基于大數據的智能農業環境監控系統的制作方法

本發明涉及農業監測技術領域，具體涉及基于大數據的智能農業環境監控系統。

背景技術：

相關技術中，溫室的農作物及花卉在培養等過程中會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、光照強度、二氧化碳濃度等環境參數，因此在溫室農業的培育過程中對環境參數的控制顯得格外重要。并且相關資料表明，在可自動控制室內的溫度、濕度、灌溉、通風、二氧化碳濃度和光照的溫室中，每平方米溫室一季可產番茄30kg～50kg，黃瓜40kg，相當于露地栽培產量10倍以上。其他各類作物在這種環境下的產量也將得到明顯的提升。目前，針對大多數農業溫室大棚環境的監控被動、落后，信息化和智能化水平不高，并且存在諸多問題和不安全因素，如：采用人工測量、記錄的方式，不能夠24小時實時、動態監控；不穩定、誤差大、容易受干擾；采用人工監控，時效性很差，特別是針對名貴農業，其對環境變化敏感，一旦環境發生改變而未及時采取措施，將可能造成極大的經濟損失。

技術實現要素：

為解決上述問題，本發明旨在提供基于大數據的智能農業環境監控系統。

本發明的目的采用以下技術方案來實現：

基于大數據的智能農業環境監控系統，包括基于大數據的云服務器、本地服務器、傳感器系統和無線傳感網，所述基于大數據的云服務器通過無線傳感網與本地服務器連接，本地服務器與傳感器系統和無線傳感網連接，所述本地服務器通過無線傳感網還連接有設備控制器。

優選的，所述設備控制器連接有風機、卷簾機、空調、電燈和灌溉機。

本發明的有益效果為：以傳感器系統和各種感知設備為載體，以應用軟件技術為服務核心，實現實時性和高精確度的環境信息監測，為農作物提供可靠的生長環境，且管理人員可以隨時查詢各溫室大棚以及大棚內各個節點當前環境信息，監控平臺對采集的數據進行分析與處理，通過設備控制器，系統可以自動啟動與調節風機、卷簾機、空調、光照、灌溉等設備，為農作物提供一個最適宜的生長環境。

附圖說明

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

圖1是本發明結構示意圖；

圖2是本發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

結合以下實施例對本發明作進一步描述。

應用場景1

參見圖1、圖2，本應用場景的一個實施例的基于大數據的智能農業環境監控系統，包括基于大數據的云服務器、本地服務器、傳感器系統和無線傳感網，所述基于大數據的云服務器通過無線傳感網與本地服務器連接，本地服務器與傳感器系統和無線傳感網連接，所述本地服務器通過無線傳感網還連接有設備控制器。

本發明上述實施例以傳感器系統和各種感知設備為載體，以應用軟件技術為服務核心，實現實時性和高精確度的環境信息監測，為農作物提供可靠的生長環境，且管理人員可以隨時查詢各溫室大棚以及大棚內各個節點當前環境信息，監控平臺對采集的數據進行分析與處理，通過事先設定閾值范圍，系統可以自動啟動與調節風機、卷簾機、空調、光照、灌溉等設備，為農作物提供一個最適宜的生長環境。

優選的，所述傳感器系統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。

本優選實施例設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，實現農業環境數據的采集。

優選的，所述智能農業環境監控系統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。

本發明上述實施例設置傳感器故障診斷裝置并實現了傳感器故障診斷裝置的快速搭建，有利于監測各傳感器，保證監控系統的環境數據采集。

優選的，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，并采用組合形態濾波器對信號進行濾波處理；

本優選實施例設置組合形態濾波器，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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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驗模態分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態函數和余項函數；

(3)計算所述歷史傳感器信號的本征模態函數和余項函數的能量熵；

(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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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函數和余項函數；

(2)計算所述在線傳感器測試信號的本征模態函數和余項函數的能量熵；

(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。

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

優選的，所述特征向量優選模塊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分別表示兩個特征向量，cov(X,Y)為X與Y的協方差，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。

優選的，所述故障分類識別模塊5用于采用優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，包括參數選擇優化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數選擇優化子模塊用于構造最小二乘支持向量機的核函數，并對最小二乘支持向量機的結構參數采用多群體協同混沌粒子群優化算法進行優化；

所述訓練子模塊，用于采用改進的最優二叉樹結構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構參數優化后的最小二乘支持向量機進行訓練，并構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，考慮多項式核函數和RBF核函數的優異性，所述最小二乘支持向量機的核函數構造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調整因子，δ的取值范圍設定為[0.45,0.55]，p為多項式核函數的階數，σ²為RBF核函數參數。

