CN109655298A - 一种大跨度金属屋面的故障实时预警方法及装置 - Google Patents

Abstract

本发明涉及一种大跨度金属屋面的故障实时预警方法及装置，该方法包括：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。本发明可以对大跨度金属屋面状态进行实时故障定位和预警，有效避免信号干扰造成的误判，判别准确率高；可避免严重事故的发生，易于工程化实现。

Description

一种大跨度金属屋面的故障实时预警方法及装置

技术领域

本发明涉及故障监测技术领域，特别涉及一种大跨度金属屋面的故障实时预警方法及装置。

背景技术

目前，随着建筑业及科学技术的发展，金属屋面以其良好的性能在现代建筑中的应用越来越广泛。城市中新建成的场馆，比如体育馆、火车站、汽车站、演出剧院等等，大部分都是钢结构屋面，属于大跨度、开阔式空间结构。

其中钢结构屋面的板材种类很多，有镀锌板、镀铝锌板、铝合金板、铝镁合金板、钛合金板、铜板、不锈钢板等；厚度一般为0.4～1.5mm，板的表面一般进行涂装处理。金属屋面按系统可分为：立边咬合系统、直立锁边屋顶系统、古典式扣盖系统、平锁扣式系统、平面板条系统、压型板系统、单元板块式系统等。

但是，在钢结构体系中，由于结构本身在温度变化、受风载、雪载等外力的作用下，钢结构屋面容易发生弹性变形、塑性变形等，进而可能导致屋面金属板在连接部位产生位移而产生漏水隐患。空间金属屋面和吊顶时常发生脱落等严重事故。现有技术中，大多针对机械设备或网络安全监测数据进行分析并预警；而金属屋面系统具有覆盖面积大、监测点多、监测数据中噪声混杂的特点，已有技术中提到的算法对于金属屋面结构的预警并不能完全适用。部分现有技术中涉及的避免金属屋面失效的方法是从连接方式上改进屋面板结构，没有从结构监测数据分析角度预测面板结构失效。

因此，如何提供一种面向结构健康管理的金属屋面故障实时预警方法，对安全隐患进行定位和预警，避免严重事故的发生，是同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明提出了一种大跨度金属屋面的故障实时预警方法及装置，能够对基于分布式传感器采集的结构监测数据分析处理，从而全面掌握金属屋面的健康状态，对安全隐患进行定位和预警，可避免严重事故的发生。

第一方面，本发明实施例提供一种大跨度金属屋面的故障实时预警方法，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。

在一个实施例中，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。

在一个实施例中，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。

在一个实施例中，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。

第二方面，本发明还提供一种大跨度金属屋面的故障实时预警装置，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。

在一个实施例中，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。

在一个实施例中，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。

在一个实施例中，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。

本发明的优点在于，本发明提出了一种大跨度金属屋面的故障实时预警方法，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。本发明可以对大跨度金属屋面状态进行实时故障定位和预警，有效避免信号干扰造成的误判，判别准确率高；可避免严重事故的发生，易于工程化实现。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明提供的大跨度金属屋面的故障实时预警方法的流程图；

图2为本发明提供的一个区域内分布式传感器布局图；

图3为本发明提供的大跨度金属屋面的故障实时预警方法的逻辑图；

图4为本发明提供的双层决策树算法模型生成步骤流程图；

图5为本发明提供的双层决策树算法模型建立与判别流程图；

图6A为本发明提供的表示应力片采集到的应力值的曲线图；

图6B为本发明提供的表示激光传感器采集到的纵向位移值的曲线图；

图7为本发明提供的训练数据集和测试数据集的数据部分截图；

图8A为本发明提供的双层决策树算法模型的判断过程图；

图8B为本发明提供的决策树算法训练流程图；

图9为本发明提供的大跨度金属屋面的故障实时预警装置的框图；

图10为本发明提供的输入计算模块93的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明以大跨度金属屋面为研究对象，采用基于分布式传感器数据驱动的方式实现对金属屋面的实时预警。本发明提出的一种大跨度金属屋面的故障实时预警方法，将机器学习算法与工程应用背景相结合，且易于在实际工程中实现。另外，由于结构监测信号容易受到噪声、电磁、网络传输、传感器故障等因素的影响，仅根据单一传感器进行阈值判断容易造成误判，因此本发明提出将单个数据采集点的两种异构传感器采集数据相融合，将同一时刻同一屋面区域不同位置传感器数据相关联，避免由于外界因素干扰造成的误判。

