CN101237357A - 工业无线传感器网络故障在线检测方法 - Google Patents
工业无线传感器网络故障在线检测方法 Download PDFInfo
- Publication number
- CN101237357A CN101237357A CNA2008100468783A CN200810046878A CN101237357A CN 101237357 A CN101237357 A CN 101237357A CN A2008100468783 A CNA2008100468783 A CN A2008100468783A CN 200810046878 A CN200810046878 A CN 200810046878A CN 101237357 A CN101237357 A CN 101237357A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- sensor node
- data
- confidence level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明涉及工业无线传感器网络故障在线检测方法包括:传感器节点在多个时间点采集传感数据,并将传感数据上传给网络控制管理系统进行集中处理;网络控制管理系统进行传感器节点的数据不稳定度与网络数据的不稳定度之间差异值的计算;网络控制管理系统根据整个时间段内的传感器节点的不稳定度和网络数据的不稳定度之间的差异值计算节点的可信度序列,根据可信度的值初次判断所述传感器节点是否可疑;基于初次判断的结果和可信度序列,网络控制管理系统进行可疑的传感器节点的不确定状态分布密度的计算,并根据可疑的传感器节点的计算的不确定状态的分布规律来最终判断传感器节点的故障。本发明提供了工业无线传感网络高可靠、易实现的检测方法。
Description
技术领域
本发明涉及无线传感网络技术领域,尤其涉及针对工业无线传感器网络故障在线检测方法。
背景技术
无线传感网络(WSN)是当前在国际上备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域。综合了传感器技术、嵌入式计算技术、现代网络及无线通信技术、分布式信息处理技术等,能够通过各类集成化的微型传感器协作地实时监测、感知和采集各种环境或监测对象的信息,这些信息通过无线方式被发送,并以自组多跳的网络方式传送到用户终端,从而实现物理世界、计算世界以及人类社会三元世界的连通。在无线传感网络中,传感器节点采集目标参数,并将数据无线传输,经过多节点路由,传输给网络管理系统;网络管理系统接收数据,并整理数据,向上提交目标环境信息。
传感器网络具有十分广阔的应用前景,在军事国防、工农业、城市管理、生物医疗、环境监测、抢险救灾、防恐反恐、危险区域远程控制等许多重要领域都有潜在的实用价值。
由于无线传感网络应用的外部环境复杂、网络覆盖广泛、监测目标复杂、节点体积微小、这使得无线传感网络高准确率的检测成为一个难题。一个网络多则有上百个节点,少则也有几十个节点,在网络搭建之前或网络运行过程中,现场的人工检测极为繁琐,可靠性低,而目前很多基于无线传感网络的检测方法都基于某一种特定物理属性(如接收信号的功率等)。分析物理属性不仅增加了网络通信的数据量,而且还增加了节点负担,需要消耗更多的能量,减少了网络寿命;此外,工业无线传感网络针对多个不同的对象进行监测时,对象之间缺乏相关性,对节点传感数据本身的分析有助于对节点故障的判断。因此,需要一种适用于多模型、不同结构高准确率的在线检测方法,来对无线传感网络进行高效智能的实时分析。
发明内容
为了解决现有技术中检测困难、可靠性低的问题,本发明的目的是提供一种无线传感器网络故障在线检测方法,来对网络节点传感器和网络运行状态进行检测,以达到维护网络正常运行以及优化网络。
为了实现上述目的,本发明提供了一种工业无线传感器网络故障在线检测方法,该方法包括:
传感器节点在多个时间点采集传感数据,并将所述传感数据上传给网络控制管理系统进行集中处理;
基于处理后获得的传感数据,所述网络控制管理系统进行所述传感器节点的数据不稳定度与网络数据的不稳定度之间的差异值的计算;
所述网络控制管理系统根据整个时间段内的所述传感器节点的所述不稳定度与所述网络数据的所述不稳定度之间的差异值计算节点的可信度序列,根据可信度的值初次判断所述传感器节点是否可疑;
基于初次判断的结果和所述可信度序列,所述网络控制管理系统进行可疑的所述传感器节点的不确定状态分布密度的计算
所述网络控制管理系统根据可疑的所述传感器节点的计算的所述不确定状态的分布规律来最终判断所述传感器节点的故障。
