1.本发明涉及土木工程结构健康监测技术领域，特别涉及一种传感网络传感器故障定位方法、系统、设备及介质。
背景技术：2.结构健康监测是指利用传感系统和数据分析技术来监测结构材料和几何特性的变化。传感器是监测系统中获取信号数据的前端设备，其测量结果是系统后期准确评估结构性能的重要前提。传感器容易受到老化、温度、湿度与电磁干扰等因素影响而发生故障。故障传感将产生结构安全状态的虚警(将结构正常状态误判为危险状态)和漏警(将结构危险状态误判成正常状态)，从而导致经济损失或者安全风险。研究表明，传感故障已经成为制约结构健康监测系统应用的重要瓶颈之一。因此，有效诊断故障传感器的干扰数据，为后期结构安全评估提供可靠保障，具有重要的工程意义。
3.深度学习方法由于其强大的特征提取能力被广泛应用于传感器故障诊断。但是传统的深度学习方法具有一定的局限性，主要体现在以下两个方面：1)深度学习的效果依赖于大量的标记数据，且训练数据中需要包含所有可能的数据样本类型；2)深度学习要求训练集与测试集服从独立同分布的假设，以实现其良好的泛化能力。然而在实际工程应用中，故障传感器数据样本极少，而且在大型结构健康监测系统中，数据样本类型会随着传感器数量的增加而成指数型增长，例如：具有1个传感器的监测系统，其数据样本类型为21，即数据样本共有故障和正常两种类型；而具有50个传感器的监测系统，其数据样本类型为2
50
。因此，这将耗费巨大的人工标记成本并且会造成内存溢出。此外，由于结构处于复杂多变的荷载场中，其响应数据的分布也是不统一的，这会导致深度学习模型的泛化能力显著降低。
技术实现要素：4.本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种传感网络传感器故障定位方法，通过利用元学习方法实现传感网络中故障传感器的分层诊断，可以大幅度地减少深度学习训练样本的类型与数量，并且元学习的强泛化性可适用于结构的多变荷载服役环境，根据故障传感器的测量数据对故障传感器进行诊断，可为结构健康状态评估提供有效保障。
5.第一方面，本发明提供了一种传感网络传感器故障定位方法，包括以下步骤：
6.将用于监测目标对象的传感器网络划分为若干个传感器子群，获取所述传感器子群中的传感器的历史测量样本；
7.根据所述传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从所述传感网络中识别出故障传感器子群的第一卷积神经网络识别模型；
8.根据所述故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从所述故障传感器子群中定位故障传感器
的第二卷积神经网络识别模型；
9.根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从所述传感器网络的待检测测量样本中定位出所述传感器网络中的故障传感器。
10.根据本发明的实施例，至少具有如下技术效果：
11.本方法通过将用于监测目标对象的传感器网络划分为若干个传感器子群，获取传感器子群中的传感器的历史测量样本，根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型，根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感器的第二卷积神经网络识别模型，根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从传感器网络的待检测测量样本中定位出传感器网络中的故障传感器，通过元学习方法实现传感网络中故障传感器的分层诊断，可以大幅度地减少深度学习训练样本的类型与数量，并且元学习的强泛化性可适用于结构的多变荷载服役环境，根据故障传感器的测量数据对故障传感器进行诊断，可为结构健康状态评估提供有效保障。
12.根据本发明的一些实施例，所述根据所述传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从所述传感网络中识别出故障传感器子群的第一卷积神经网络识别模型，包括：
13.步骤a1、构造传感器子群任务数据集，每个传感器子群任务数据中包含2m类数据，每类数据有k个样本作为任务支持集，q个样本作为任务查询集，所述k值与所述q值为预先设置，所述m表示所述传感器子群的数量；
14.步骤a2、根据传感器子群划分情况，设置用于从所述传感网络中识别出故障传感器子群的卷积神经网络；
15.步骤a3、从所述传感器子群任务数据集中随机采样n个任务，分别将n个任务的任务支持集输入所述用于从所述传感网络中识别出故障传感器子群的卷积神经网络进行训练,得到第一卷积神经网络的n个传感器子群任务模型；
16.步骤a4、将所述n个任务的任务查询集输入所述第一卷积神经网络的n个传感器子群任务模型进行训练，得到第一卷积神经网络识别初始模型；
17.步骤a5、返回步骤a3直至遍历所述传感器子群任务数据集，得到所述第一卷积神经网络识别模型。
