進(jìn)行分析與處理，通過(guò)事先設(shè)定閾值范圍，系統(tǒng)可以自動(dòng)啟動(dòng)與調(diào)節(jié)風(fēng)機(jī)、卷簾機(jī)、空調(diào)、光照、灌溉等設(shè)備，為農(nóng)作物提供一個(gè)最適宜的生長(zhǎng)環(huán)境。

優(yōu)選的，所述傳感器系統(tǒng)包括空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器。

本優(yōu)選實(shí)施例設(shè)置空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器，實(shí)現(xiàn)農(nóng)業(yè)環(huán)境數(shù)據(jù)的采集。

優(yōu)選的，所述智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)還包括對(duì)各傳感器進(jìn)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(hào)采集濾波模塊1、故障特征提取模塊2、在線(xiàn)特征提取模塊3、特征向量?jī)?yōu)選模塊4、故障分類(lèi)識(shí)別模塊5、故障種類(lèi)更新模塊6和健康記錄模塊7。

本發(fā)明上述實(shí)施例設(shè)置傳感器故障診斷裝置并實(shí)現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測(cè)各傳感器，保證監(jiān)控系統(tǒng)的環(huán)境數(shù)據(jù)采集。

優(yōu)選的，所述信號(hào)采集濾波模塊1用于采集歷史傳感器信號(hào)和在線(xiàn)傳感器測(cè)試信號(hào)，并采用組合形態(tài)濾波器對(duì)信號(hào)進(jìn)行濾波處理；

本優(yōu)選實(shí)施例設(shè)置組合形態(tài)濾波器，可有效的去除信號(hào)的各種噪聲干擾，較好的保留信號(hào)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(duì)濾波后的歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號(hào)分為正常工況信號(hào)和多種類(lèi)別的故障信號(hào)；

(2)對(duì)所述歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(3)計(jì)算所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(4)對(duì)歷史傳感器信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線(xiàn)特征提取模塊3用于對(duì)濾波后的在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為待測(cè)特征向量，包括：

(1)對(duì)所述在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行EEMD處理，獲得所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(2)計(jì)算所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(3)對(duì)在線(xiàn)傳感器測(cè)試信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測(cè)特征向量。

本優(yōu)選實(shí)施例對(duì)采集的傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(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?jī)?yōu)選模塊4分別對(duì)訓(xùn)練特征向量和待測(cè)特征向量進(jìn)行相似性度量，對(duì)于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個(gè)特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對(duì)于任意兩個(gè)訓(xùn)練特征向量X₁、X₂，和任意兩個(gè)待測(cè)特征向量D₁、D₂，分別采用相似度函數(shù)對(duì)其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對(duì)于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測(cè)特征向量。

本優(yōu)選實(shí)施例通過(guò)相似度度量來(lái)篩選特征向量，能夠減少計(jì)算量，提高效率。

優(yōu)選的，所述故障分類(lèi)識(shí)別模塊5用于采用優(yōu)化的最小二乘支持向量機(jī)對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識(shí)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(jī)的核函數(shù)，并對(duì)最小二乘支持向量機(jī)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(jìn)行優(yōu)化；

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

所述識(shí)別子模塊用于采用所述傳感器故障診斷模型對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別；

其中，考慮多項(xiàng)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(jī)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(xiàng)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(jìn)行優(yōu)化，包括：

(1)分別對(duì)主粒子群和從粒子群進(jìn)行初始化，隨機(jī)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(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個(gè)數(shù)，W為故障錯(cuò)誤分類(lèi)數(shù)目，T為故障正確分類(lèi)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(jìn)行從粒子群的更新，在每一代更新過(guò)程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對(duì)每個(gè)粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對(duì)所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)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(dá)到最大迭代次數(shù)或者滿(mǎn)足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹(shù)結(jié)構(gòu)的最小二乘向量機(jī)的多分類(lèi)方法具體包括：

(1)計(jì)算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個(gè)類(lèi)別j、間的分離性測(cè)度；

(2)輸出最小分離性測(cè)度對(duì)應(yīng)的j、

(3)在對(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類(lèi)的最小二乘支持向量機(jī)用以訓(xùn)練第j類(lèi)和第類(lèi)的訓(xùn)練樣本，形成最優(yōu)二分類(lèi)最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類(lèi)的訓(xùn)練樣本合并到j(luò)類(lèi)內(nèi)，構(gòu)成新的j類(lèi)訓(xùn)練樣本；

(4)把所有的類(lèi)別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個(gè)根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類(lèi)決策樹(shù)，然后對(duì)余下的訓(xùn)練樣本進(jìn)行分類(lèi)效果測(cè)試。

