CN104202765B - 基于分布式网络的传感器故障检测方法及装置 - Google Patents
基于分布式网络的传感器故障检测方法及装置 Download PDFInfo
- Publication number
- CN104202765B CN104202765B CN201410424369.5A CN201410424369A CN104202765B CN 104202765 B CN104202765 B CN 104202765B CN 201410424369 A CN201410424369 A CN 201410424369A CN 104202765 B CN104202765 B CN 104202765B
- Authority
- CN
- China
- Prior art keywords
- mrow
- sensor
- data
- msub
- sample data
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于分布式网络的传感器故障检测方法及装置，涉及故障检测技术领域，本发明根据传感器的历史状态数据计算预测状态数据Xt，再根据预测状态数据Xt与真实状态数据计算故障系数，由故障系数来判断传感器是否存在故障，避免了分布式网络中各传感器之间频繁交互故障检测数据包，节省了电池能量和通信带宽，并且通过本发明可有效避免发生大规模故障事件时，无法取得可靠数据样本带来的故障误判和漏判。
Description
技术领域
本发明涉及故障检测技术领域，尤其是涉及一种基于分布式网络的传感器故障检测方法及装置。
背景技术
近年来，随着微电子处理技术，无线通信技术的不断的进步发展，使得无线传感器在环境监测领域得到广泛的应用。然而，无线传感器一般工作在比较恶劣的环境中，容易使得无线传感器出现故障，使得无线传感器传回的监测数据出现异常，同时无线传感器的能量有限且充能不便，造成无线传感器可靠性降低。由于无线传感器低可靠性，使得无线传感器软件故障广泛的存在。软件故障表现为无线传感器采集的数据不正常波动或者超出合理的取值范围，具体表现为：精确度退化、零点漂移、数据偏差等。无线传感器发生故障可能会出现检测盲区，会严重影响无线传感器网络性能，因此，及时的发现无线传感器故障并进行恢复。
现有的技术方案中通过对大量的数据和对所有的无线传感器进行检测处理，计算成本高，降低了无线传感器的使用的寿命，当发生大规模故障时间时，容易使得故障检测方法失效。
发明内容
针对上述缺陷，本发明提供了一种基于分布式网络的传感器故障检测方法及装置。
第一方面，本发明提供一种基于分布式网络的传感器故障检测方法，所述方法包括：
获取传感器的样本数据和所述传感器在当前时刻的真实状态数据Xreal，所述传感器的样本数据为所述传感器的历史状态数据；
根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt；
根据所述真实状态数据Xreal和所述预测状态数据Xt计算所述传感器的故障系数；
将所述故障系数与预设故障阈值进行比较，根据比较结果判断所述传感器是否发生故障。
其中，所述根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt之前，还包括：
计算所述样本数据的平均值，若所述样本数据中某个时刻的值与所述平均值之间的差值超过了预设差值范围，则对所述样本数据进行平稳化处理，并根据平稳化处理后的样本数据计算所述传感器在当前时刻的预测状态数据Xt。
其中，根据所述样本数据通过下式计算所述传感器在当前时刻的预测状态数据Xt，
其中，p为自回归项数，q为滑动平均项数，d为预测序列的差分次数，Θi均为第i时刻的随机抖动，L为滞后算子，Li为L的i次幂，εt-1为所述样本数据中前L个时刻的平均值。
其中，根据所述真实状态数据Xreal和所述预测状态数据Xt通过下式计算所述传感器的故障系数Cv(t)，
其中，Cv(i)为传感器在第i时刻的故障系数。
其中，所述根据比较结果判断所述传感器是否发生故障之后，还包括：
若所述传感器未发生故障，则根据所述故障系数确定信誉等级。
第二方面，本发明提供一种基于分布式网络的传感器故障检测装置，所述装置包括：
数据获取模块，用于获取传感器的样本数据和所述传感器在当前时刻的真实状态数据Xreal，所述传感器的样本数据为所述传感器的历史状态数据；
状态计算模块，用于根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt；
系数计算模块，用于根据所述真实状态数据Xreal和所述预测状态数据Xt计算所述传感器的故障系数；
比较判断模块，用于将所述故障系数与预设故障阈值进行比较，根据比较结果判断所述传感器是否发生故障。
其中，所述装置还包括：
平稳化处理模块，用于计算所述样本数据的平均值，若所述样本数据中某个时刻的值与所述平均值之间的差值超过了预设差值范围，则对所述样本数据进行平稳化处理，并根据平稳化处理后的样本数据计算所述传感器在当前时刻的预测状态数据Xt。
其中，所述状态计算模块根据所述样本数据通过下式计算所述传感器在当前时刻的预测状态数据Xt，
其中，p为自回归项数，q为滑动平均项数，d为预测序列的差分次数，Θi均为第i时刻的随机抖动，L为滞后算子，Li为L的i次幂，εt-1为所述样本数据中前L个时刻的平均值。