18.根据本发明的一些实施例，所述根据所述故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从所述故障传感器子群中定位故障传感器的第二卷积神经网络识别模型，包括：
19.步骤b1、根据所述故障传感器子群构造传感器节点任务数据集，将每个传感器节点任务数据分为2
l
类数据，每类数据有b个样本作为任务支持集，p个样本作为任务查询集,所述b值与所述p值为预先设置，所述l为所述故障传感器子群中的传感器个数；
20.步骤b2、根据所述故障传感器子群中包含的传感器个数情况，设置用于从所述故障传感器子群中定位故障传感器的卷积神经网络；
21.步骤b3、从所述传感器节点任务数据集中随机采样n个任务，分别将n个任务的任
务支持集输入所述用于从所述故障传感器子群中定位故障传感器的卷积神经网络进行训练,得到第二卷积神经网络的n个传感器节点任务模型；
22.步骤b4、将所述n个任务的任务查询集输入所述第二卷积神经网络的n个传感器节点任务模型进行训练，得到所述第二卷积神经网络识别初始模型；
23.步骤b5、返回步骤b3直至遍历所述传感器节点任务数据集，得到所述第二卷积神经网络识别模型。
24.根据本发明的一些实施例，在定位出所述传感器网络中的故障传感器之后，还包括：
25.利用双卡尔曼滤波技术，根据所述故障传感器的位置和当前测量数据同步更新故障传感器故障参数和结构动态响应。
26.根据本发明的一些实施例，在利用双卡尔曼滤波技术，根据所述故障传感器的位置和当前测量数据同步更新故障传感器故障参数和结构动态响应之前，包括步骤：
27.将传感器故障模拟为随机游走过程θi＝θ
i-1
+w
i-1
，其中，所述θi为第i时步的故障参数向量，所述w
i-1
为零均值、协方差矩阵为q
θ
的高斯过程；
28.根据所述随机游走过程θi＝θ
i-1
+w
i-1
建立结构动态响应方程xi＝asx
i-1
+b
sfi-1
与传感器观测方程di＝hxi+tθi+vi，其中，所述xi为第i时步结构的状态向量，包括结构的位移和速度，所述as为状态转移矩阵，所述bs为激励位置矩阵，所述f
i-1
为第i时步作用于结构上的未知激励矩阵，为零均值、协方差矩阵为q
x
的高斯过程，所述di为第i时步的测量向量，所述h为观测矩阵，所述t为所述故障传感器位置矩阵，所述vi表示第i时步的测量噪声，为零均值、协方差矩阵为r的高斯过程；
29.设置结构动态响应估计初值与结构动态响应更新误差协方差矩阵初值设置故障参数估计初值与故障参数更新误差协方差矩阵初值
30.根据本发明的一些实施例，所述利用双卡尔曼滤波技术，根据所述故障传感器的位置和当前测量数据同步更新故障传感器故障参数和结构动态响应，包括以下步骤：
31.预测故障参数：
32.通过公式和预测故障参数，其中，所述为第i时步的故障参数预测向量，所述为所述故障参数第i时步的预测误差协方差矩阵，所述为第i-1时步的故障参数更新向量，所述为所述故障参数第i-1时步的更新误差协方差矩阵；
33.预测结构动态响应：
34.通过公式和预测结构动态响应，其中，所述为第i时步的结构动态响应预测向量，所述为所述结构动态响应第i时步的预测误差协方差矩阵，所述为第i-1时步结构动态响应更新向量，所述为所述结构动态响应第i-1时步的更新误差协方差矩阵；
35.更新故障参数：
36.通过公式和更新故障参数，其中，所述为第i时步的故障参数增益矩阵；
37.更新结构动态响应：
38.通过和更新结构动态响应，其中，所述为第i时步的结构动态响应增益矩阵。
39.第二方面，本发明提供了一种传感网络传感器故障定位系统，包括以下模块：
40.数据获取模块，用于将用于监测目标对象的传感器网络划分为若干个传感器子群，获取所述传感器子群中的传感器的历史测量样本；
41.故障识别模块，用于根据所述传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从所述传感网络中识别出故障传感器子群的第一卷积神经网络识别模型；
42.故障定位模块，用于根据所述故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从所述故障传感器子群中定位故障传感器的第二卷积神经网络识别模型；
43.数据输出模块，用于根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从所述传感器网络的待检测测量样本中定位出所述传感器网络中的故障传感器。
44.本系统通过将用于监测目标对象的传感器网络划分为若干个传感器子群，获取传感器子群中的传感器的历史测量样本，根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型，根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感器的第二卷积神经网络识别模型，根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从传感器网络的待检测测量样本中定位出传感器网络中的故障传感器，通过元学习方法实现传感网络中故障传感器的分层诊断，可以大幅度地减少深度学习训练样本的类型与数量，并且元学习的强泛化性可适用于结构的多变荷载服役环境，根据故障传感器的测量数据对故障传感器进行诊断，可为结构健康状态评估提供有效保障。