将所述传感数据上传给网络控制管理系统进行集中处理具体为:所述网络控制管理系统接收并对多个时间点上采集的所述传感数据进行分组整理,将每一个所述节点的传感数据按照时间顺序进行分组,将一段时间分为若干小的时间段进行分析。
所述进行对多个时间点上采集的所述传感数据进行分组整理具体为:收集每个所述传感器节点的传感数据,对于每个传感器节点将所有采集的数据根据时间点先后顺序分为多组,每组均包含一定个时间点,得到每个所述传感器节点在各个包含一定个时间点的分时间段的信息: 其中i表示网络中的第i个所述节点,j表示T个时间点中的第j个时间段
所述根据整个时间段内的所述传感器节点的所述不稳定度与所述网络数据的所述不稳定度之间的所述差异值计算节点的可信度序列具体为:
将每一传感器节点数据按照时间先后顺序计算两个相邻时间点上传感数据的差值的绝对值,得到一个差值序列:(m12,m23,…,m(k-1)k);
该节点数据的不稳定度,不稳定Si的计算方法为:
网络平均不稳定度,不稳定度的计算方法为:
计算各个节点数据的不稳定度与所述网络平均不稳定度的差异值,其中节点i的差异值Di的计算方法为:
得到一个差异值的序列:(D1,D2,…,DN);
如果Dj≤δ,该时间段可信度Dj置1,
否则,该时间段可信度Dj置0;
判断得到所有所述节点在所有时间段内的可信度:(R1,R2,…,RT)|i,(1≤i≤N)。
所述根据可信度的值初次判断所述传感器节点是否可疑具体为:
对于每个所述传感器节点,将所述可信度序列的各元素求和,得到节点的可信度之和,如果某一所述节点的可信度之和大于或等于预设判决门限,则认为该节点可靠;如果某一所述节点的可信度之和小于预设判决门限,则认为该节点可疑。
所述网络控制管理系统进行可疑的所述传感器节点的不确定状态分布密度的计算具体为:
计算所述可信度序列相邻两项间差值的序列:(h1,h2,…,h(T-1))|i,(1≤i≤N),其中hj的计算方法为:hj=Rj+1-Rj,Rj+1,Rj∈(R1,R2…,RT)|i,其中(R1,R2…,RT)|i为传感器节点i的可信度序列,
计算得到所述可信度序列中1的个数,即对其求和,得到节点i不确定状态分布密度:
如果SDi≥λ,则认为该节点可靠,其中SDi为节点i不确定状态分布密度;
否则,判断该节点发生故障,其传感数据不可信,并纳入检测报告中。
因此,本发明提供了无线传感网络高可靠、易实现的检测方法。独立于无线传感网络的故障模型,网络具有传感器节点和网络管理系统的基本结构,在无需人为干涉、不破坏网络硬件结构、不中断网络运行的基础上,在线地对网络节点状态进行检测,从而达到网络评估的目的。
附图说明
图1是工业无线传感网络的结构。
图2是本发明工业无线传感器网络故障在线检测方法的流程图。
图3是本发明对包含T个时间点的时间段进行划分的示意图。
具体实施方式
下面通过附图和实施例,对本发明实施例的技术方案做进一步的详细描述。
本发明的无线传感网络具有无线传感节点和网络控制管理系统的基本结构。如图1所示。无线传感节点传输数据是其基本功能,节点具有自身唯一的标识。网络节点状态分析和判断在网络管理系统中实现。其中s为传感器节点,B为主干网络节点,G为网关
网络控制管理系统在检测执行前,对网络和各个节点设置参数,并进行预置。参数表如表1所示。
表1网络控制管理系统对网络及节点的参数设定
得到k次传感网络的采集数据(采集时间统一为t1,t2,...,tk)后,网络控制管理系统对每一个节点依次分析。
如图2所示,为本发明工业无线传感器网络故障在线检测方法的流程图。包括以下步骤:
步骤201,所述网络控制管理系统对每个传感器节点预设初始的表1所示的节点参数用于描述节点的状态,初始参数值表示节点的状态,所述传感器节点可信度序列(R1,R2,…,Rp)|i(1≤i≤N)表示检测过程对节点出现故障可能的估计,所述节点的所述可信度序列(R1,R2,…,Rp)|i(1≤i≤N)在预设参数中设置为0。传感器节点在T个时间点上采集传感数据,并将所述传感数据上传给网络控制管理系统。传感器节点将按照网络规定的协议同步地采集传感数据,通过自身的路由协议,将数据最终传输至网络控制管理系统。该过程是无线传感网络的基础,按照网络自身的同步协议实现。
步骤202,所述传感数据上传给网络控制管理系统进行集中处理具体为:所述网络控制管理系统接收每一节点的传感数据,对其按照节点和时间点进行整理,收集每个所述节点的传感数据,对于每个节点分别将所有采集的数据根据时间点先后顺序分为多组,各组均包含相同数量的时间点,剩余不足的时间点舍去,如图3所示。得到每个所述节点在各个的分时间段的数据序列。