其中，所示采用多群體協同混沌粒子群優化算法進行優化，包括：

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

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

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

(2)進行從粒子群的更新，在每一代更新過程中，根據適應度函數，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適應度值與主粒子群體內所經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位置；

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

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

其中，所述改進的最優二叉樹結構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構參數進行優化后，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，形成最優二分類最小二乘支持向量機，輸出判別函數的參數，把類的訓練樣本合并到j類內，構成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環訓練，直至輸出最優一個根節點；

(5)根據以上輸出結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，并提出了改進最優二叉樹結構的多分類方法，以類間分離性測度替代二叉樹結構中的權值，提高了的分類精度和分類速度；考慮到RBF核函數是局部核函數，多項式核函數是全局核函數，局部核函數學習能力強，泛化性能相對較弱，而全局核函數泛化性能強，學習能力相對較弱，在綜合上述兩類核函數的優點的基礎上進行最小二乘支持向量機的核函數構造，優化了最小二乘支持向量機的分類性能和泛化性能；設計的多群體協同混沌粒子群優化算法，具有較好的收斂速度，且具有較好的全局和局部尋優性能，能夠及時的跳出局部極值點，尋找全局的最優值，從而采用多群體協同混沌粒子群優化算法對最小二乘支持向量機的結構參數進行優化，優化效果好。

優選地，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，對結構參數優化后的最小二乘支持向量機進行訓練，并構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。

本優選實施例設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，將數據下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優選實施例設置健康記錄模塊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，設定閾值T₁的取值為0.96，傳感器故障診斷裝置的監測速度相對提高了10％，傳感器故障診斷裝置的監測精度相對提高了12％。

應用場景2

參見圖1、圖2，本應用場景的一個實施例的基于大數據的智能農業環境監控系統，包括基于大數據的云服務器、本地服務器、傳感器系統和無線傳感網，所述基于大數據的云服務器通過無線傳感網與本地服務器連接，本地服務器與傳感器系統和無線傳感網連接，所述本地服務器通過無線傳感網還連接有設備控制器。

本發明上述實施例以傳感器系統和各種感知設備為載體，以應用軟件技術為服務核心，實現實時性和高精確度的環境信息監測，為農作物提供可靠的生長環境，且管理人員可以隨時查詢各溫室大棚以及大棚內各個節點當前環境信息，監控平臺對采集的數據進行分析與處理，通過事先設定閾值范圍，系統可以自動啟動與調節風機、卷簾機、空調、光照、灌溉等設備，為農作物提供一個最適宜的生長環境。

優選的，所述傳感器系統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。

本優選實施例設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，實現農業環境數據的采集。

優選的，所述智能農業環境監控系統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。

本發明上述實施例設置傳感器故障診斷裝置并實現了傳感器故障診斷裝置的快速搭建，有利于監測各傳感器，保證監控系統的環境數據采集。

優選的，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，并采用組合形態濾波器對信號進行濾波處理；

本優選實施例設置組合形態濾波器，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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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驗模態分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態函數和余項函數；

(3)計算所述歷史傳感器信號的本征模態函數和余項函數的能量熵；

(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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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函數和余項函數；

(2)計算所述在線傳感器測試信號的本征模態函數和余項函數的能量熵；

(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。

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

優選的，所述特征向量優選模塊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分別表示兩個特征向量，cov(X,Y)為X與Y的協方差，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。

優選的，所述故障分類識別模塊5用于采用優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，包括參數選擇優化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數選擇優化子模塊用于構造最小二乘支持向量機的核函數，并對最小二乘支持向量機的結構參數采用多群體協同混沌粒子群優化算法進行優化；

所述訓練子模塊，用于采用改進的最優二叉樹結構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構參數優化后的最小二乘支持向量機進行訓練，并構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，考慮多項式核函數和RBF核函數的優異性，所述最小二乘支持向量機的核函數構造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調整因子，δ的取值范圍設定為[0.45,0.55]，p為多項式核函數的階數，σ²為RBF核函數參數。

其中，所示采用多群體協同混沌粒子群優化算法進行優化，包括：

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

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

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

(2)進行從粒子群的更新，在每一代更新過程中，根據適應度函數，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適應度值與主粒子群體內所經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位置；

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

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

其中，所述改進的最優二叉樹結構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構參數進行優化后，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，形成最優二分類最小二乘支持向量機，輸出判別函數的參數，把類的訓練樣本合并到j類內，構成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環訓練，直至輸出最優一個根節點；