本发明提出的大跨度金属屋面的故障实时预警方法，是基于分布式传感器网络采集数据的分析处理。每一个数据采集节点布设两种传感器：应变片采集屋面板应力应变信号，激光传感器监测屋面板弯曲时的纵向位移，两种异构传感器综合判断屋面板状态。在大跨度屋面板的关键部位、易失效部位、檐口部位均布设传感器数据采集节点。其中关键部位根具体使用环境有关，比如屋面下为人行通道、人流密集区域等；易失效部位根屋顶结构有关，比如迎风屋顶外缘，女儿墙与钢板等材料制成的水沟连接处、屋面采光带等部位。

参照图1所示，本发明实施例提供一种大跨度金属屋面的故障实时预警方法，包括：

S11、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；

S12、将所述数据进行预处理，并提取时域特征量；

S13、将所述时域特征量，输入双层决策树算法模型进行计算；

S14、所述双层决策树算法模型输出故障类别及故障位置。

上述步骤S11中，参照图2所示，预设区域是根据具体环境布置采集点的区域面积；预设时间，比如可以是30秒、1分钟、2分钟或5分钟等；每一个采集点均包括应力片和激光传感器；其中，应变片是由敏感栅等构成用于测量应变的元件。电阻应变片的工作原理是基于应变效应制作的，即导体或半导体材料在外界力的作用下产生机械变形时，其电阻值相应的发生变化，这种现象称为“应变效应”。激光传感器利用激光技术进行测量屋面与地面之间的距离，它由激光器、激光检测器和测量电路组成，优点是能实现无接触远距离测量，速度快，精度高，量程大，抗光、电干扰能力强等。

参照图2所示，比如以屋面面积为100平方为例，可将其分为4个区域，每个区域25平方，在25平方区域内布置比如5个采集点，可均匀分布，也可以根据具体屋面环境、结构因素进行布置；比如每隔5秒采集一次，以1分钟(60秒)为采集周期，分别采集12组数据。

步骤S12中，将上述采集的数据通过滑动平均滤波的方法进行数据预处理，也才采用其他方式进行预处理，可实现去噪声处理均可。预处理后，进行时域特征特征量的提取，为后续输入算法模型做准备。

步骤S13中，将步骤S12的时域特征量，输入双层决策树算法模型进行计算；通过步骤S14输出时域特征量所对应的故障类别和故障位置。

本实施例中，由于金属屋面的状态变化是一个随时间变化的过程，金属面板受风力影响会产生弹性形变，仅一个时刻的数据超阈值并不能判断屋面是否已经损伤，因此不能仅通过单一时刻的数据判断是否报警，需要关注在一段时间内金属屋面状态超阈值的频率；另外，金属屋面状态的改变是一个大面积的状态改变，金属屋面同一区域相邻节点之间会有数据关联，当某一区域的面板状态异常，异常数据会在这个区域内一个到多个节点之中体现。因此，考虑到金属屋面分布式数据采集的特点，本发明从时间和空间两个维度对金属屋面进行数据分析和特征提取。比如设计以5个采集节点为一个整体组成一个区域，以5s为一个数据采集周期，同时将数据时间序列以1min为一个时间窗划分，通过对1min内的特征量统计分析判断这一节点状态。

参照图3所示，为大跨度金属屋面的故障实时预警方法的逻辑图，本实施例中该方法能够对基于分布式传感器采集的结构监测数据分析处理，可以对大跨度金属屋面状态进行实时故障定位和预警，有效避免信号干扰造成的误判，判别准确率高；可从而全面掌握金属屋面的健康状态，可避免严重事故的发生，易于工程化实现。

