光纖光柵傳感器網絡智能健康監測自修復系統及方法與流程

本發明涉及一種光纖光柵智能健康監測自修復系統及方法，屬于工程結構健康監測技術領域。

背景技術：

光纖光柵傳感器作為一種新型傳感器，相對于傳統的傳感器具有傳感一體化、重量輕、體積小、直徑細、柔韌性好、靈敏度高、分辨率高、抗電磁干擾、本質安全、易于埋入結構中、易于構建分布式或準分布式網絡等獨特優點，已成為國內外智能健康監測系統中研究和應用領域最重要的傳感器類型之一，在橋梁隧道、航空航天器、大型水壩、巨型船舶、海上石油平臺，電力系統等大型、復雜工程結構中得到了廣泛的應用。

在智能健康監測系統中，為了充分發揮光纖光柵傳感器傳、感一體化的優點，光纖光柵傳感器通常以混聯拓撲結構組成分布式或準分布式傳感網絡。在混聯拓撲結構中，如果某個串聯支路的某段傳輸或傳感光纖發生斷裂，則其后面的所有傳感器信號均得不到正常傳輸，從而使光纖光柵傳感器網絡出現局部失效，進而影響整個監測系統性能。根據美國“智能維護系統中心”的研究報告顯示，對于一個監測系統，由于傳感器網絡自身的故障而產生的錯誤報警率達到40%以上。在智能健康監測系統中，光纖光柵傳感器網絡通常埋置或粘貼于被監測對象中，如要修復或更換失效傳感器，不僅會造成較大經濟損失，甚至會影響被監測對象本身力學性能。因此，需要探索如何在不修復或更換失效傳感器網絡的前提下盡可能對監測系統進行補償、修復，使監測系統性能損失降到最低，從而提高整個監測系統的可靠性。

目前各國學者對光纖光柵智能健康監測系統的自修復性能進行了研究，主要方法分為兩類。

第一類是對監測系統的前端光纖光柵傳感器網絡進行修復，即在傳統光纖光柵傳感器網絡中引入光開關、光纖放大器、波長插分復用器等輔助器件，通過光路的切換為失效的光纖光柵傳感器重新尋找傳輸路徑，使失效傳感器對整個網絡的影響降至最低，進而使監測系統的性能損失降至最低。如英國阿斯頓大學的andrewm.gillooly等人在串行和并行結構光纖光柵傳感器網絡基礎上，提出了一種耦合鏈陣列的光纖光柵網絡拓撲結構，此種設計提高了傳統光纖光柵傳感器網絡的可靠性。臺灣國立交通大學peng-chunpeng等人通過在網絡中引入光纖放大器、光開關及中央節點提出了星形-環形-總線結構的光纖光柵傳感器網絡拓撲結構，此種拓撲結構提高了網絡的生存能力。臺灣國立交通大學kai-mingfeng通過在光纖光柵傳感器網絡中引入2x2的光開關，提出了3-d環形網絡拓撲結構，當網絡中某個傳輸或傳感節點斷裂時，通過光開關的切換實現傳感器網絡的自修復功能。這類方法在網絡中引入較多的光開關，不僅增加了整個監測系統的成本，而且引入光開關的同時帶來一定的光損，如果光損過大，可能導致傳感器采集到的信號無法得到解調。

第二類是直接對監測系統功能進行修復，即利用監測系統中仍完好的傳感器，通過人工智能算法對網絡中失效傳感器功能進行補償。如山東大學王正方采用支持向量回歸機建立相應的非線性函數關系模型，對橋隧工程安全監測系統中光纖光柵傳感器的缺失數據進行修補，從軟件角度提高了智能監測系統的可靠性。信陽師范學院張曉麗以航空結構健康監測系統中的靜態載荷和動態載荷為研究對象，采用支持向量回歸機模型重構技術對光纖光柵傳感器網絡局部失效數據進行修復，提高了監測系統的可靠性。這種方法不需要增加光開關等輔助器件，具有較大的優勢。但目前的人工智能算法修復研究主要面向小型光纖傳感器網絡，研究中所采用的傳感器件數量相對較少，所需辨識和評估的結構參量單一，各分系統之間的管理和協調功能要求較為簡單，因此僅適用于作為一種原理性和功能驗證性研究。