(5)根據以上輸出結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，并提出了改進最優二叉樹結構的多分類方法，以類間分離性測度替代二叉樹結構中的權值，提高了的分類精度和分類速度；考慮到RBF核函數是局部核函數，多項式核函數是全局核函數，局部核函數學習能力強，泛化性能相對較弱，而全局核函數泛化性能強，學習能力相對較弱，在綜合上述兩類核函數的優點的基礎上進行最小二乘支持向量機的核函數構造，優化了最小二乘支持向量機的分類性能和泛化性能；設計的多群體協同混沌粒子群優化算法，具有較好的收斂速度，且具有較好的全局和局部尋優性能，能夠及時的跳出局部極值點，尋找全局的最優值，從而采用多群體協同混沌粒子群優化算法對最小二乘支持向量機的結構參數進行優化，優化效果好。

優選地，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，對結構參數優化后的最小二乘支持向量機進行訓練，并構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。

本優選實施例設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，將數據下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優選實施例設置健康記錄模塊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，設定閾值T₁的取值為0.95，傳感器故障診斷裝置的監測速度相對提高了11％，傳感器故障診斷裝置的監測精度相對提高了11％。

應用場景3

參見圖1、圖2，本應用場景的一個實施例的基于大數據的智能農業環境監控系統，包括基于大數據的云服務器、本地服務器、傳感器系統和無線傳感網，所述基于大數據的云服務器通過無線傳感網與本地服務器連接，本地服務器與傳感器系統和無線傳感網連接，所述本地服務器通過無線傳感網還連接有設備控制器。

本發明上述實施例以傳感器系統和各種感知設備為載體，以應用軟件技術為服務核心，實現實時性和高精確度的環境信息監測，為農作物提供可靠的生長環境，且管理人員可以隨時查詢各溫室大棚以及大棚內各個節點當前環境信息，監控平臺對采集的數據進行分析與處理，通過事先設定閾值范圍，系統可以自動啟動與調節風機、卷簾機、空調、光照、灌溉等設備，為農作物提供一個最適宜的生長環境。

優選的，所述傳感器系統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。

本優選實施例設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，實現農業環境數據的采集。

優選的，所述智能農業環境監控系統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。

本發明上述實施例設置傳感器故障診斷裝置并實現了傳感器故障診斷裝置的快速搭建，有利于監測各傳感器，保證監控系統的環境數據采集。

優選的，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，并采用組合形態濾波器對信號進行濾波處理；

本優選實施例設置組合形態濾波器，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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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驗模態分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態函數和余項函數；

(3)計算所述歷史傳感器信號的本征模態函數和余項函數的能量熵；

(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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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函數和余項函數；

(2)計算所述在線傳感器測試信號的本征模態函數和余項函數的能量熵；

(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。

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

優選的，所述特征向量優選模塊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分別表示兩個特征向量，cov(X,Y)為X與Y的協方差，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。

優選的，所述故障分類識別模塊5用于采用優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，包括參數選擇優化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數選擇優化子模塊用于構造最小二乘支持向量機的核函數，并對最小二乘支持向量機的結構參數采用多群體協同混沌粒子群優化算法進行優化；

所述訓練子模塊，用于采用改進的最優二叉樹結構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構參數優化后的最小二乘支持向量機進行訓練，并構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，考慮多項式核函數和RBF核函數的優異性，所述最小二乘支持向量機的核函數構造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調整因子，δ的取值范圍設定為[0.45,0.55]，p為多項式核函數的階數，σ²為RBF核函數參數。

其中，所示采用多群體協同混沌粒子群優化算法進行優化，包括：

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

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

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

(2)進行從粒子群的更新，在每一代更新過程中，根據適應度函數，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適應度值與主粒子群體內所經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位置；

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

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

其中，所述改進的最優二叉樹結構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構參數進行優化后，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，形成最優二分類最小二乘支持向量機，輸出判別函數的參數，把類的訓練樣本合并到j類內，構成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環訓練，直至輸出最優一個根節點；

(5)根據以上輸出結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，并提出了改進最優二叉樹結構的多分類方法，以類間分離性測度替代二叉樹結構中的權值，提高了的分類精度和分類速度；考慮到RBF核函數是局部核函數，多項式核函數是全局核函數，局部核函數學習能力強，泛化性能相對較弱，而全局核函數泛化性能強，學習能力相對較弱，在綜合上述兩類核函數的優點的基礎上進行最小二乘支持向量機的核函數構造，優化了最小二乘支持向量機的分類性能和泛化性能；設計的多群體協同混沌粒子群優化算法，具有較好的收斂速度，且具有較好的全局和局部尋優性能，能夠及時的跳出局部極值點，尋找全局的最優值，從而采用多群體協同混沌粒子群優化算法對最小二乘支持向量機的結構參數進行優化，優化效果好。