本優(yōu)選實(shí)施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類(lèi)器，并提出了改進(jìn)最優(yōu)二叉樹(shù)結(jié)構(gòu)的多分類(lèi)方法，以類(lèi)間分離性測(cè)度替代二叉樹(shù)結(jié)構(gòu)中的權(quán)值，提高了的分類(lèi)精度和分類(lèi)速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項(xiàng)式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對(duì)較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對(duì)較弱，在綜合上述兩類(lèi)核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類(lèi)性能和泛化性能；設(shè)計(jì)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(shí)的跳出局部極值點(diǎn)，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(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類(lèi)更新模塊6用于對(duì)訓(xùn)練集進(jìn)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(wú)法對(duì)待測(cè)特征向量進(jìn)行有效故障分類(lèi)時(shí)，將待測(cè)特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對(duì)訓(xùn)練樣本進(jìn)行更新，對(duì)結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)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(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，完成故障種類(lèi)更新。

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

優(yōu)選的，所述健康記錄模塊7包括存儲(chǔ)子模塊和安全訪(fǎng)問(wèn)子模塊，所述存儲(chǔ)子模塊采用基于云存儲(chǔ)的存儲(chǔ)模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲(chǔ)器，所述安全訪(fǎng)問(wèn)子模塊用于對(duì)信息進(jìn)行訪(fǎng)問(wèn)，具體地，對(duì)應(yīng)于存儲(chǔ)子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實(shí)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(shí)對(duì)故障進(jìn)行訪(fǎng)問(wèn)，便于查找問(wèn)題。

在此應(yīng)用場(chǎng)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(cè)速度相對(duì)提高了10％，傳感器故障診斷裝置的監(jiān)測(cè)精度相對(duì)提高了12％。

應(yīng)用場(chǎng)景2

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)，包括基于大數(shù)據(jù)的云服務(wù)器、本地服務(wù)器、傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)，所述基于大數(shù)據(jù)的云服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)與本地服務(wù)器連接，本地服務(wù)器與傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)連接，所述本地服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)還連接有設(shè)備控制器。

本發(fā)明上述實(shí)施例以傳感器系統(tǒng)和各種感知設(shè)備為載體，以應(yīng)用軟件技術(shù)為服務(wù)核心，實(shí)現(xiàn)實(shí)時(shí)性和高精確度的環(huán)境信息監(jiān)測(cè)，為農(nóng)作物提供可靠的生長(zhǎng)環(huán)境，且管理人員可以隨時(shí)查詢(xún)各溫室大棚以及大棚內(nèi)各個(gè)節(jié)點(diǎn)當(dāng)前環(huán)境信息，監(jiān)控平臺(tái)對(duì)采集的數(shù)據(jù)進(jìn)行分析與處理，通過(guò)事先設(shè)定閾值范圍，系統(tǒng)可以自動(dòng)啟動(dòng)與調(diào)節(jié)風(fēng)機(jī)、卷簾機(jī)、空調(diào)、光照、灌溉等設(shè)備，為農(nóng)作物提供一個(gè)最適宜的生長(zhǎng)環(huán)境。

優(yōu)選的，所述傳感器系統(tǒng)包括空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器。

本優(yōu)選實(shí)施例設(shè)置空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器，實(shí)現(xiàn)農(nóng)業(yè)環(huán)境數(shù)據(jù)的采集。

優(yōu)選的，所述智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)還包括對(duì)各傳感器進(jìn)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(hào)采集濾波模塊1、故障特征提取模塊2、在線(xiàn)特征提取模塊3、特征向量?jī)?yōu)選模塊4、故障分類(lèi)識(shí)別模塊5、故障種類(lèi)更新模塊6和健康記錄模塊7。

本發(fā)明上述實(shí)施例設(shè)置傳感器故障診斷裝置并實(shí)現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測(cè)各傳感器，保證監(jiān)控系統(tǒng)的環(huán)境數(shù)據(jù)采集。

優(yōu)選的，所述信號(hào)采集濾波模塊1用于采集歷史傳感器信號(hào)和在線(xiàn)傳感器測(cè)試信號(hào)，并采用組合形態(tài)濾波器對(duì)信號(hào)進(jìn)行濾波處理；

本優(yōu)選實(shí)施例設(shè)置組合形態(tài)濾波器，可有效的去除信號(hào)的各種噪聲干擾，較好的保留信號(hào)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(duì)濾波后的歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號(hào)分為正常工況信號(hào)和多種類(lèi)別的故障信號(hào)；

(2)對(duì)所述歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(3)計(jì)算所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(4)對(duì)歷史傳感器信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線(xiàn)特征提取模塊3用于對(duì)濾波后的在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為待測(cè)特征向量，包括：

(1)對(duì)所述在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行EEMD處理，獲得所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(2)計(jì)算所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(3)對(duì)在線(xiàn)傳感器測(cè)試信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測(cè)特征向量。

本優(yōu)選實(shí)施例對(duì)采集的傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(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?jī)?yōu)選模塊4分別對(duì)訓(xùn)練特征向量和待測(cè)特征向量進(jìn)行相似性度量，對(duì)于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個(gè)特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對(duì)于任意兩個(gè)訓(xùn)練特征向量X₁、X₂，和任意兩個(gè)待測(cè)特征向量D₁、D₂，分別采用相似度函數(shù)對(duì)其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對(duì)于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測(cè)特征向量。