45.第三方面，本发明提供了一种传感网络传感器故障定位设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述的一种传感网络传感器故障定位方法。
46.第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的一种传感网络传感器故障定位方法。
47.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
48.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
49.图1为本发明实施例提供的一种传感网络传感器故障定位方法的流程示意图；
50.图2为本发明另一个实施例提供的一种传感网络传感器故障定位方法的卷积神经网络元学习模型训练示意图；
51.图3为本发明另一个实施例提供的一种传感网络传感器故障定位方法的传感器子群划分示意图；
52.图4为本发明另一个实施例提供的一种传感网络传感器故障定位方法的本发明方法与深度学习方法评价指标对比图；
53.图5为本发明另一个实施例提供的一种传感网络传感器故障定位方法的节点处传感故障参数识别结果图；
54.图6为本发明另一个实施例提供的一种传感网络传感器故障定位方法的3节点处位移响应预测结果图；
具体实施方式
55.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
56.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
57.研究表明，传感故障已经成为制约结构健康监测系统应用的重要瓶颈之一。因此，有效诊断故障传感器的干扰数据，为后期结构安全评估提供可靠保障，具有重要的工程意义。深度学习方法由于其强大的特征提取能力被广泛应用于传感器故障诊断。但是传统的深度学习方法具有一定的局限性，主要体现在以下两个方面：1)深度学习的效果依赖于大量的标记数据，且训练数据中需要包含所有可能的数据样本类型；2)深度学习要求训练集与测试集服从独立同分布的假设，以实现其良好的泛化能力。然而在实际工程应用中，故障传感器数据样本极少，而且在大型结构健康监测系统中，数据样本类型会随着传感器数量的增加而成指数型增长，此外，由于结构处于复杂多变的荷载场中，其响应数据的分布也是不统一的，这会导致深度学习模型的泛化能力显著降低。
58.参照图1，本发明提供了一种传感网络传感器故障定位方法，本方法包括以下步骤：
59.步骤s100、将用于监测目标对象的传感器网络划分为若干个传感器子群，获取传感器子群中的传感器的历史测量样本；
60.步骤s200、根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型；
61.步骤s300、根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感
器的第二卷积神经网络识别模型；
62.步骤s400、根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从传感器网络的待检测测量样本中定位出传感器网络中的故障传感器。
63.参照图2，在一些实施例中，步骤s200中根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型，包括：
64.步骤a1、构造传感器子群任务数据集，每个传感器子群任务数据中包含2m类数据，每类数据有k个样本作为任务支持集，q个样本作为任务查询集，k值与q值为预先设置，m表示传感器子群的数量；
65.步骤a2、根据传感器子群划分情况，设置用于从传感网络中识别出故障传感器子群的卷积神经网络；
66.步骤a3、从传感器子群任务数据集中随机采样n个任务，分别将n个任务的任务支持集输入用于从传感网络中识别出故障传感器子群的卷积神经网络进行训练,得到第一卷积神经网络的n个传感器子群任务模型；
67.步骤a4、将n个任务的任务查询集输入第一卷积神经网络的n个传感器子群任务模型进行训练，得到第一卷积神经网络识别初始模型；
68.步骤a5、返回步骤a3直至遍历传感器子群任务数据集，得到第一卷积神经网络识别模型。
69.参照图2，在一些实施例中，步骤s300中根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感器的第二卷积神经网络识别模型，包括：
70.步骤b1、根据故障传感器子群构造传感器节点任务数据集，将每个传感器节点任务数据分为2
l
类数据，每类数据有b个样本作为任务支持集，p个样本作为任务查询集,b值与p值为预先设置，l为故障传感器子群中的传感器个数；