考慮到實際的工程結構，由于具有大型化、結構形式復雜及材料屬性多樣等特點，且工作環境往往處于高速、高/低溫及酸堿腐蝕等復雜極端惡劣環境，此時智能健康監測系統在實際工程綜合應用時所面對的情況就變得尤為復雜和困難，尤其是結構復雜化、大型化，將使得智能健康監測系統中所需要的傳感器件數量、決策對象的復雜程度大大增加，隨之帶來的是監測網絡的復雜程度、用于信號信息處理的運算量、需要通信傳輸的信息、系統各部分間的管理、協調需求及監測網絡所需能耗急劇增加，這導致采用傳統集中處理方法將無法在極短時間內對獲取信號做出準確評估和正確決策，并極大降低監測系統的實時診斷、實時控制和自適應能力。因此，針對光纖光柵智能健康監測系統，在修復方法上還有很大的研究發展空間，依然存在諸多問題需要解決。

技術實現要素：

本發明所要解決的技術問題是：針對以上大型工程結構中光纖光柵傳感器智能健康監測系統的可靠性問題，提出一種光纖光柵傳感器網絡智能健康監測自修復系統及方法，采用多主體協作和決策技術，以受損區域附近存活的光纖光柵傳感器為基礎，對失效傳感器進行功能補償，從而在不更換被監測對象中光纖光柵傳感器網絡的前提下使整個智能健康監測系統恢復正常工作，進而提高整個監測系統的性能和可靠性。

本發明為解決上述技術問題，采用以下技術方案：

本發明首先提出一種基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復系統，包括：

若干光纖感知功能主體，用于將主體內的光纖光柵傳感器采集的數據輸入預先訓練好的評估模型，對被監測對象的健康狀態進行評估，然后將評估結果及其置信概率發送至系統協作決策主體；以及，根據自主學習系統協作決策主體反饋的協作決策信息，對評估模型進行修正，利用修正后的評估模型對被監測對象的健康狀態進行再次評估，并將再次評估的結果及其置信概率發送至系統協作決策主體；

系統協作決策主體，用于接收各光纖感知功能主體發送的關于被監測對象健康狀態的評估結果，結合置信概率對其進行推理分析，判斷各光纖感知功能主體是否需要進行協作；當需要協作時，確定各光纖感知功能主體的協作計劃，整理協作信息并發送至各光纖感知功能主體；在各光纖感知功能主體執行協作計劃后，對各光纖感知功能主體執行的結果再次進行推理分析，決定是否繼續發送協作請求；如此循環直至各光纖感知功能主體對被監測對象的健康狀態評估結果達到最優。

作為進一步的優化方案，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復系統，光纖感知功能主體包括：

光纖光柵傳感器網絡，用于依據被監測參量對主體內的光纖光柵傳感器數據進行采集；

智能評估單元，用于采用將光纖光柵傳感器采集的數據輸入預先訓練好的評估模型，對本主體內被監測對象的健康狀態進行評估，生成評估結果及其置信概率；

模型修正單元，用于根據系統協作決策主體反饋的協作信息對本主體中的評估模型進行修正；

通訊單元，用于將本主體內被監測對象的健康狀態評估結果及其置信概率發送至系統協作決策主體，同時接收系統協作決策主體發送的協作信息。

作為進一步的優化方案，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復系統，系統協作決策主體包括：

比較單元，用于將各光纖感知功能主體對被監測對象的評估結果的置信概率與預設置信概率進行比較，當有光纖感知功能主體對被監測對象的評估結果的置信概率小于預設置信概率時，則觸發協作決策單元；否則，觸發評估結果生成單元；

協作決策單元，用于采納置信概率不低于預設置信概率的光纖感知功能主體的評估結果，并依據其置信概率分配權重，然后對被采納的評估結果進行加權平均，將加權平均后的評估結果作為初步評估結果，將該初步評估結果以及協作請求作為協作信息發送給評估結果的置信概率小于預設置信概率的各光纖感知功能主體；

評估結果生成單元，用于對各光纖感知功能主體的評估結果依據置信概率重新分配權重，然后對各評估結果進行加權平均，并將加權平均后的評估結果作為最終評估結果。

作為進一步的優化方案，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復系統，光纖感知功能主體還包括：

光纖光柵傳感器網絡狀態感知單元，用于依據同類光纖光柵傳感器在狀態完好和失效時的光譜特性，對主體內的失效傳感器進行診斷。

本發明還提出一種基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復方法，包括以下步驟：

步驟（1）、各光纖感知功能主體根據其自身的光纖光柵傳感器網絡建立健康狀態初始智能評估模型；

步驟（2）、各光纖感知功能主體依據被監測參量對主體內的光纖光柵傳感器數據進行采集；

步驟（3）、各光纖感知功能主體將光纖光柵傳感器采集的數據輸入初始智能評估模型，對本主體內被監測對象的健康狀態進行評估，得到被監測對象的健康狀態評估結果及其置信概率，然后發送至系統協作決策主體；