本優(yōu)選實(shí)施例通過(guò)相似度度量來(lái)篩選特征向量，能夠減少計(jì)算量，提高效率。

優(yōu)選的，所述故障分類(lèi)識(shí)別模塊5用于采用優(yōu)化的最小二乘支持向量機(jī)對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識(shí)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(jī)的核函數(shù)，并對(duì)最小二乘支持向量機(jī)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(jìn)行優(yōu)化；

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

所述識(shí)別子模塊用于采用所述傳感器故障診斷模型對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別；

其中，考慮多項(xiàng)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(jī)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(xiàng)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(jìn)行優(yōu)化，包括：

(1)分別對(duì)主粒子群和從粒子群進(jìn)行初始化，隨機(jī)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(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個(gè)數(shù)，W為故障錯(cuò)誤分類(lèi)數(shù)目，T為故障正確分類(lèi)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(jìn)行從粒子群的更新，在每一代更新過(guò)程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對(duì)每個(gè)粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對(duì)所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)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(dá)到最大迭代次數(shù)或者滿(mǎn)足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹(shù)結(jié)構(gòu)的最小二乘向量機(jī)的多分類(lèi)方法具體包括：

(1)計(jì)算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個(gè)類(lèi)別j、間的分離性測(cè)度；

(2)輸出最小分離性測(cè)度對(duì)應(yīng)的j、

(3)在對(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類(lèi)的最小二乘支持向量機(jī)用以訓(xùn)練第j類(lèi)和第類(lèi)的訓(xùn)練樣本，形成最優(yōu)二分類(lèi)最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類(lèi)的訓(xùn)練樣本合并到j(luò)類(lèi)內(nèi)，構(gòu)成新的j類(lèi)訓(xùn)練樣本；

(4)把所有的類(lèi)別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個(gè)根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類(lèi)決策樹(shù)，然后對(duì)余下的訓(xùn)練樣本進(jìn)行分類(lèi)效果測(cè)試。

本優(yōu)選實(shí)施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類(lèi)器，并提出了改進(jìn)最優(yōu)二叉樹(shù)結(jié)構(gòu)的多分類(lèi)方法，以類(lèi)間分離性測(cè)度替代二叉樹(shù)結(jié)構(gòu)中的權(quán)值，提高了的分類(lèi)精度和分類(lèi)速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項(xiàng)式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對(duì)較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對(duì)較弱，在綜合上述兩類(lèi)核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類(lèi)性能和泛化性能；設(shè)計(jì)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(shí)的跳出局部極值點(diǎn)，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(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類(lèi)更新模塊6用于對(duì)訓(xùn)練集進(jìn)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(wú)法對(duì)待測(cè)特征向量進(jìn)行有效故障分類(lèi)時(shí)，將待測(cè)特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對(duì)訓(xùn)練樣本進(jìn)行更新，對(duì)結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)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(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，完成故障種類(lèi)更新。

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

優(yōu)選的，所述健康記錄模塊7包括存儲(chǔ)子模塊和安全訪(fǎng)問(wèn)子模塊，所述存儲(chǔ)子模塊采用基于云存儲(chǔ)的存儲(chǔ)模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲(chǔ)器，所述安全訪(fǎng)問(wèn)子模塊用于對(duì)信息進(jìn)行訪(fǎng)問(wèn)，具體地，對(duì)應(yīng)于存儲(chǔ)子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實(shí)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(shí)對(duì)故障進(jìn)行訪(fǎng)問(wèn)，便于查找問(wèn)題。

在此應(yīng)用場(chǎng)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(cè)速度相對(duì)提高了11％，傳感器故障診斷裝置的監(jiān)測(cè)精度相對(duì)提高了11％。

應(yīng)用場(chǎng)景3

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)，包括基于大數(shù)據(jù)的云服務(wù)器、本地服務(wù)器、傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)，所述基于大數(shù)據(jù)的云服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)與本地服務(wù)器連接，本地服務(wù)器與傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)連接，所述本地服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)還連接有設(shè)備控制器。

本發(fā)明上述實(shí)施例以傳感器系統(tǒng)和各種感知設(shè)備為載體，以應(yīng)用軟件技術(shù)為服務(wù)核心，實(shí)現(xiàn)實(shí)時(shí)性和高精確度的環(huán)境信息監(jiān)測(cè)，為農(nóng)作物提供可靠的生長(zhǎng)環(huán)境，且管理人員可以隨時(shí)查詢(xún)各溫室大棚以及大棚內(nèi)各個(gè)節(jié)點(diǎn)當(dāng)前環(huán)境信息，監(jiān)控平臺(tái)對(duì)采集的數(shù)據(jù)進(jìn)行分析與處理，通過(guò)事先設(shè)定閾值范圍，系統(tǒng)可以自動(dòng)啟動(dòng)與調(diào)節(jié)風(fēng)機(jī)、卷簾機(jī)、空調(diào)、光照、灌溉等設(shè)備，為農(nóng)作物提供一個(gè)最適宜的生長(zhǎng)環(huán)境。