71.步骤b2、根据故障传感器子群中包含的传感器个数情况，设置用于从故障传感器子群中定位故障传感器的卷积神经网络；
72.步骤b3、从传感器节点任务数据集中随机采样n个任务，分别将n个任务的任务支持集输入用于从故障传感器子群中定位故障传感器的卷积神经网络进行训练,得到第二卷积神经网络的n个传感器节点任务模型；
73.步骤b4、将n个任务的任务查询集输入第二卷积神经网络的n个传感器节点任务模型进行训练，得到第二卷积神经网络识别初始模型；
74.步骤b5、返回步骤b3直至遍历传感器节点任务数据集，得到第二卷积神经网络识别模型。
75.在一些实施例中，在定位出传感器网络中的故障传感器之后，还包括：
76.利用双卡尔曼滤波技术，根据故障传感器的位置和当前测量数据同步更新故障传感器故障参数和结构动态响应。
77.在一些实施例中，在利用双卡尔曼滤波技术，根据故障传感器的位置和当前测量数据同步更新故障传感器故障参数和结构动态响应之前，包括步骤：
78.将传感器故障模拟为随机游走过程θi＝θ
i-1
+w
i-1
，其中，θi为第i时步的故障参数向
量，w
i-1
为零均值、协方差矩阵为q
θ
的高斯过程；
79.根据随机游走过程θi＝θ
i-1
+w
i-1
建立结构动态响应方程xi＝asx
i-1
+b
sfi-1
与传感器观测方程di＝hxi+tθi+vi，其中，xi为第i时步结构的状态向量，包括结构的位移和速度，as为状态转移矩阵，bs为激励位置矩阵，f
i-1
为第i时步作用于结构上的未知激励矩阵，为零均值、协方差矩阵为q
x
的高斯过程，di为第i时步的测量向量，h为观测矩阵，t为故障传感器位置矩阵，vi表示第i时步的测量噪声，为零均值、协方差矩阵为r的高斯过程；
80.设置结构动态响应估计初值与结构动态响应更新误差协方差矩阵初值设置故障参数估计初值与故障参数更新误差协方差矩阵初值
81.在一些实施例中，利用双卡尔曼滤波技术，根据故障传感器的位置和当前测量数据同步更新故障传感器故障参数和结构动态响应，包括以下步骤：
82.预测故障参数：
83.通过公式和预测故障参数，其中，为第i时步的故障参数预测向量，为故障参数第i时步的预测误差协方差矩阵，为第i-1时步的故障参数更新向量，为故障参数第i-1时步的更新误差协方差矩阵；
84.预测结构动态响应：
85.通过公式和预测结构动态响应，其中，为第i时步的结构动态响应预测向量，为结构动态响应第i时步的预测误差协方差矩阵，为第i-1时步结构动态响应更新向量，为结构动态响应第i-1时步的更新误差协方差矩阵；
86.更新故障参数：
87.通过公式和更新故障参数，其中，为第i时步的故障参数增益矩阵；
88.更新结构动态响应：
89.通过和更新结构动态响应，其中，为第i时步的结构动态响应增益矩阵。
90.利用双卡尔曼滤波技术，更新故障参数与结构动态响应，完成传感器故障的实时校准和结构动态响应预测，可为结构健康状态评估提供有效保障。
91.本方法通过将用于监测目标对象的传感器网络划分为若干个传感器子群，获取传感器子群中的传感器的历史测量样本，根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型，根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感器的第二卷积神经网络识别模型，根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从传感器网络的待检测测量样本中定位出传感器网络中的故障传感器，通过元学习方法实现传感网络中故障传感器的分层诊断，可以大幅度地
减少深度学习训练样本的类型与数量，并且元学习的强泛化性可适用于结构的多变荷载服役环境，根据故障传感器的测量数据对故障传感器进行诊断，可为结构健康状态评估提供有效保障。
92.为了便于本领域人员的理解，以下提供一组最佳实施例：
93.参照图3至图6，以某平面简支梁桥作为算例，结构的平面布置如图3所示，建立其有限元模型，模拟该结构在两种不同环境(a：低强度；b：中强度)地震作用下的响应，健康监测传感器网络中共包含8个加速度传感器，分别布置于：1、2、3、4、5、6、7、8节点以监测竖向加速度，定义故障发生在4节点处的加速度传感器，采集系统在a环境荷载作用下8个测点的加速度响应作为监测数据，构造训练数据集，收集b环境荷载作用下的8个测点加速度响应作为测试数据集；
94.将传感网络的8个传感器划分为2个传感器子群，收集传感器子群正常与故障情况下的数据样本；
95.将收集到的数据样本构造传感器故障检测任务数据集，一个任务中包含22＝4类数据，每类数据有5个样本作为任务支持集，15个样本作为任务查询集；
96.根据传感器子群划分情况，设计传感器故障检测卷积神经网络，其中，卷积神经网络的输入是整个传感网络中8个传感器的测量值，输出是4类传感器子群的故障概率；
97.基于无关元学习框架，利用训练任务集，完成第一卷积神经网络识别模型的训练；