步驟（4）、系統協作決策主體將各光纖感知功能主體對被監測對象的評估結果的置信概率與預設置信概率進行比較，如果某個或某些光纖感知功能主體對被監測對象的評估結果的置信概率小于預設置信概率，則需要進行協作決策，具體執行以下步驟：

a1、系統協作決策主體棄用置信概率小于預設置信概率的該光纖感知功能主體的評估結果，采納其余光纖感知功能主體的評估結果并依據其置信概率分配權重，然后對被采納的評估結果進行加權平均，并將加權平均后的評估結果作為初步評估結果，將該初步評估結果以及協作請求作為協作信息發送給評估結果的置信概率小于預設置信概率的各光纖感知功能主體；

a2、對于評估結果被棄用的光纖感知功能主體，當收到協作請求后，將當前初步評估結果作為新增樣本對自身的評估模型進行重新訓練，修正評估模型，并用修正后的評估模型對被監測對象的健康狀態進行重新評估，然后將評估結果及其置信概率再次傳輸至系統協作決策主體；

a3、系統協作決策主體將該再次收到的評估結果的置信概率與預設置信概率進行比較：

如果該評估結果的置信概率仍小于預設置信概率，則返回步驟a2，重新訓練修正評估模型；

如果該評估結果的置信概率大于或等于預設置信概率，則采納該光纖感知功能主體的評估結果，并對于各光纖感知功能主體的評估結果依據更新后的置信概率重新分配權重，然后對各評估結果進行加權平均，并將加權平均后的評估結果作為最終評估結果。

進一步的，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復方法，在步驟a3中，如果超過預設的次數，被棄用的光纖感知功能主體評估結果的置信概率仍小于所預設的置信概率，則系統協作決策主體終止協作決策過程，并將上一次加權平均后的評估結果作為最終評估結果。

進一步的，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復方法，步驟（1）建立健康狀態初始智能評估模型包括以下步驟：

首先，對監測對象進行監測結果已知的模擬實驗，同時各光纖感知功能主體采用本主體內光纖光柵傳感器采集試驗數據，將試驗數據和已知的監測結果共同構成初始訓練數據；

然后，利用初始訓練數據對支持向量學習機進行訓練，得到用于評估被監測對象健康狀態的支持向量機初始模型，即健康狀態初始智能評估模型。

進一步的，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復方法，健康狀態評估結果是指采用支持向量學習機解算出的被監測對象的外部載荷位置參數，其置信概率是采用支持向量學習機解算外部載荷位置參數時得到的。

進一步的，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復方法，所述預設次數為3次。

進一步的，本發明的基于多主體協作和決策技術的光纖光柵傳感器網絡智能健康監測自修復方法，步驟（3）中還包括，各光纖感知功能主體依據同類光纖光柵傳感器在狀態完好和失效時的光譜特性，對主體內的失效傳感器進行診斷，并將診斷結果發送至系統協作決策主體。

本發明采用以上技術方案，與現有技術相比，具有以下技術效果：

本發明所采用的多主體技術主要思想是多個主體通過相互作用，可以較容易地實現一個大型的、動態變化的系統，多個主體之間具有一定的冗余性，可以相互協作并解決由單一主體無法解決的困難問題，具有很強的魯棒性和可靠性。在多主體光纖光柵智能健康監測系統中，以往每個光纖感知功能主體只能通過所屬傳感器得到關于被監測對象的部分信息，當光纖感知功能主體內的傳感器網絡完好時，僅僅依靠單個主體獲得對象的效率比較低，當光纖感知功能主體內部分傳感器斷裂失效時，有失效傳感器信號的光纖感知功能主體獲得被監測對象健康狀況的效率比較低甚至無法獲得。本發明依據各個光纖感知功能主體之間的冗余性，采用協作決策機制聯合其它主體共同對光纖感知功能主體內失效傳感器信號進行功能補償、修復，盡可能降低失效傳感器導致的性能損失，提高系統的可靠性。