在一个实施例中，参照图4所示，上述双层决策树算法模型生成步骤包括：

S41、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；

S42、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；

S43、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；

S44、将所述测试集数据输入所述第一模型，输出测试结果；

S45、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。

本实施例中，比如设定的金属屋面状态判别包括三个类别：0-正常、1-屋面预警、2-传感器故障。通过提取多种特征量来进行种类判别实质上是一个分类问题，由于决策树算法相比由于其他机器学习分类算法具有计算复杂度低、分类精度高、对噪声数据健壮性良好等特点，而且分类内部规则清晰可见，分类方法结构简单、易于工程化实现，因此，本实施例中，可采用C4.5决策树算法实现金属屋面预警策略。由于金属屋面信号采集属于低频采样，且为了便于在实际工程中实现，因此，采用时域分析法进行时域特征提取，得到包含特征量和判别类型的样本集。

进一步地，参照图4所示，为了使双层决策树算法模型的判别准确率更高，还包括：S46、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。其中第三方待分类监测数据，比如可以是实际在长期监测过程中准确分类的数据，以此来更新数据集，通过不断迭代、训练和修正决策树的结点结构及阈值。

对于未知类型的训练数据集，将其输入训练集，采用双层决策树算法模型，输出为判别类型。根据测试集实验结果表明识别准确率达到95％，可认为判别效果较好。

参照图5为例，来说明双层决策树算法模型建立与判别的过程：

1)数据准备：首先，根据屋面正常、屋面故障预警、传感器故障三种情况进行实验，有针对性地采集各种类别对应的样本数据，通过滑动平均滤波的方法数据预处理。并提取时域特征量，得到包含特征量和判别类型的样本集。

2)生成分类器：将样本集分为训练集和测试集，根据训练集样本分别训练，生成双层决策树模型。

3)验证分类器效果：将测试集特征量输入，通过所训练决策树模型得到判别结果，将判别结果与实际类别作比较，计算判别准确率；比如该准确率大于第一预设阈值(80％)时，可以作为双层决策树算法模型使用。

4)更新分类器：将所生成的决策树分类器应用与实际工程，在长期监测过程中更新数据集，不断迭代、训练和修正决策树的结点结构及阈值；实现不断提高双层决策树算法模型的判别准确率。

在一个实施例中，上述步骤S13包括：区域层计算和节点层计算；

区域层计算：当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，则确定该预设区域为故障区域；第二预设阈值比如为40％。

节点层计算：当上述位移均值小于第二预设阈值时，根据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。

具体地：首先对区域层分析，如果不能明确节点异常原因进入节点层。特征量提取思路如下：比如：首先针对一个区域内的5个节点进行特性统计量分析，统计一个区域内位移均值达到阈值的节点比率作为区域特征量，如果区域内大部分节点数据异常，则直接可以判定该区域故障；若仅少数节点数据异常，则对单点进一步判定。对于单个节点统计量，一个时间窗内的均值反映中心变化趋势，标准差反映屋面的振动幅度，最大值反映在一个时间窗口内屋面板变形的剧烈程度，两种异构传感器同一时刻的相关系数可以反映两种传感器的变化趋势的相关性，并以此来判别传感器故障。因此节点层提取应力均值、应力标准差、应力最大值、同一时刻位移和应力的相关系数作为提取的特征量。

下面通过一个具体实施例来说明本大跨度金属屋面的故障实时预警方法：

参照图6A、6B所示，为2018年6月14日8:00-17：00同一终端的两种传感器(应力片和激光传感器)采集到的屋面状态曲线，采集周期为5s，图6A表示应力片采集到的应力值，图6B表示激光传感器采集到的纵向位移值。

特征提取量：

表一

根据特征提取量，得到原始数据经过特征提取后的训练数据集和测试数据集如下，由于篇幅限制，只截取了数据集前几项，如图7所示。

参照图8A所示，将采集的数据集分为两部分，400组作为训练集训练决策树识别器，200组作为测试集验证识别器判别准确率。决策树算法采用C4.5算法，在Python2.7环境下实现，输入数据集为D＝{P(dis),ρ_XY,X(str),A(str),M(str),warning}；其中参数可参照上述表一所示，warning表示故障类别；输出为两层决策树识别器，包括决策树层次构架和相关特征阈值。比如：第一层(区域层)针对一个包含5个节点的区域整体决策，根据区域内一个时间窗内位移均值达到阈值的比率判别：如果大于等于第二预设阈值(40％)，则该区域大部分传感器数据反映为故障，可直接判定当前区域故障；如果小于40％，则可能是该区域存在故障，也可能由传感器本身故障引起，因此，建立节点层决策树进一步具体判别。