優選地，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，對結構參數優化后的最小二乘支持向量機進行訓練，并構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。

本優選實施例設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，將數據下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優選實施例設置健康記錄模塊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，設定閾值T₁的取值為0.94，傳感器故障診斷裝置的監測速度相對提高了12％，傳感器故障診斷裝置的監測精度相對提高了10％。

應用場景4

參見圖1、圖2，本應用場景的一個實施例的基于大數據的智能農業環境監控系統，包括基于大數據的云服務器、本地服務器、傳感器系統和無線傳感網，所述基于大數據的云服務器通過無線傳感網與本地服務器連接，本地服務器與傳感器系統和無線傳感網連接，所述本地服務器通過無線傳感網還連接有設備控制器。

本發明上述實施例以傳感器系統和各種感知設備為載體，以應用軟件技術為服務核心，實現實時性和高精確度的環境信息監測，為農作物提供可靠的生長環境，且管理人員可以隨時查詢各溫室大棚以及大棚內各個節點當前環境信息，監控平臺對采集的數據進行分析與處理，通過事先設定閾值范圍，系統可以自動啟動與調節風機、卷簾機、空調、光照、灌溉等設備，為農作物提供一個最適宜的生長環境。

優選的，所述傳感器系統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。

本優選實施例設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，實現農業環境數據的采集。

優選的，所述智能農業環境監控系統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。

本發明上述實施例設置傳感器故障診斷裝置并實現了傳感器故障診斷裝置的快速搭建，有利于監測各傳感器，保證監控系統的環境數據采集。

優選的，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，并采用組合形態濾波器對信號進行濾波處理；

本優選實施例設置組合形態濾波器，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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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驗模態分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態函數和余項函數；

(3)計算所述歷史傳感器信號的本征模態函數和余項函數的能量熵；

(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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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函數和余項函數；

(2)計算所述在線傳感器測試信號的本征模態函數和余項函數的能量熵；

(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。

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

優選的，所述特征向量優選模塊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分別表示兩個特征向量，cov(X,Y)為X與Y的協方差，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。

優選的，所述故障分類識別模塊5用于采用優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，包括參數選擇優化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數選擇優化子模塊用于構造最小二乘支持向量機的核函數，并對最小二乘支持向量機的結構參數采用多群體協同混沌粒子群優化算法進行優化；

所述訓練子模塊，用于采用改進的最優二叉樹結構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構參數優化后的最小二乘支持向量機進行訓練，并構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，考慮多項式核函數和RBF核函數的優異性，所述最小二乘支持向量機的核函數構造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調整因子，δ的取值范圍設定為[0.45,0.55]，p為多項式核函數的階數，σ²為RBF核函數參數。

其中，所示采用多群體協同混沌粒子群優化算法進行優化，包括：

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

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

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

(2)進行從粒子群的更新，在每一代更新過程中，根據適應度函數，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適應度值與主粒子群體內所經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位置；

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

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

其中，所述改進的最優二叉樹結構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構參數進行優化后，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，形成最優二分類最小二乘支持向量機，輸出判別函數的參數，把類的訓練樣本合并到j類內，構成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環訓練，直至輸出最優一個根節點；

(5)根據以上輸出結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，并提出了改進最優二叉樹結構的多分類方法，以類間分離性測度替代二叉樹結構中的權值，提高了的分類精度和分類速度；考慮到RBF核函數是局部核函數，多項式核函數是全局核函數，局部核函數學習能力強，泛化性能相對較弱，而全局核函數泛化性能強，學習能力相對較弱，在綜合上述兩類核函數的優點的基礎上進行最小二乘支持向量機的核函數構造，優化了最小二乘支持向量機的分類性能和泛化性能；設計的多群體協同混沌粒子群優化算法，具有較好的收斂速度，且具有較好的全局和局部尋優性能，能夠及時的跳出局部極值點，尋找全局的最優值，從而采用多群體協同混沌粒子群優化算法對最小二乘支持向量機的結構參數進行優化，優化效果好。

優選地，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，對結構參數優化后的最小二乘支持向量機進行訓練，并構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。

本優選實施例設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，將數據下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優選實施例設置健康記錄模塊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，設定閾值T₁的取值為0.93，傳感器故障診斷裝置的監測速度相對提高了13％，傳感器故障診斷裝置的監測精度相對提高了9％。