優(yōu)選的，所述傳感器系統(tǒng)包括空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器。

本優(yōu)選實(shí)施例設(shè)置空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器，實(shí)現(xiàn)農(nóng)業(yè)環(huán)境數(shù)據(jù)的采集。

優(yōu)選的，所述智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)還包括對(duì)各傳感器進(jìn)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(hào)采集濾波模塊1、故障特征提取模塊2、在線(xiàn)特征提取模塊3、特征向量?jī)?yōu)選模塊4、故障分類(lèi)識(shí)別模塊5、故障種類(lèi)更新模塊6和健康記錄模塊7。

本發(fā)明上述實(shí)施例設(shè)置傳感器故障診斷裝置并實(shí)現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測(cè)各傳感器，保證監(jiān)控系統(tǒng)的環(huán)境數(shù)據(jù)采集。

優(yōu)選的，所述信號(hào)采集濾波模塊1用于采集歷史傳感器信號(hào)和在線(xiàn)傳感器測(cè)試信號(hào)，并采用組合形態(tài)濾波器對(duì)信號(hào)進(jìn)行濾波處理；

本優(yōu)選實(shí)施例設(shè)置組合形態(tài)濾波器，可有效的去除信號(hào)的各種噪聲干擾，較好的保留信號(hào)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(duì)濾波后的歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號(hào)分為正常工況信號(hào)和多種類(lèi)別的故障信號(hào)；

(2)對(duì)所述歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(3)計(jì)算所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(4)對(duì)歷史傳感器信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線(xiàn)特征提取模塊3用于對(duì)濾波后的在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為待測(cè)特征向量，包括：

(1)對(duì)所述在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行EEMD處理，獲得所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(2)計(jì)算所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(3)對(duì)在線(xiàn)傳感器測(cè)試信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測(cè)特征向量。

本優(yōu)選實(shí)施例對(duì)采集的傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(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?jī)?yōu)選模塊4分別對(duì)訓(xùn)練特征向量和待測(cè)特征向量進(jìn)行相似性度量，對(duì)于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個(gè)特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對(duì)于任意兩個(gè)訓(xùn)練特征向量X₁、X₂，和任意兩個(gè)待測(cè)特征向量D₁、D₂，分別采用相似度函數(shù)對(duì)其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對(duì)于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測(cè)特征向量。

本優(yōu)選實(shí)施例通過(guò)相似度度量來(lái)篩選特征向量，能夠減少計(jì)算量，提高效率。

優(yōu)選的，所述故障分類(lèi)識(shí)別模塊5用于采用優(yōu)化的最小二乘支持向量機(jī)對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識(shí)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(jī)的核函數(shù)，并對(duì)最小二乘支持向量機(jī)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(jìn)行優(yōu)化；

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

所述識(shí)別子模塊用于采用所述傳感器故障診斷模型對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別；

其中，考慮多項(xiàng)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(jī)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(xiàng)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(jìn)行優(yōu)化，包括：

(1)分別對(duì)主粒子群和從粒子群進(jìn)行初始化，隨機(jī)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(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個(gè)數(shù)，W為故障錯(cuò)誤分類(lèi)數(shù)目，T為故障正確分類(lèi)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(jìn)行從粒子群的更新，在每一代更新過(guò)程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對(duì)每個(gè)粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對(duì)所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)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(dá)到最大迭代次數(shù)或者滿(mǎn)足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹(shù)結(jié)構(gòu)的最小二乘向量機(jī)的多分類(lèi)方法具體包括：

(1)計(jì)算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個(gè)類(lèi)別j、間的分離性測(cè)度；

(2)輸出最小分離性測(cè)度對(duì)應(yīng)的j、

(3)在對(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類(lèi)的最小二乘支持向量機(jī)用以訓(xùn)練第j類(lèi)和第類(lèi)的訓(xùn)練樣本，形成最優(yōu)二分類(lèi)最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類(lèi)的訓(xùn)練樣本合并到j(luò)類(lèi)內(nèi)，構(gòu)成新的j類(lèi)訓(xùn)練樣本；

(4)把所有的類(lèi)別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個(gè)根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類(lèi)決策樹(shù)，然后對(duì)余下的訓(xùn)練樣本進(jìn)行分類(lèi)效果測(cè)試。

本優(yōu)選實(shí)施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類(lèi)器，并提出了改進(jìn)最優(yōu)二叉樹(shù)結(jié)構(gòu)的多分類(lèi)方法，以類(lèi)間分離性測(cè)度替代二叉樹(shù)結(jié)構(gòu)中的權(quán)值，提高了的分類(lèi)精度和分類(lèi)速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項(xiàng)式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對(duì)較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對(duì)較弱，在綜合上述兩類(lèi)核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類(lèi)性能和泛化性能；設(shè)計(jì)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(shí)的跳出局部極值點(diǎn)，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(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類(lèi)更新模塊6用于對(duì)訓(xùn)練集進(jìn)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(wú)法對(duì)待測(cè)特征向量進(jìn)行有效故障分類(lèi)時(shí)，將待測(cè)特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對(duì)訓(xùn)練樣本進(jìn)行更新，對(duì)結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)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(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，完成故障種類(lèi)更新。