其中，所述系数计算模块根据所述真实状态数据Xreal和所述预测状态数据Xt通过下式计算所述传感器的故障系数Cv(t)，
其中，Cv(i)为传感器在第i时刻的故障系数。
其中，所述装置还包括：
等级确定模块，用于若所述传感器未发生故障，则根据所述故障系数确定信誉等级。
本发明根据传感器的历史状态数据计算预测状态数据Xt，再根据预测状态数据Xt与真实状态数据计算故障系数，由故障系数来判断传感器是否存在故障，避免了分布式网络中各传感器之间频繁交互故障检测数据包，节省了电池能量和通信带宽，并且通过本发明可有效避免发生大规模故障事件时，无法取得可靠数据样本带来的故障误判和漏判。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种实施方式的基于分布式网络的传感器故障检测方法的流程图；
图2为本发明一种实施例的节点分布示意图；
图3为本发明一种实施例提供的自相关函数与偏自相关函数的关系示意图；
图4为本发明一种实施方式的基于分布式网络的传感器故障检测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。
图1为本发明一种实施方式的基于分布式网络的传感器故障检测方法的流程图；参照图1，，本实施方法的方法包括：
101、获取传感器的样本数据和所述传感器在当前时刻的真实状态数据Xreal，所述传感器的样本数据为所述传感器的历史状态数据。
102、根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt。
103、根据所述真实状态数据Xreal和所述预测状态数据Xt计算所述传感器的故障系数。
104：将所述故障系数与预设故障阈值进行比较，根据比较结果判断所述传感器是否发生故障。
为保证计算所述传感器在当前时刻的预测状态数据Xt的准确率，在样本数据围绕平均值出现明显的上升或者下降趋势时，则需要对样本数据进行平稳化处理，优选地，步骤102之前，还包括：
计算所述样本数据的平均值，若所述样本数据中某个时刻的值与所述平均值之间的差值超过了预设差值范围，则对所述样本数据进行平稳化处理，并根据平稳化处理后的样本数据计算所述传感器在当前时刻的预测状态数据Xt。
下面以取对数的方式为例来对样本数据的平稳化处理进行说明：
设样本数据为S＝{y0,y1,y2,y3,….yt-1,yt},对样本数据S中的每个值均取对数：
y′t＝logyt
得到取对数后的样本数据S'＝{y'0,y′1,y'2,y'3,...,y′t-1,y′t}。
步骤102中，根据所述样本数据通过下式计算所述传感器在当前时刻的预测状态数据Xt，
其中，p为自回归项数，q为滑动平均项数，d为预测序列的差分次数，Θi均为第i时刻的随机抖动，L为滞后算子，Li为L的i次幂，εt-1为所述样本数据中前L个时刻的平均值。
若步骤102中预测状态数据Xt是根据取对数后的样本数据计算获得的，则根据上式计算后，还需要对所述预测状态数据Xt取反对数。
上述公式(1)通过差分自回归滑动平均(ARIMA)模型进行推导所得出，差分自回归滑动平均模型为：
由于通过上式计算复杂度较高，为降低该公式的复杂度，可在步骤102之前，先根据样本数据的自相关函数和偏自相关函数的特征对上述ARIMA模型进行简化。
若自相关函数或偏自相关函数在某阶后均为0，时间序列具有截尾的性质，则取q＝0。若传感器历史数据组成的时间序列的自相关函数或偏自相关函数在某阶后均不为0，时间序列具有拖尾的性质，则取q＝0。在传感器历史数据平稳化处理后，若偏自相关函数具有截尾的性质，而自相关函数具有拖尾的性质，则取q＝0；若偏自相关函数具有拖尾的性质，而自相关函数具有截尾的性质，则取p＝0；若偏自相关函数和自相关函数均是拖尾的，则无法简化；除此之外，若偏自相关函数和自相关函数不具有拖尾或截尾，也无法简化。
步骤103中，根据所述真实状态数据Xreal和所述预测状态数据Xt通过下式计算所述传感器的故障系数Cv(t)，
其中，Cv(i)为传感器在第i时刻的故障系数。
上述公式(2)的推导过程为：
设传感器的故障系数为一个0～1之间的值，故障系数越小，该传感器出现故障的可能性越小，设故障系数为：
其中，αt为权值序列。
若故障系数主要由残差值|Xt-Xreal|来决定，会发生长期误信的现象，即当一个低故障系数节点被误判为高故障系数节点后，在一段时间内，该节点不会得到修正的现象，因此，引入αt为权值序列，αt为Logistic回归模型的序列值，αt为权值序列为{α0,α1,α2,α3,...,αt-1,αt}，来评价传感器节点的故障系数。
Logistic回归模型的核心为sigmoid函数：
其中，-g(t)为防止误信的抖动函数。
利用Logistic回归模型通过历史故障系数预测无线传感器发生故障的概率从而修正故障系数。引入历史故障系数的加权作为权值序列的输入，因此舍弃负值部分，并作归一化处理，令sigmoid曲线的值处于大于等于0小于等于1的区间，归一化处理后的αt的表达式为：
故而，最后得到的故障系数Cv(t)的计算公式为：
在步骤102中预测状态数据Xt计算正确的情况下，βi为全1序列。
由于传感器老化时，其故障系数会逐渐升高，而不会瞬间出现故障，在判断传感器是否发生故障之外，为便于判断传感器是否老化，优选地，步骤104之后，还包括：
若所述传感器未发生故障，则根据所述故障系数确定信誉等级。
本实施方式中，将传感器分为五个信誉等级，分别为确信、良好、一般、可疑、危险，信誉等级划分如下表所示：