本發明構建一種基于多主體協作和決策技術的光纖光柵智能健康監測系統自修復模型，該模型由光纖感知功能主體/系統協作決策主體自下而上依次構建，所構建的光纖感知功能主體能夠自主感知光纖光柵傳感器的健康狀態，并能依據感知到的傳感器健康狀態及系統協作決策主體反饋的信息自主修正被監測對象健康狀態的評估模型，系統協作決策主體能夠自主規劃光纖感知功能主體之間的協作決策工作，并能依據不同網絡狀態重新確定協作決策模型，使協作決策工作適應不同光纖光柵傳感器網絡狀態的變化，以提升整個光纖光柵智能健康監測自修復系統的自主學習能力。

附圖說明

圖1是本發明的多主體光纖光柵傳感器網絡智能健康監測自修復系統示意圖。

圖2是本發明的光纖感知功能主體的工作流程圖。

圖3是本發明的系統協作決策主體的工作流程圖。

具體實施方式

下面詳細描述本發明的實施方式，所述實施方式的示例在附圖中示出，通過參考附圖描述的實施方式是示例性的，僅用于解釋本發明，而不能解釋為對本發明的限制。本技術領域技術人員可以理解的是，除非另外定義，這里使用的所有術語（包括技術術語和科學術語）具有與本發明所屬領域中的普通技術人員的一般理解相同的意義。還應該理解的是，諸如通用字典中定義的那些術語應該被理解為具有與現有技術的上下文中的意義一致的意義，并且除非像這里一樣定義，不會用理想化或過于正式的含義來解釋。

本發明將常規分布式光纖光柵智能健康監測系統中信息采集、提取和分析評估等全部功能，轉換為擔負相應不同任務，并具備通信與相互協作功能的智能主體；構建由光纖感知功能主體/系統協作決策主體自下而上依次構成的兩層結構光纖光柵智能健康監測自修復系統模型。

如圖1所示，是本發明所構建的多主體光纖光柵傳感器網絡智能健康監測自修復系統示意圖。在圖中，首先將整個系統分解為多個易于實現的子系統，并將其轉換為相應的智能主體。包括：負責數據采集與處理、對光纖光柵傳感器網絡的失效情況和被監測對象的健康狀態做出智能評估的光纖感知功能主體；負責對各光纖感知功能主體進行協作和決策，并能從中進行學習的系統協作決策主體。

其中，每個光纖感知功能主體主要由光纖光柵傳感器網絡、光纖光柵傳感器網絡狀態感知單元、智能評估單元、模型修正單元、通訊單元等組成，通過感知光纖光柵傳感器的狀態參量，包括應變、溫度、位移，對光纖光柵傳感器自身健康狀況進行診斷，能夠自主接受并完成任務，將主體內的光纖光柵傳感器采集的數據輸入預先訓練好的評估模型，對被監測對象的健康狀態進行評估；并且能利用系統協作決策主體反饋的信息對本主體中被監測對象健康狀態評估模型進行修正，以提升本主體的評估性能。

系統協作決策主體具有系統協作決策的能力，能夠規劃光纖感知功能主體之間的協作決策工作，并能根據光纖感知功能主體內光纖光柵傳感網絡狀態感知感受到的不同網絡狀態重新確定協作決策策略，不斷使自己的協作決策工作適應光纖光柵傳感器網絡狀態的變化，以提升整個光纖光柵智能健康監測系統的自主學習能力。

如圖2所示，是光纖感知功能主體的工作流程圖，具體實施過程為：

首先，依據被監測參量對主體內的光纖光柵傳感器數據進行采集。

其次，依據同類光纖光柵傳感器在狀態完好和失效時的光譜特性，對主體內的失效傳感器進行診斷；（具體實現方法可參考文獻1：“溫度影響光纖光柵傳感器性能蛻化機理及實驗研究”，《中國激光》，周麗，梁大開等人，2012,39(4):117-122。文獻2：“光纖bragg光柵傳感系統性能蛻化的研究”，《光電子·激光》，張婭玲，陳偉民等人，2009(10):32-36）。

然后，各光纖感知功能主體將光纖光柵傳感器采集的數據輸入初始智能評估模型，對本主體內被監測對象的健康狀態進行評估，得到被監測對象的健康狀態評估結果及其置信概率，然后將診斷結果和評估結果及其置信概率發送至系統協作決策主體。