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

優(yōu)選的，所述健康記錄模塊7包括存儲(chǔ)子模塊和安全訪(fǎng)問(wèn)子模塊，所述存儲(chǔ)子模塊采用基于云存儲(chǔ)的存儲(chǔ)模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲(chǔ)器，所述安全訪(fǎng)問(wèn)子模塊用于對(duì)信息進(jìn)行訪(fǎng)問(wèn)，具體地，對(duì)應(yīng)于存儲(chǔ)子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實(shí)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(shí)對(duì)故障進(jìn)行訪(fǎng)問(wèn)，便于查找問(wèn)題。

在此應(yīng)用場(chǎng)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(cè)速度相對(duì)提高了12％，傳感器故障診斷裝置的監(jiān)測(cè)精度相對(duì)提高了10％。

應(yīng)用場(chǎng)景4

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)，包括基于大數(shù)據(jù)的云服務(wù)器、本地服務(wù)器、傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)，所述基于大數(shù)據(jù)的云服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)與本地服務(wù)器連接，本地服務(wù)器與傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)連接，所述本地服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)還連接有設(shè)備控制器。

本發(fā)明上述實(shí)施例以傳感器系統(tǒng)和各種感知設(shè)備為載體，以應(yīng)用軟件技術(shù)為服務(wù)核心，實(shí)現(xiàn)實(shí)時(shí)性和高精確度的環(huán)境信息監(jiān)測(cè)，為農(nóng)作物提供可靠的生長(zhǎng)環(huán)境，且管理人員可以隨時(shí)查詢(xún)各溫室大棚以及大棚內(nèi)各個(gè)節(jié)點(diǎn)當(dāng)前環(huán)境信息，監(jiān)控平臺(tái)對(duì)采集的數(shù)據(jù)進(jìn)行分析與處理，通過(guò)事先設(shè)定閾值范圍，系統(tǒng)可以自動(dòng)啟動(dòng)與調(diào)節(jié)風(fēng)機(jī)、卷簾機(jī)、空調(diào)、光照、灌溉等設(shè)備，為農(nóng)作物提供一個(gè)最適宜的生長(zhǎng)環(huán)境。

優(yōu)選的，所述傳感器系統(tǒng)包括空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器。

本優(yōu)選實(shí)施例設(shè)置空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器，實(shí)現(xiàn)農(nóng)業(yè)環(huán)境數(shù)據(jù)的采集。

優(yōu)選的，所述智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)還包括對(duì)各傳感器進(jìn)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(hào)采集濾波模塊1、故障特征提取模塊2、在線(xiàn)特征提取模塊3、特征向量?jī)?yōu)選模塊4、故障分類(lèi)識(shí)別模塊5、故障種類(lèi)更新模塊6和健康記錄模塊7。

本發(fā)明上述實(shí)施例設(shè)置傳感器故障診斷裝置并實(shí)現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測(cè)各傳感器，保證監(jiān)控系統(tǒng)的環(huán)境數(shù)據(jù)采集。

優(yōu)選的，所述信號(hào)采集濾波模塊1用于采集歷史傳感器信號(hào)和在線(xiàn)傳感器測(cè)試信號(hào)，并采用組合形態(tài)濾波器對(duì)信號(hào)進(jìn)行濾波處理；

本優(yōu)選實(shí)施例設(shè)置組合形態(tài)濾波器，可有效的去除信號(hào)的各種噪聲干擾，較好的保留信號(hào)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(duì)濾波后的歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號(hào)分為正常工況信號(hào)和多種類(lèi)別的故障信號(hào)；

(2)對(duì)所述歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(3)計(jì)算所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(4)對(duì)歷史傳感器信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線(xiàn)特征提取模塊3用于對(duì)濾波后的在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為待測(cè)特征向量，包括：

(1)對(duì)所述在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行EEMD處理，獲得所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(2)計(jì)算所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(3)對(duì)在線(xiàn)傳感器測(cè)試信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測(cè)特征向量。

本優(yōu)選實(shí)施例對(duì)采集的傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(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?jī)?yōu)選模塊4分別對(duì)訓(xùn)練特征向量和待測(cè)特征向量進(jìn)行相似性度量，對(duì)于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個(gè)特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對(duì)于任意兩個(gè)訓(xùn)練特征向量X₁、X₂，和任意兩個(gè)待測(cè)特征向量D₁、D₂，分別采用相似度函數(shù)對(duì)其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對(duì)于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測(cè)特征向量。

本優(yōu)選實(shí)施例通過(guò)相似度度量來(lái)篩選特征向量，能夠減少計(jì)算量，提高效率。

優(yōu)選的，所述故障分類(lèi)識(shí)別模塊5用于采用優(yōu)化的最小二乘支持向量機(jī)對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識(shí)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(jī)的核函數(shù)，并對(duì)最小二乘支持向量機(jī)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(jìn)行優(yōu)化；