應用場景5

參見圖1、圖2，本應用場景的一個實施例的基于大數據的智能農業環境監控系統，包括基于大數據的云服務器、本地服務器、傳感器系統和無線傳感網，所述基于大數據的云服務器通過無線傳感網與本地服務器連接，本地服務器與傳感器系統和無線傳感網連接，所述本地服務器通過無線傳感網還連接有設備控制器。

本發明上述實施例以傳感器系統和各種感知設備為載體，以應用軟件技術為服務核心，實現實時性和高精確度的環境信息監測，為農作物提供可靠的生長環境，且管理人員可以隨時查詢各溫室大棚以及大棚內各個節點當前環境信息，監控平臺對采集的數據進行分析與處理，通過事先設定閾值范圍，系統可以自動啟動與調節風機、卷簾機、空調、光照、灌溉等設備，為農作物提供一個最適宜的生長環境。

優選的，所述傳感器系統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。

本優選實施例設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，實現農業環境數據的采集。

優選的，所述智能農業環境監控系統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。

本發明上述實施例設置傳感器故障診斷裝置并實現了傳感器故障診斷裝置的快速搭建，有利于監測各傳感器，保證監控系統的環境數據采集。

優選的，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，并采用組合形態濾波器對信號進行濾波處理；

本優選實施例設置組合形態濾波器，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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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驗模態分解(EEMD)處理，獲得所述歷史傳感器信號的本征模態函數和余項函數；

(3)計算所述歷史傳感器信號的本征模態函數和余項函數的能量熵；

(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驗模態分解(EEMD)處理，并提取集成經驗模態分解(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函數和余項函數；

(2)計算所述在線傳感器測試信號的本征模態函數和余項函數的能量熵；

(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。

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

優選的，所述特征向量優選模塊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分別表示兩個特征向量，cov(X,Y)為X與Y的協方差，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。

優選的，所述故障分類識別模塊5用于采用優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，包括參數選擇優化子模塊、訓練子模塊和識別子模塊，具體為：

所述參數選擇優化子模塊用于構造最小二乘支持向量機的核函數，并對最小二乘支持向量機的結構參數采用多群體協同混沌粒子群優化算法進行優化；

所述訓練子模塊，用于采用改進的最優二叉樹結構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構參數優化后的最小二乘支持向量機進行訓練，并構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，考慮多項式核函數和RBF核函數的優異性，所述最小二乘支持向量機的核函數構造為：

K＝(1-δ)(xx_i+1)^p+δexp(-‖x-x_i‖²/σ²)

式中，δ為綜合調整因子，δ的取值范圍設定為[0.45,0.55]，p為多項式核函數的階數，σ²為RBF核函數參數。

其中，所示采用多群體協同混沌粒子群優化算法進行優化，包括：

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

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

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

(2)進行從粒子群的更新，在每一代更新過程中，根據適應度函數，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適應度值與主粒子群體內所經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位置；

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

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

其中，所述改進的最優二叉樹結構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構參數進行優化后，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，形成最優二分類最小二乘支持向量機，輸出判別函數的參數，把類的訓練樣本合并到j類內，構成新的j類訓練樣本；

(4)把所有的類別按照(1)-(3)進行循環訓練，直至輸出最優一個根節點；

(5)根據以上輸出結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，并提出了改進最優二叉樹結構的多分類方法，以類間分離性測度替代二叉樹結構中的權值，提高了的分類精度和分類速度；考慮到RBF核函數是局部核函數，多項式核函數是全局核函數，局部核函數學習能力強，泛化性能相對較弱，而全局核函數泛化性能強，學習能力相對較弱，在綜合上述兩類核函數的優點的基礎上進行最小二乘支持向量機的核函數構造，優化了最小二乘支持向量機的分類性能和泛化性能；設計的多群體協同混沌粒子群優化算法，具有較好的收斂速度，且具有較好的全局和局部尋優性能，能夠及時的跳出局部極值點，尋找全局的最優值，從而采用多群體協同混沌粒子群優化算法對最小二乘支持向量機的結構參數進行優化，優化效果好。

優選地，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，對結構參數優化后的最小二乘支持向量機進行訓練，并構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。

本優選實施例設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，將數據下載到本地，采用相應密鑰進行解鎖后，再進行解壓以讀取信息。

本優選實施例設置健康記錄模塊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，設定閾值T₁的取值為0.92，傳感器故障診斷裝置的監測速度相對提高了14％，傳感器故障診斷裝置的監測精度相對提高了8％。

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