步骤203,基于节点在各时间段的数据序列,对每个所述节点数据进行不稳定度序列的计算,得到各个节点数据不稳定度与所述网络平均不稳定度的差异,根据这种差异计算节点在各时间段的可信度序列。
步骤204,基于节点在各时间段的可信度序列,所述网络控制管理系统根据可信度的值初次判断所述传感器节点是否可疑,即根据每个进行所述传感器节点的可信度之和对每个所述传感器节点的状态进行初步判断。计算可信度之和(将所述可信度序列的各元素(即可信度)求和),比较可信度之和与预设判决门限的大小,确定初步判断结果:如果所述可信度序列的和大于或等于预设判决门限,所述网络控制管理系统判断该节点可靠;否则,所述网络控制管理系统认为该节点可疑,将该节点可信度序列为判断依据,进行最终判断。
步骤205,所述网络控制管理系统根据所述可信度序列中不确定状态的分布来判断所述传感器节点的故障。对于所述可疑节点,所述可信度序列中为0的元素记为所在分时间段的不确定状态。所述网络控制管理系统根据基于可信度序列中不确定状态的分布得到的节点不确定状态分布密度进行判断,如果不确定状态在时间段内的分布密度大于预设密度门限λ,则判断该节点仍然正常;否则,判断该节点出现故障。对每一个节点进行上述计算和分析,直至所有节点完成判断。所述的网络控制管理系统完成检测,提交最终的检测结果。
其中,(1)所述进行对多个时间点上采集的所述传感数据进行分组整理具体为:收集每个所述节点的传感数据,对于每个节点将所有(T次)采集的数据根据时间点先后顺序分为多组,每组均包含k个时间点,剩余不足k个的时间点舍去,其中如图3所示对包含T个时间点的时间段进行划分的示意图。得到每个所述节点在各个包含k个时间点的分时间段的信息: 其中i表示网络中的第i个所述节点,p表示T个时间点中的第p个时间段
(2)所述根据整个时间段内的所述传感器节点的所述不稳定度的差异计算节点的可信度序列具体为:将每一节点数据按照时间先后顺序计算两个相邻时间点上传感数据的差值的绝对值,得到一个差值序列:(m12,m23,…,m(k-1)k);
计算该节点i的数据不稳定度。其中不稳定度Si的计算方法为:
计算各个节点数据的不稳定度与所述网络平均不稳定度之间的差异值。其中节点i的差异Di的计算方法为:
得到一个差异值的序列:(D1,D2,…,DN);
如果Di≤δ,该时间段可信度:Rj=1,(2.4)
如果Dj>δ,该时间段可信度:Rj=0;(2.5)
其中,δ为所述可信度的判决门限,与根据所述节点数据的不稳定度和所述网络平均不稳定度有关,即 指出了网络中不稳定度是否正常的划分界限。
判断得到所有所述节点在p( )个分时间段上的可信度序列:(R1,R2,…,RT)|i,(1≤i≤N)
计算可信度之和:R|i=R1+R2+…+RT (2.6)
如果R|i≥γ,节点可靠, (2.7)
如果R|i<γ,节点可疑; (2.8)
其中,γ为节点可靠状态和可疑状态判断过程中的判决门限。γ与时间点总数有关,简单的取值方法为取时间点总数的固定比例作为γ的值,该比例值在0.7~0.8之间,超出这个范围将影响检测的准确性。
(3)所述网络控制管理系统进行可疑的所述传感器节点的不确定状态分布密度的计算具体为:计算可信度序列两邻两项间差值的可信度差值序列:(hi1,hi2,…,hi(T-1))|i,(1≤i≤N),其中hij=Rj+1-Rj,Rj+1,Rj∈(R1,R2…,RT)|i
计算得到可信度序列中1的个数,即对其求和,得到节点i不确定状态分布密度:
如果SDi≥λ, (3.2)
节点可靠,
如果SDi<λ, (3.3)
节点出现故障;
其中,λ是节点是否故障的判决门限,由检测过程包含的时间点,建议取值为时间点总数的10%,具体实现时可根据网络性能的要求级别来进行调节。
根据以上计算,定义其节点的状态参数。用一个正整数组成的数组(R1,R2,…,Rp)|i(1≤i≤N)来表示节点在不同时间段内的状态。在检测开始时,网络控制管理系统为所有节点设置的初始可信度序列(R1,R2,…,Rp)|i(1≤i≤N)为一个全0的数组。在检测的周期中的每一个分时间段内,根据获得所述差异值序列的分析,计算可信度序列,最终得到节点不确定状态分布密度SDi。当SDi≥λ,则判断节点正常;当SDi<λ,则判断节点出现故障。
通过多个时间点的数据,进行一定量的计算分析,得到最终的诊断检测结果。
总而言之,故障判断策略的步骤为:
A.为每个节点i预设可信度Ri(p);
B.获得传感器的传感数据m;
D.返回步骤C,直至所有节点在所有时间点上的数据计算完毕;
E.用(2.3)式计算得到对不稳定度的衡量值,根据(2.4)(2.5)式设置可信度序列;