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

所述識(shí)別子模塊用于采用所述傳感器故障診斷模型對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別；

其中，考慮多項(xiàng)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(jī)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(xiàng)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(jìn)行優(yōu)化，包括：

(1)分別對(duì)主粒子群和從粒子群進(jìn)行初始化，隨機(jī)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(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個(gè)數(shù)，W為故障錯(cuò)誤分類(lèi)數(shù)目，T為故障正確分類(lèi)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(jìn)行從粒子群的更新，在每一代更新過(guò)程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對(duì)每個(gè)粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對(duì)所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)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(dá)到最大迭代次數(shù)或者滿(mǎn)足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹(shù)結(jié)構(gòu)的最小二乘向量機(jī)的多分類(lèi)方法具體包括：

(1)計(jì)算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個(gè)類(lèi)別j、間的分離性測(cè)度；

(2)輸出最小分離性測(cè)度對(duì)應(yīng)的j、

(3)在對(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類(lèi)的最小二乘支持向量機(jī)用以訓(xùn)練第j類(lèi)和第類(lèi)的訓(xùn)練樣本，形成最優(yōu)二分類(lèi)最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類(lèi)的訓(xùn)練樣本合并到j(luò)類(lèi)內(nèi)，構(gòu)成新的j類(lèi)訓(xùn)練樣本；

(4)把所有的類(lèi)別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個(gè)根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類(lèi)決策樹(shù)，然后對(duì)余下的訓(xùn)練樣本進(jìn)行分類(lèi)效果測(cè)試。

本優(yōu)選實(shí)施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類(lèi)器，并提出了改進(jìn)最優(yōu)二叉樹(shù)結(jié)構(gòu)的多分類(lèi)方法，以類(lèi)間分離性測(cè)度替代二叉樹(shù)結(jié)構(gòu)中的權(quán)值，提高了的分類(lèi)精度和分類(lèi)速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項(xiàng)式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對(duì)較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對(duì)較弱，在綜合上述兩類(lèi)核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類(lèi)性能和泛化性能；設(shè)計(jì)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(shí)的跳出局部極值點(diǎn)，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(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類(lèi)更新模塊6用于對(duì)訓(xùn)練集進(jìn)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(wú)法對(duì)待測(cè)特征向量進(jìn)行有效故障分類(lèi)時(shí)，將待測(cè)特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對(duì)訓(xùn)練樣本進(jìn)行更新，對(duì)結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)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(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，完成故障種類(lèi)更新。

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

優(yōu)選的，所述健康記錄模塊7包括存儲(chǔ)子模塊和安全訪(fǎng)問(wèn)子模塊，所述存儲(chǔ)子模塊采用基于云存儲(chǔ)的存儲(chǔ)模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲(chǔ)器，所述安全訪(fǎng)問(wèn)子模塊用于對(duì)信息進(jìn)行訪(fǎng)問(wèn)，具體地，對(duì)應(yīng)于存儲(chǔ)子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實(shí)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(shí)對(duì)故障進(jìn)行訪(fǎng)問(wèn)，便于查找問(wèn)題。

在此應(yīng)用場(chǎng)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(cè)速度相對(duì)提高了13％，傳感器故障診斷裝置的監(jiān)測(cè)精度相對(duì)提高了9％。

應(yīng)用場(chǎng)景5

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的基于大數(shù)據(jù)的智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)，包括基于大數(shù)據(jù)的云服務(wù)器、本地服務(wù)器、傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)，所述基于大數(shù)據(jù)的云服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)與本地服務(wù)器連接，本地服務(wù)器與傳感器系統(tǒng)和無(wú)線(xiàn)傳感網(wǎng)連接，所述本地服務(wù)器通過(guò)無(wú)線(xiàn)傳感網(wǎng)還連接有設(shè)備控制器。

本發(fā)明上述實(shí)施例以傳感器系統(tǒng)和各種感知設(shè)備為載體，以應(yīng)用軟件技術(shù)為服務(wù)核心，實(shí)現(xiàn)實(shí)時(shí)性和高精確度的環(huán)境信息監(jiān)測(cè)，為農(nóng)作物提供可靠的生長(zhǎng)環(huán)境，且管理人員可以隨時(shí)查詢(xún)各溫室大棚以及大棚內(nèi)各個(gè)節(jié)點(diǎn)當(dāng)前環(huán)境信息，監(jiān)控平臺(tái)對(duì)采集的數(shù)據(jù)進(jìn)行分析與處理，通過(guò)事先設(shè)定閾值范圍，系統(tǒng)可以自動(dòng)啟動(dòng)與調(diào)節(jié)風(fēng)機(jī)、卷簾機(jī)、空調(diào)、光照、灌溉等設(shè)備，為農(nóng)作物提供一個(gè)最適宜的生長(zhǎng)環(huán)境。

優(yōu)選的，所述傳感器系統(tǒng)包括空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器。

本優(yōu)選實(shí)施例設(shè)置空氣溫濕度傳感器、土壤溫濕度傳感器、光照傳感器、CO2傳感器，實(shí)現(xiàn)農(nóng)業(yè)環(huán)境數(shù)據(jù)的采集。

優(yōu)選的，所述智能農(nóng)業(yè)環(huán)境監(jiān)控系統(tǒng)還包括對(duì)各傳感器進(jìn)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(hào)采集濾波模塊1、故障特征提取模塊2、在線(xiàn)特征提取模塊3、特征向量?jī)?yōu)選模塊4、故障分類(lèi)識(shí)別模塊5、故障種類(lèi)更新模塊6和健康記錄模塊7。

本發(fā)明上述實(shí)施例設(shè)置傳感器故障診斷裝置并實(shí)現(xiàn)了傳感器故障診斷裝置的快速搭建，有利于監(jiān)測(cè)各傳感器，保證監(jiān)控系統(tǒng)的環(huán)境數(shù)據(jù)采集。

優(yōu)選的，所述信號(hào)采集濾波模塊1用于采集歷史傳感器信號(hào)和在線(xiàn)傳感器測(cè)試信號(hào)，并采用組合形態(tài)濾波器對(duì)信號(hào)進(jìn)行濾波處理；

本優(yōu)選實(shí)施例設(shè)置組合形態(tài)濾波器，可有效的去除信號(hào)的各種噪聲干擾，較好的保留信號(hào)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(duì)濾波后的歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為訓(xùn)練特征向量，包括：

(1)將采集的歷史傳感器信號(hào)分為正常工況信號(hào)和多種類(lèi)別的故障信號(hào)；

(2)對(duì)所述歷史傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，獲得所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(3)計(jì)算所述歷史傳感器信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(4)對(duì)歷史傳感器信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為訓(xùn)練特征向量；

所述在線(xiàn)特征提取模塊3用于對(duì)濾波后的在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)處理，并提取集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的能量熵作為待測(cè)特征向量，包括：

(1)對(duì)所述在線(xiàn)傳感器測(cè)試信號(hào)進(jìn)行EEMD處理，獲得所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)；

(2)計(jì)算所述在線(xiàn)傳感器測(cè)試信號(hào)的本征模態(tài)函數(shù)和余項(xiàng)函數(shù)的能量熵；

(3)對(duì)在線(xiàn)傳感器測(cè)試信號(hào)的能量熵進(jìn)行歸一化處理，提取歸一化后的能量熵作為待測(cè)特征向量。

本優(yōu)選實(shí)施例對(duì)采集的傳感器信號(hào)進(jìn)行集成經(jīng)驗(yàn)?zāi)B(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?jī)?yōu)選模塊4分別對(duì)訓(xùn)練特征向量和待測(cè)特征向量進(jìn)行相似性度量，對(duì)于相似度高的特征向量進(jìn)行剔除，包括：

(1)定義兩向量相似度函數(shù)S(X,Y)：

$S(X,Y)=\frac{\mathrm{cov}(X,Y)}{\sqrt{D\left(X\right)}\sqrt{D\left(Y\right)}}$

式中，X、Y分別表示兩個(gè)特征向量，cov(X,Y)為X與Y的協(xié)方差，為X、Y標(biāo)準(zhǔn)差；

對(duì)于任意兩個(gè)訓(xùn)練特征向量X₁、X₂，和任意兩個(gè)待測(cè)特征向量D₁、D₂，分別采用相似度函數(shù)對(duì)其相似度進(jìn)行度量，得到S(X₁,X₂)和S(D₁,D₂)；

(2)對(duì)于S(X₁,X₂)和S(D₁,D₂)，若S(X₁,X₂)>T₁，T₁∈(0.9,1)，只選取X₁作為訓(xùn)練特征向量，若S(D₁,D₂)>T₂，T₂∈(0.95,1)，只選取D₁作為待測(cè)特征向量。

本優(yōu)選實(shí)施例通過(guò)相似度度量來(lái)篩選特征向量，能夠減少計(jì)算量，提高效率。

優(yōu)選的，所述故障分類(lèi)識(shí)別模塊5用于采用優(yōu)化的最小二乘支持向量機(jī)對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，包括參數(shù)選擇優(yōu)化子模塊、訓(xùn)練子模塊和識(shí)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(jī)的核函數(shù)，并對(duì)最小二乘支持向量機(jī)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(jìn)行優(yōu)化；

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

所述識(shí)別子模塊用于采用所述傳感器故障診斷模型對(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別；

其中，考慮多項(xiàng)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(jī)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(xiàng)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(jìn)行優(yōu)化，包括：

(1)分別對(duì)主粒子群和從粒子群進(jìn)行初始化，隨機(jī)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(yīng)度函數(shù)為：

$S=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{q_{i}W}{q_{i}W+(1-q_i)T}\right|\×100\%$

式中，N為訓(xùn)練樣本總個(gè)數(shù)，W為故障錯(cuò)誤分類(lèi)數(shù)目，T為故障正確分類(lèi)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(jìn)行從粒子群的更新，在每一代更新過(guò)程中，根據(jù)適應(yīng)度函數(shù)，從粒子群分別更新粒子的速度和位置，然后對(duì)每個(gè)粒子將其歷史最優(yōu)適應(yīng)度值與主粒子群體內(nèi)所經(jīng)歷的最好位置的適應(yīng)度值比較，若更好，則將其作為當(dāng)前的全局最優(yōu)位置；