98.收集测试数据，以少量梯度下降的方式更新已知的第一卷积神经网络识别模型参数，实现故障传感器子群的识别；
99.针对被识别的故障传感器子群ⅱ，其中共有4个传感器，构造传感器节点任务数据集，一个任务中包含24＝16类数据，每类数据有5个样本作为任务支持集，15个样本作为任务查询集；
100.根据传感器子群中传感器节点情况，设计传感网络传感器故障定位卷积神经网络，卷积神经网络的输入是故障传感器子群ⅱ中的4个传感器的测量值，输出是16类传感器的故障概率；
101.基于无关元学习框架，利用训练任务集，完成第二卷积神经网络识别模型的训练；
102.收集测试数据，以少量梯度下降的方式更新已知的第二卷积神经网络识别模型参数，实现故障传感器的定位；
103.将故障参数模拟为随机游走过程，建立故障参数的系统方程；
104.分别建立结构动态响应方程与故障传感器观测方程，利用故障传感器的定位结果确定故障传感的位置矩阵；
105.设置结构动态响应估计初值与其协方差矩阵与其协方差矩阵故障参数估计初值与其协方差矩阵与其协方差矩阵利用双卡尔曼滤波技术，基于故障传感器测量数据，同步估计故障传感器故障参数大小与结构动态响应。
106.基于上述实施例，本实施例还提供了一种传感网络传感器故障定位系统，包括以下模块：
107.数据获取模块，用于将用于监测目标对象的传感器网络划分为若干个传感器子群，获取传感器子群中的传感器的历史测量样本；
108.故障识别模块，用于根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型；
109.故障定位模块，用于根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感器的第二卷积神经网络识别模型；
110.数据输出模块，用于根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从传感器网络的待检测测量样本中定位出传感器网络中的故障传感器。
111.本系统通过将用于监测目标对象的传感器网络划分为若干个传感器子群，获取传感器子群中的传感器的历史测量样本，根据传感器网络中所有传感器的历史测量样本，采用基于模型无关元学习框架的第一卷积神经网络进行训练，得到用于从传感网络中识别出故障传感器子群的第一卷积神经网络识别模型，根据故障传感器子群中所有传感器的历史测量样本，采用基于模型无关元学习框架的第二卷积神经网络进行训练，得到用于从故障传感器子群中定位故障传感器的第二卷积神经网络识别模型，根据第一卷积神经网络识别模型与第二卷积神经网络识别模型从传感器网络的待检测测量样本中定位出传感器网络中的故障传感器，通过元学习方法实现传感网络中故障传感器的分层诊断，可以大幅度地减少深度学习训练样本的类型与数量，并且元学习的强泛化性可适用于结构的多变荷载服役环境，根据故障传感器的测量数据对故障传感器进行诊断，可为结构健康状态评估提供有效保障。
112.需要注意的是，本实施提供的系统实施例与上述的方法实施例是基于同一个发明构思，因此上述方法实施例的相关内容同样适用于本系统实施例，此处不再赘述。
113.本技术一个实施例，提供了一种传感网络传感器故障定位设备；该设备可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。具体地，该设备包括：一个或多个控制处理器和存储器，本实例以一个控制处理器为例。控制处理器和存储器可以通过总线或者其他方式连接，本实例以通过总线连接为例。
114.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的电子设备对应的程序指令/模块；控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而实现上述方法实施例的一种传感网络传感器故障定位方法。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。一个或者多个模块存储在存储器中，当被一个或者多个控制处理器执行时，执行上述方法实施例中的一种传感网络传感器故障定位方法。
115.本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计
算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，可使得上述一个或多个控制处理器执行上述方法实施例中的一种传感网络传感器故障定位方法。
116.通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(readonly memory，rom)或随机存储记忆体(random access memory，ram)等。
117.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
118.尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