本实施方式中，所述预设故障阈值为50％，即所述传感器的故障系数若大于50％，则被判断为发生故障，并向汇聚节点发送故障报告。
此外，传感器会维护一个结合了故障系数的路由表，在进行路由转发时，会优先选择故障系数小的传感器作为路由转发的节点。
下面以一个具体的实施例来说明本发明，但不限定本发明的保护范围。参照图2，图中有编号1～10的10个节点，且每个节点即为一个传感器，获取100组传感器的历史状态数据。
如图3所示(图中，纵坐标为n阶自相关函数和偏自相关函数的值，横坐标为阶数)，根据所述历史状态数据的自相关函数和偏自相关函数可知，自相关函数呈现拖尾特征，而偏自相关函数呈现拖尾特征，故而其无法简化。
本实施例中，L＝3，p＝2，d＝1，q＝3，随机抖动由matlab仿真软件产生的[0,1]范围内的随机值，由matlab仿真软件通过公式(1)计算预测状态数据，再通过公式(2)计算对应的故障系数，获得的故障系数如下表所示，
| 节点编号 | 故障系数 | 故障等级 | 节点编号 | 故障系数 | 故障等级 |
| 1 | 0.33％ | 确信 | 6 | 26.01％ | 一般 |
| 2 | 6.00％ | 良好 | 7 | 8.12％ | 良好 |
| 3 | 12.36％ | 一般 | 8 | 1.27％ | 确信 |
| 4 | 51.88％ | 故障 | 9 | 22.00％ | 一般 |
| 5 | 11.52％ | 一般 | 10 | 7.79％ | 良好 |
通过上表可知，4号节点存在故障，可对其进行及时处理。
本发明还公开了一种基于分布式网络的传感器故障检测装置，参照图4，所述装置包括：
数据获取模块，用于获取传感器的样本数据和所述传感器在当前时刻的真实状态数据Xreal，所述传感器的样本数据为所述传感器的历史状态数据；
状态计算模块，用于根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt；
系数计算模块，用于根据所述真实状态数据Xreal和所述预测状态数据Xt计算所述传感器的故障系数；
比较判断模块，用于将所述故障系数与预设故障阈值进行比较，根据比较结果判断所述传感器是否发生故障。
其中，所述装置还包括：
平稳化处理模块，用于计算所述样本数据的平均值，若所述样本数据中某个时刻的值与所述平均值之间的差值超过了预设差值范围，则对所述样本数据进行平稳化处理，并根据平稳化处理后的样本数据计算所述传感器在当前时刻的预测状态数据Xt。
其中，所述状态计算模块根据所述样本数据通过下式计算所述传感器在当前时刻的预测状态数据Xt，
其中，p为自回归项数，q为滑动平均项数，d为预测序列的差分次数，Θi均为第i时刻的随机抖动，L为滞后算子，Li为L的i次幂，εt-1为所述样本数据中前L个时刻的平均值。
其中，所述系数计算模块根据所述真实状态数据Xreal和所述预测状态数据Xt通过下式计算所述传感器的故障系数Cv(t)，
其中，Cv(i)为传感器在第i时刻的故障系数。
其中，所述装置还包括：
等级确定模块，用于若所述传感器未发生故障，则根据所述故障系数确定信誉等级。
本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
以上所述，仅为本发明的具体实施方式，但是，本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替代，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于分布式网络的传感器故障检测方法，其特征在于，所述方法包括：
获取传感器的样本数据和所述传感器在当前时刻的真实状态数据Xreal，所述传感器的样本数据为所述传感器的历史状态数据；
根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt；
根据所述真实状态数据Xreal和所述预测状态数据Xt计算所述传感器的故障系数；
将所述故障系数与预设故障阈值进行比较，根据比较结果判断所述传感器是否发生故障；
根据所述样本数据通过下式计算所述传感器在当前时刻的预测状态数据Xt，
其中，p为自回归项数，q为滑动平均项数，d为预测序列的差分次数，Θi均为第i时刻的随机抖动，L为滞后算子，Li为L的i次幂，εt-1为所述样本数据中前L个时刻的平均值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt之前，还包括：
计算所述样本数据的平均值，若所述样本数据中某个时刻的值与所述平均值之间的差值超过了预设差值范围，则对所述样本数据进行平稳化处理，并根据平稳化处理后的样本数据计算所述传感器在当前时刻的预测状态数据Xt。
3.根据权利要求1所述的方法，其特征在于，根据所述真实状态数据Xreal和所述预测状态数据Xt通过下式计算所述传感器的故障系数Cv(t)，
<mrow>
<msub>
<mi>C</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>C</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
其中，Cv(i)为传感器在第i时刻的故障系数，t为自然数，表示当前时刻。
4.根据权利要求1所述的方法，其特征在于，所述根据比较结果判断所述传感器是否发生故障之后，还包括：