(3)對(duì)所述全局最優(yōu)位置進(jìn)行混沌優(yōu)化，并迭代當(dāng)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(dá)到最大迭代次數(shù)或者滿(mǎn)足適應(yīng)度函數(shù)的誤差要求。

其中，所述改進(jìn)的最優(yōu)二叉樹(shù)結(jié)構(gòu)的最小二乘向量機(jī)的多分類(lèi)方法具體包括：

(1)計(jì)算所有訓(xùn)練樣本的標(biāo)準(zhǔn)方差和兩個(gè)類(lèi)別j、間的分離性測(cè)度；

(2)輸出最小分離性測(cè)度對(duì)應(yīng)的j、

(3)在對(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化后，建立二分類(lèi)的最小二乘支持向量機(jī)用以訓(xùn)練第j類(lèi)和第類(lèi)的訓(xùn)練樣本，形成最優(yōu)二分類(lèi)最小二乘支持向量機(jī)，輸出判別函數(shù)的參數(shù)，把類(lèi)的訓(xùn)練樣本合并到j(luò)類(lèi)內(nèi)，構(gòu)成新的j類(lèi)訓(xùn)練樣本；

(4)把所有的類(lèi)別按照(1)-(3)進(jìn)行循環(huán)訓(xùn)練，直至輸出最優(yōu)一個(gè)根節(jié)點(diǎn)；

(5)根據(jù)以上輸出結(jié)果組成最小二乘支持向量機(jī)的分類(lèi)決策樹(shù)，然后對(duì)余下的訓(xùn)練樣本進(jìn)行分類(lèi)效果測(cè)試。

本優(yōu)選實(shí)施例為了提高故障診斷的精度，采用訓(xùn)練速度快、泛化能力強(qiáng)和魯棒性較好的最小二乘向量機(jī)作為分類(lèi)器，并提出了改進(jìn)最優(yōu)二叉樹(shù)結(jié)構(gòu)的多分類(lèi)方法，以類(lèi)間分離性測(cè)度替代二叉樹(shù)結(jié)構(gòu)中的權(quán)值，提高了的分類(lèi)精度和分類(lèi)速度；考慮到RBF核函數(shù)是局部核函數(shù)，多項(xiàng)式核函數(shù)是全局核函數(shù)，局部核函數(shù)學(xué)習(xí)能力強(qiáng)，泛化性能相對(duì)較弱，而全局核函數(shù)泛化性能強(qiáng)，學(xué)習(xí)能力相對(duì)較弱，在綜合上述兩類(lèi)核函數(shù)的優(yōu)點(diǎn)的基礎(chǔ)上進(jìn)行最小二乘支持向量機(jī)的核函數(shù)構(gòu)造，優(yōu)化了最小二乘支持向量機(jī)的分類(lèi)性能和泛化性能；設(shè)計(jì)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(shí)的跳出局部極值點(diǎn)，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(duì)最小二乘支持向量機(jī)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，優(yōu)化效果好。

優(yōu)選地，所述故障種類(lèi)更新模塊6用于對(duì)訓(xùn)練集進(jìn)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(wú)法對(duì)待測(cè)特征向量進(jìn)行有效故障分類(lèi)時(shí)，將待測(cè)特征向量作為新的訓(xùn)練特征向量；

(2)新的訓(xùn)練特征向量對(duì)訓(xùn)練樣本進(jìn)行更新，對(duì)結(jié)構(gòu)參數(shù)優(yōu)化后的最小二乘支持向量機(jī)進(jìn)行訓(xùn)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(duì)所述待測(cè)特征向量進(jìn)行故障分類(lèi)識(shí)別，完成故障種類(lèi)更新。

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

優(yōu)選的，所述健康記錄模塊7包括存儲(chǔ)子模塊和安全訪(fǎng)問(wèn)子模塊，所述存儲(chǔ)子模塊采用基于云存儲(chǔ)的存儲(chǔ)模型，具體地，將故障信息進(jìn)行壓縮后進(jìn)行加密，上傳至云存儲(chǔ)器，所述安全訪(fǎng)問(wèn)子模塊用于對(duì)信息進(jìn)行訪(fǎng)問(wèn)，具體地，對(duì)應(yīng)于存儲(chǔ)子模塊，將數(shù)據(jù)下載到本地，采用相應(yīng)密鑰進(jìn)行解鎖后，再進(jìn)行解壓以讀取信息。

本優(yōu)選實(shí)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(shí)對(duì)故障進(jìn)行訪(fǎng)問(wèn)，便于查找問(wèn)題。

在此應(yīng)用場(chǎng)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(cè)速度相對(duì)提高了14％，傳感器故障診斷裝置的監(jiān)測(cè)精度相對(duì)提高了8％。

最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳實(shí)施例對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。