第二层(节点层)针对重点节点细化故障类型，以应变片检测应力数据为主要判定依据、激光传感器检测位移数据辅助判定，通过将异构传感器相关系数、应力均值、标准差、最大值与训练的阈值比较，根据数据集合信息增益率，来划分最优属性，判别为传感器故障、预警或正常三种判别类型中的某种。

具体地，参照图8A所示为生成的双层决策树分类器，树形分类器结构和40％、-0.5、111、0.3、50等阈值由原始数据集带入算法而生成。

决策树的生成过程是至上而下的，需要选取最大程度上反映样本特征的属性作为最优属性，置于决策树上层节点，本例子中采用C4.5决策树算法，计算样本集合和样本子集中各个分类属性的信息增益率，递归选择信息增益率最大的属性作为最优属性，并置于上层节点，进而生成倒置的树状结构分类器。40％、-0.5、111、0.3、50等阈值是根据连续的属性离散化得到的。比如m个样本的连续特征A有m个，从小到大排列为a1,a2,...,am，则C4.5取相邻两样本值的平均数，一共取得m-1个划分点，其中第i个划分点T_i表示为：对于这m-1个点，分别计算以该点作为二元分类点时的信息增益。选择信息增益率最大的点作为连续特征的二元分类判别点。

信息增益率的计算公式如下：

属性A的信息增益率，信息熵与条件熵之差：

Gain(A)＝H(D)-H(D|A)

信息熵：

条件熵：

其中，IV(A)为特征属性A的固有值，j为属性A的所有类别取值，D_j为特征A的第j个取值对应的样本个数。系统分为m个类别，属于每个类别的样本子集表示为D_i(i＝1,2,…,m)，P(D_i)＝s_i/s，s_i为属于类别D_i的样本数，s为集合D的样本总数。P(a_j)表示特征向量A取值为a_j(j＝1,2,…,n)的各个分支样本所占比例，P(D_i|A＝a_j)表示根据特征A划分的各个子集合中，类别属于D_i的样本所占比例。

决策树算法训练流程：

决策树的生成是一个递归过程，递归调用决策树生成函数TreeGenerate(D,X)，X为特征向量集，D为训练样本集，包括原始数据集和数据子集。训练完成后返回一颗带有节点和阈值的决策树，函数TreeGenerate(D,X)执行过程具体表述如下：参照图8B所示，

1：创建空节点N；

2：如果D中样本属于同一类别C，则将节点N标记为C类叶节点；

3：如果属性集X为空或D中样本在属性集X上取值相同，则将节点N标记为叶结点，其类别为D中样本数最多的类；

4：将连续的属性离散化。比如m个样本的连续特征A有m个，从小到大排列为a₁,a₂,...,a_m，则C4.5取相邻两样本值的平均数，一共取得m-1个划分点，其中第i个划分点T_i表示为：对于这m-1个点，分别计算以该点作为二元分类点时的信息增益。选择信息增益率最大的点作为连续特征的二元分类判别点。

5：从X中选择最优划分属性A(根据上述公式计算选择)，用A标记节点N，对于A的每一个取值生成分支，令Dv为A的各取值样本子集；若Dv为空，将N的分支标记为叶结点，标记类型为D中样本最多的类；若Dv非空，则调用递归函数TreeGenerate(Dv,X)；

基于同一发明构思，本发明实施例还提供了一种大跨度金属屋面的故障实时预警装置，由于该装置所解决问题的原理与一种大跨度金属屋面的故障实时方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

第二方面，本发明还提供一种大跨度金属屋面的故障实时预警装置，参照图9所示，包括：

获取模块91，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92，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93，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94，用于所述双层决策树算法模型输出故障类别及故障位置。

在一个实施例中，所述输入计算模块93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。

在一个实施例中，所述输入计算模块93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。

在一个实施例中，所述输入计算模块93，参照图10所示，包括：

第一计算子模块931，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932，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。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

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。

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.如权利要求1-3任一项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，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。

5.一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。

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。

7.如权利要求6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。

8.如权利要求5-7任一项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，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。