F.返回步骤E,直至所有节点在所有时间点上的数据计算完毕;
G.根据(2.6)式计算可信度和值,根据(2.7)(2.8)式判断节点是否可疑:
H.返回步骤G,直至所有节点的状态判断完毕;
I.根据(3.1)式计算可疑节点的不确定状态分布密度,根据(3.2)(3.3)式进行二次判决。
本发明适合不同结构的无线传感网络的在线检测,具有较高的故障检测精度和较小的误判率,真实反映网络运行状态,提高了检测效率;本发明在很大程度上提高了无线传感网络检测的智能化,达到自动测量的目的,节省了检测时间和成本;本发明中检测并不影响传感器网络的正常工作,不增加传感器节点的负担,避免了错误的测量数据导致网络服务质量下降和能量浪费。
它基于单个节点的传感数据对网络传感数据变化过程中的影响的计算,在网络的控制管理系统中实现。利用对节点信息的在时间段上的处理,网络控制管理系统得到节点采集数据对网络数据的影响程度,对数据在一段时间中的变化状态进行分析,进而判断网络中的节点故障,对网络的运行状况提供即时的分析,达到智能、高效、低误判率的检测效果。
最后所应说明的是,以上实施例仅用以说明本发明实施例的技术方案而非限制,尽管参照较佳实施例对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或者等同替换,而不脱离本发明实施例技术方案的精神和范围。
Claims (6)
1、一种工业无线传感器网络故障在线检测方法,其特征在于包括:
传感器节点在多个时间点采集传感数据,并将所述传感数据上传给网络控制管理系统进行集中处理;
基于处理后获得的传感数据,所述网络控制管理系统进行所述传感器节点的数据不稳定度与网络数据的不稳定度之间的差异值的计算;
所述网络控制管理系统根据整个时间段内的所述传感器节点的所述不稳定度与所述网络数据的所述不稳定度之间的差异值计算节点的可信度序列,根据可信度的值初次判断所述传感器节点是否可疑;
基于初次判断的结果和所述可信度序列,所述网络控制管理系统进行可疑的所述传感器节点的不确定状态分布密度的计算;
所述网络控制管理系统根据可疑的所述传感器节点的计算的所述不确定状态的分布密度来最终判断所述传感器节点的故障。
2、根据权利要求1所述的方法,其特征在于将所述传感数据上传给网络控制管理系统进行集中处理具体为:所述网络控制管理系统接收并对多个时间点上采集的所述传感数据进行分组整理,将每一个所述节点的传感数据按照时间顺序进行分组,将一段时间分为若干小的时间段进行分析。
3、根据权利要求2所述的方法,其特征在于所述进行对多个时间点上采集的所述传感数据进行分组整理具体为:收集每个所述传感器节点的传感数据,对于每个传感器节点将所有采集的数据根据时间点先后顺序分为多组,每组均包含一定个时间点,得到每个所述传感器节点在各个包含一定个时间点的分时间段的信息: ,其中i表示网络中的第i个所述节点,j表示T个时间点中的第j个时间段
4、根据权利要求3所述的方法,其特征在于所述根据整个时间段内的所述传感器节点的所述不稳定度与所述网络数据的所述不稳定度之间的所述差异值计算节点的可信度序列具体为:
将每一传感器节点数据按照时间先后顺序计算两个相邻时间点上传感数据的差值的绝对值,得到一个差值序列:(m12,m23,…,m(k-1)k);
该节点数据的不稳定度,不稳定Si的计算方法为:
计算各个节点数据的不稳定度与所述网络平均不稳定度的差异值,其中节点i的差异值Di的计算方法为:
得到一个差异值的序列:(D1,D2,…,DN);
如果Dj≤δ,该时间段可信度Dj置1,
否则,该时间段可信度Dj置0;
判断得到所有所述节点在所有时间段内的可信度:
(R1,R2,…,RT)|i,(1≤i≤N)。
5、根据权利要求4所述的方法,其特征在于所述根据可信度的值初次判断所述传感器节点是否可疑具体为:
对于每个所述传感器节点,将所述可信度序列的各元素求和,得到节点的可信度之和,如果某一所述节点的可信度之和大于或等于预设判决门限,则认为该节点可靠;如果某一所述节点的可信度之和小于预设判决门限,则认为该节点可疑。
6、根据权利要求5所述的方法,其特征在于所述网络控制管理系统进行可疑的所述传感器节点的不确定状态分布密度的计算具体为:
计算所述可信度序列相邻两项间差值的序列:(h1,h2,…,h(T-1)|i,(1≤i≤N),其中hj的计算方法为:hj=Rj+1-Rj,Rj+1,Rj∈(R1,R2…,RT)|i,其中(R1,R2…,RT)|i为传感器节点i的可信度序列,
计算得到所述可信度序列中1的个数,即对其求和,得到节点i不确定状态分布密度:
如果SDi≥λ,则认为该节点可靠,其中SDi为节点i不确定状态分布密度;否则,判断该节点发生故障,其传感数据不可信,并纳入检测报告中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100468783A CN101237357B (zh) | 2008-02-04 | 2008-02-04 | 工业无线传感器网络故障在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100468783A CN101237357B (zh) | 2008-02-04 | 2008-02-04 | 工业无线传感器网络故障在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101237357A true CN101237357A (zh) | 2008-08-06 |
CN101237357B CN101237357B (zh) | 2010-09-01 |
Family
ID=39920726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100468783A Expired - Fee Related CN101237357B (zh) | 2008-02-04 | 2008-02-04 | 工业无线传感器网络故障在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101237357B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101867958A (zh) * | 2010-06-18 | 2010-10-20 | 中兴通讯股份有限公司 | 管理无线传感网终端的方法和系统 |
CN102111789A (zh) * | 2010-12-24 | 2011-06-29 | 北京邮电大学 | 无线传感器网络的故障修复方法 |
CN103365210A (zh) * | 2012-03-31 | 2013-10-23 | 同济大学 | 用于通讯受限网络的控制方法及控制系统 |
CN104717689A (zh) * | 2015-03-12 | 2015-06-17 | 清华大学 | 一种无线传感器网络的故障诊断方法 |
CN105791027A (zh) * | 2016-04-25 | 2016-07-20 | 北京威努特技术有限公司 | 一种工业网络异常中断的检测方法 |
CN109451019A (zh) * | 2018-11-07 | 2019-03-08 | 北京天安智慧信息技术有限公司 | 用于工业实时数据的高并发采集方法 |
CN117251818A (zh) * | 2023-11-17 | 2023-12-19 | 上海伯镭智能科技有限公司 | 用于无人驾驶矿车安全运营的数据管理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769848B2 (en) * | 2004-09-22 | 2010-08-03 | International Business Machines Corporation | Method and systems for copying data components between nodes of a wireless sensor network |
CN100471141C (zh) * | 2007-02-05 | 2009-03-18 | 南京邮电大学 | 无线传感器网络的混合入侵检测方法 |
-
2008
- 2008-02-04 CN CN2008100468783A patent/CN101237357B/zh not_active Expired - Fee Related
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011157003A1 (zh) * | 2010-06-18 | 2011-12-22 | 中兴通讯股份有限公司 | 管理无线传感网终端的方法和管理网元及网络节点 |
CN101867958A (zh) * | 2010-06-18 | 2010-10-20 | 中兴通讯股份有限公司 | 管理无线传感网终端的方法和系统 |
CN102111789A (zh) * | 2010-12-24 | 2011-06-29 | 北京邮电大学 | 无线传感器网络的故障修复方法 |
CN102111789B (zh) * | 2010-12-24 | 2013-08-07 | 北京邮电大学 | 无线传感器网络的故障修复方法 |
CN103365210A (zh) * | 2012-03-31 | 2013-10-23 | 同济大学 | 用于通讯受限网络的控制方法及控制系统 |
CN104717689B (zh) * | 2015-03-12 | 2018-05-11 | 清华大学 | 一种无线传感器网络的故障诊断方法 |
CN104717689A (zh) * | 2015-03-12 | 2015-06-17 | 清华大学 | 一种无线传感器网络的故障诊断方法 |
CN105791027A (zh) * | 2016-04-25 | 2016-07-20 | 北京威努特技术有限公司 | 一种工业网络异常中断的检测方法 |
CN105791027B (zh) * | 2016-04-25 | 2019-03-15 | 北京威努特技术有限公司 | 一种工业网络异常中断的检测方法 |
CN109451019A (zh) * | 2018-11-07 | 2019-03-08 | 北京天安智慧信息技术有限公司 | 用于工业实时数据的高并发采集方法 |
CN109451019B (zh) * | 2018-11-07 | 2021-07-13 | 北京天安智慧信息技术有限公司 | 用于工业实时数据的高并发采集方法 |
CN117251818A (zh) * | 2023-11-17 | 2023-12-19 | 上海伯镭智能科技有限公司 | 用于无人驾驶矿车安全运营的数据管理方法 |
CN117251818B (zh) * | 2023-11-17 | 2024-01-26 | 上海伯镭智能科技有限公司 | 用于无人驾驶矿车安全运营的数据管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101237357B (zh) | 2010-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
Lau et al. | Probabilistic fault detector for wireless sensor network | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN109618301B (zh) | 无线传感器网络的数据处理方法、可读存储介质和终端 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN102316496A (zh) | 无线传感器网络中基于卡尔曼滤波的数据融合方法 | |
CN109345408A (zh) | 基于长短期记忆网络的异常数据甄别方法 | |
Mohapatra et al. | Forest fire monitoring and detection of faulty nodes using wireless sensor network | |
CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
CN107657799A (zh) | 面向楼宇监测的无线传感器网络数据收集系统 | |
WO2020056812A1 (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
CN112882445A (zh) | 用于智能制造的5g及区块链智能监控和管理系统 | |
Elkhoukhi et al. | On the use of deep learning approaches for occupancy prediction in energy efficient buildings | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN115792457A (zh) | 一种基于边缘计算的台区采集故障诊断与分析方法及系统 | |
CN114814420B (zh) | 一种基于冻结数据的低压配电网拓扑识别方法及系统 | |
CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
CN108759920B (zh) | 一种基于物联网的仓库安全监测系统 | |
CN110798848A (zh) | 无线传感器数据融合方法及装置、可读存储介质和终端 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100901 Termination date: 20120204 |