最后，系統協作決策主體向各光纖感知功能主體發送協作請求，各光纖感知功能主體接收到協作請求后，對本主體內被監測對象的健康狀態評估結果進行再次評估（評估的具體實現方法可參考文獻3：“smartstructureandsystem的svrmodelreconstructionforthereliabilityoffbgsensornetworkbasedonthecfrpimpactmonitoring”，xiaolizhang,dakailiang，《smartstructures&systems》,2014,14(2):145-158；以及文獻4：“asoftself-repairingforfbgsensornetworkinshmsystembasedonpso-svrmodelreconstruction”，xiaolizhang,pengwang，《opticscommunications》,2015,343:38-46），并依據對被監測對象健康狀態評估結果的置信概率決定是否對本主體內的評估模型進行修正，再次將本主體內被監測對象的健康狀態評估結果發送至系統協作決策主體，如此循環直至各光纖感知功能主體對被監測對象的健康狀態評估結果達到最優。

其中，初始智能評估模型是預先訓練好的，具體方法是：首先，對監測對象進行監測結果已知的模擬實驗，同時各光纖感知功能主體采用本主體內光纖光柵傳感器采集試驗數據，將試驗數據和已知的監測結果共同構成初始訓練數據；然后，利用初始訓練數據對支持向量學習機進行訓練，得到用于評估被監測對象健康狀態的支持向量機初始模型，即健康狀態初始智能評估模型。

進一步的，健康狀態評估結果是指采用支持向量學習機解算出的被監測對象的外部載荷位置參數，其置信概率是采用支持向量學習機解算外部載荷位置參數時得到的。

如圖3所示，是系統協作決策主體的工作流程圖，具體實施過程為：系統協作決策主體首先接收各光纖感知功能主體發送的關于傳感器網絡及被監測對象健康狀態的監測結果，如果系統協作決策主體接收到某個或某些光纖感知功能主體對被監測對象的評估結果小于所設置的置信概率，則棄用該光纖感知功能主體的評估結果，然后依據置信概率對其余光纖感知功能主體的評估結果分配權重，進行加權平均，并將當前結果作為初步評估結果。如果第一次評估中有某些光纖感知功能主體的評估結果被棄用，則將當前初步評估結果作為新增樣本對棄用評估結果的光纖感知功能主體的評估模型進行重新訓練，修正評估模型，并用修正后的評估模型對被監測對象的健康狀態進行重新評估，同時將結果傳輸至系統協作決策主體，如果本次評估結果的置信概率大于所設置的置信概率，則系統協作決策主體采納本主體的評估結果，重新依據置信概率對所有光纖感知功能主體的評估結果分配權重，進行加權平均，并將當前結果作為第二次評估結果，如此循環直至各光纖感知功能主體對被監測對象的健康狀態評估結果達到最優，協作過程結束。

進一步的，如果被棄用的光纖感知功能主體評估結果的置信概率超過一定次數（可依據被監測對象設置）仍小于所設置的置信概率，則系統協作決策主體終止協作決策過程，并將上一次結果作為最終評估結果。

以下是本發明的一個監測飛機機翼盒段外部載荷位置試驗件實施例：

飛機機翼盒段試驗件由框架和上、下蓋板組成。下蓋板由復合材料板和6根復合材料加強筋條構成，筋條通過膠粘貼在復合材料板表面，復合材料板與筋條所用的材料均為t300-3k/5405碳纖維/雙馬來酰亞胺復合材料，上蓋板為鋁合金板，其面積為1800mm*1000mm。下蓋板內表面沿長度方向采用6根型材鉚接加固，寬度方向與5塊鋁合金材料的肋板鉚接。在飛機機翼盒段上共粘貼48根光纖布拉格光柵（具體參數為：柵區10mm，反射率90%，帶寬≤0.3nm，smf-28光纖，耦合器采用fc/apc，每個通道上連接的光纖布拉格光柵中心波長不相同）傳感器用于對飛機機翼盒段外部載荷位置進行監測，每8根光纖布拉格光柵作為一個傳感單元，分為6個傳感單元。每個光纖感知功能主體包括一個傳感單元、光纖布拉格光柵解調儀（解調儀選用si425型解調儀，該解調儀具有高功率快掃描功能，4個光纖通道上可連接多達512根光纖布拉格光柵傳感器，適用于光纖布拉格光柵靜態或動態信號的監測）和matlab語言實現的程序。