若所述传感器未发生故障，则根据所述故障系数确定信誉等级。
5.一种基于分布式网络的传感器故障检测装置，其特征在于，所述装置包括：
数据获取模块，用于获取传感器的样本数据和所述传感器在当前时刻的真实状态数据Xreal，所述传感器的样本数据为所述传感器的历史状态数据；
状态计算模块，用于根据所述样本数据计算所述传感器在当前时刻的预测状态数据Xt；
系数计算模块，用于根据所述真实状态数据Xreal和所述预测状态数据Xt计算所述传感器的故障系数；
比较判断模块，用于将所述故障系数与预设故障阈值进行比较，根据比较结果判断所述传感器是否发生故障；
所述状态计算模块根据所述样本数据通过下式计算所述传感器在当前时刻的预测状态数据Xt，
其中，p为自回归项数，q为滑动平均项数，d为预测序列的差分次数，Θi均为第i时刻的随机抖动，L为滞后算子，Li为L的i次幂，εt-1为所述样本数据中前L个时刻的平均值。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
平稳化处理模块，用于计算所述样本数据的平均值，若所述样本数据中某个时刻的值与所述平均值之间的差值超过了预设差值范围，则对所述样本数据进行平稳化处理，并根据平稳化处理后的样本数据计算所述传感器在当前时刻的预测状态数据Xt。
7.根据权利要求5所述的装置，其特征在于，所述系数计算模块根据所述真实状态数据Xreal和所述预测状态数据Xt通过下式计算所述传感器的故障系数Cv(t)，
<mrow>
<msub>
<mi>C</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>C</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
其中，Cv(i)为传感器在第i时刻的故障系数，t为自然数，表示当前时刻。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
等级确定模块，用于若所述传感器未发生故障，则根据所述故障系数确定信誉等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410424369.5A CN104202765B (zh) | 2014-08-26 | 2014-08-26 | 基于分布式网络的传感器故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410424369.5A CN104202765B (zh) | 2014-08-26 | 2014-08-26 | 基于分布式网络的传感器故障检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104202765A CN104202765A (zh) | 2014-12-10 |
| CN104202765B true CN104202765B (zh) | 2018-02-09 |
Family
ID=52087976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410424369.5A Active CN104202765B (zh) | 2014-08-26 | 2014-08-26 | 基于分布式网络的传感器故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104202765B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105988459B (zh) * | 2015-02-11 | 2019-01-18 | 中芯国际集成电路制造(上海)有限公司 | 基于均值小漂移预测机台故障的方法 |
| CN105988099B (zh) * | 2015-02-15 | 2019-08-27 | 中车青岛四方机车车辆股份有限公司 | 电子式电压互感器的诊断方法及设备 |
| CN106032994B (zh) * | 2015-03-16 | 2019-01-25 | 大陆汽车电子(长春)有限公司 | 一种传感器功能检测方法和设备 |
| CN107197473B (zh) * | 2017-06-15 | 2020-05-15 | 三星电子（中国）研发中心 | 一种终端异常状态确定方法和装置 |
| CN107484196B (zh) * | 2017-08-14 | 2020-10-09 | 博锐尚格科技股份有限公司 | 传感器网络的数据质量保证方法和计算机可读介质 |
| CN107643712A (zh) * | 2017-09-25 | 2018-01-30 | 中国航空工业集团公司西安飞机设计研究所 | 一种多传感器智能监测装置 |
| CN107845159B (zh) * | 2017-10-30 | 2021-05-28 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评系统运行监测系统 |
| CN109699021B (zh) * | 2018-12-31 | 2021-08-10 | 宁波工程学院 | 一种基于时间加权的农业物联网故障诊断方法 |
| CN110572790B (zh) * | 2019-08-19 | 2022-04-08 | 湖南九层台环境科技有限公司 | 一种农村快递小笼读取系统 |