每個光纖感知功能主體通過光纖光柵解調儀采集所屬傳感單元反饋的數據，并將數據輸入matlab語言實現的支持向量回歸機程序，最終解算出該光纖感知功能主體監測到的外部載荷位置參數。對每個光纖感知功能主體，本實施例所屬傳感單元中發生故障的光纖布拉格光柵不允許超過3個，共計93種工作模式。對于每種工作模式，采用離線訓練方式獲得對應的支持向量回歸機模型，每個光纖感知功能主體根據所屬傳感器單元當前的工作狀態，自動調用相應支持向量回歸機模型，實現單個光纖感知功能主體自動模型修正。

本實施例中共計有6個光纖感知功能主體，每個光纖感知功能主體自主解算外部載荷位置參數，并將各自結果上傳至系統協作決策主體。系統協作決策主體采用matlab語言實現。系統協作決策主體進行協作決策的依據有兩個：一個是每個主體采用支持向量回歸機解算外部載荷位置參數時的置信概率，一個是每個主體采用支持向量回歸機解算外部載荷位置參數。

預先設置置信概率的閾值為75%，具體協作決策策略如下：

1．如果某個主體采用支持向量回歸機解算外部載荷位置參數時的置信概率大于75%，則該主體的識別結果可以采用，否則棄用。

2.對所有采用的識別結果按照解算外部載荷位置參數時的置信概率分配權重，進行加權平均。如果第一步中有主體識別結果被棄用，則當前結果作為初步識別結果；否則作為最終識別結果，并終止協作決策過程。

3.如果第一步中有主體的識別結果被棄用，則將當前初步識別結果作為新增樣本對棄用識別結果的主體支持向量回歸機模型進行重新訓練，更新支持向量回歸機模型。并采用新的模型對當前外部載荷位置參數重新進行解算，并將結果反饋至協作決策主體，重新執行第一步。

4.對于識別結果被棄用主體的模型重復訓練次數不超過3次，如果超過3次且采用支持向量回歸機解算外部載荷位置參數時的置信概率仍小于75%，則終止協作決策過程，并將初步識別結果作為最終識別結果。

例如：某次對外部載荷位置（140,160），各個主體的識別結果分別如下:

主體1：識別位置（152.34,147.66），置信概率96%；

主體2：識別位置（164.85,184.74），置信概率80%；

主體3：識別位置（117.78,182.26），置信概率82%；

主體4：識別位置（155.42,144.68），置信概率91%；

主體5：識別位置（184.45,115.55），置信概率69%；

主體6：識別位置（122.22,177.78），置信概率88%；

主體5識別結果不能采用，對剩余5個主體識別結果進行加權平均。

主體1權值：w1=0.96/(0.96+0.80+0.82+0.91+0.88)=0.22；

主體2權值：w2=0.80/(0.96+0.80+0.82+0.91+0.88)=0.18；

主體3權值：w3=0.82/(0.96+0.80+0.82+0.91+0.88)=0.19；

主體4權值：w4=0.91/(0.96+0.80+0.82+0.91+0.88)=0.21；

主體6權值：w6=0.88/(0.96+0.80+0.82+0.91+0.88)=0.20；

初步識別結果為：

w1（152.34,147.66）+w2（164.85,184.74）+w3（117.78,182.26）+w4（155.42,144.68）+w6（122.22,177.78）=(142.65,164.31)。

用該結果重新對主體5支持向量回歸機模型進行訓練，重新對當前外部載荷位置進行識別結果為：主體5：識別位置（119.7,139.7），置信概率86%；

重新對6個主體識別結果進行加權平均：

主體1權值：w1=0.96/(0.96+0.80+0.82+0.91+0.86+0.88)=0.18；

主體2權值：w2=0.80/(0.96+0.80+0.82+0.91+0.86+0.88)=0.15；

主體3權值：w3=0.82/(0.96+0.80+0.82+0.91+0.86+0.88)=0.16；

主體4權值：w4=0.91/(0.96+0.80+0.82+0.91+0.86+0.88)=0.17；

主體5權值：w4=0.86/(0.96+0.80+0.82+0.91+0.86+0.88)=0.17；

主體6權值：w6=0.88/(0.96+0.80+0.82+0.91+0.86+0.88)=0.17；

最終識別結果為：

w1（152.34,147.66）+w2（164.85,184.74）+w3（117.78,182.26）+w4（155.42,144.68）+w5（119.7,139.7）+w6（122.22,177.78）=(138.54,162.02)。

上述實施例中建立健康狀態初始智能評估模型采用支持向量機算法，本領域技術人員根據實際選擇，也可以采用人工神經網絡算法，或者灰色系統等智能算法來實現。

以上所述僅是本發明的部分實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。