| CN110490266B (zh) * | 2019-08-23 | 2022-04-22 | 北京邮电大学 | 一种传感器数据上传、传感器故障检测方法及装置 |
| CN111178645B (zh) * | 2020-04-14 | 2020-12-08 | 深圳市朝阳辉电气设备有限公司 | 电力设备异常检测方法、装置、控制设备及存储介质 |
| CN112437440B (zh) * | 2020-09-30 | 2024-02-02 | 北京工业大学 | 无线传感器网络中基于相关性理论的恶意共谋攻击抵抗方法 |
| CN117440382B (zh) * | 2023-12-20 | 2024-03-26 | 深圳市友恺通信技术有限公司 | 基于物联网的无线设备运行分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
| CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9183518B2 (en) * | 2011-12-20 | 2015-11-10 | Ncr Corporation | Methods and systems for scheduling a predicted fault service call |
-
2014
- 2014-08-26 CN CN201410424369.5A patent/CN104202765B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
| CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 支持向量机回归预测的无线传感器网络故障检测算法;孟洛明等;《北京邮电大学学报》;20140715;第37卷(第z1期);23-29 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104202765A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104202765B (zh) | 基于分布式网络的传感器故障检测方法及装置 | |
| CN104994539B (zh) | 一种基于arima模型的无线传感器网络流量异常检测方法 | |
| CN110365647B (zh) | 一种基于pca和bp神经网络的虚假数据注入攻击检测方法 | |
| CN109492193A (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
| CN109539473A (zh) | 空调系统的故障类型确定方法、电子设备 | |
| CN103973697B (zh) | 一种物联网感知层入侵检测方法 | |
| US20200250577A1 (en) | Risk evaluating method based on deep learning, server, and computer-readable storage medium | |
| CN101883017A (zh) | 一种网络安全状态评估系统及方法 | |
| CN104954192A (zh) | 一种网络流量监测方法和设备 | |
| CN108268893B (zh) | 一种基于机器学习的化工园区预警方法及装置 | |
| CN104503434B (zh) | 一种基于故障征兆主动推送的故障诊断方法 | |
| CN104915600B (zh) | 一种Android应用程序安全风险评估方法与装置 | |
| CN104462757A (zh) | 基于监测数据的Weibull分布可靠性序贯验证试验方法 | |
| CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
| CN110040594A (zh) | 一种基于卷积神经网络的电梯运行检测系统及方法 | |
| CN106201843A (zh) | 一种终端数据的处理方法、装置及终端 | |
| CN112069039A (zh) | 人工智能开发平台的监控预知告警方法、装置及存储介质 | |
| CN107293119A (zh) | 一种交通事件检测California算法模型改进方法 | |
| CN104598970A (zh) | 一种爬架组的工作状态检测方法 | |
| CN106371030A (zh) | 一种非确定性推理的新能源汽车电池故障诊断方法 | |
| CN114582083B (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
| CN115963418A (zh) | 一种储能电池运行状态的检测方法及系统 | |
| CN114897084A (zh) | 一种基于图卷积神经网络的塔式起重机结构安全监测方法 | |
| CN112607555B (zh) | 用于电梯导轨状态检测的模型的训练方法、检测方法 | |
| CN104239785A (zh) | 基于云模型的入侵检测数据划分方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |