CN106912067B - 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 - Google Patents

一种基于模糊神经网络的wsn无线通信模块故障诊断方法 Download PDF

Info

Publication number
CN106912067B
CN106912067B CN201710076638.7A CN201710076638A CN106912067B CN 106912067 B CN106912067 B CN 106912067B CN 201710076638 A CN201710076638 A CN 201710076638A CN 106912067 B CN106912067 B CN 106912067B
Authority
CN
China
Prior art keywords
neural network
fuzzy
wireless communication
communication module
fault diagnosis
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
Application number
CN201710076638.7A
Other languages
English (en)
Other versions
CN106912067A (zh
Inventor
薛善良
周奚
韦青燕
朱世照
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710076638.7A priority Critical patent/CN106912067B/zh
Publication of CN106912067A publication Critical patent/CN106912067A/zh
Application granted granted Critical
Publication of CN106912067B publication Critical patent/CN106912067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

本发明公开了一种基于模糊神经网络的WSN无线通信模块故障诊断方法，利用DHT11温湿度传感器在不同温度和电压下所对应的发射消耗参数，建立一个模糊神经网络电流模型，用于进行无线通信模块的故障诊断。对于进行归一化处理后的数据，首先利用减法聚类自适应的确定模糊神经网络的初始结构和参数，然后利用粒子群优化算法和最小二乘法相结合的混合学习方法对模型进行参数优化和调整，最后用训练完毕的诊断模型对测试样本进行故障诊断。本发明综合模糊推理和神经网络的优点，采用改进的学习算法，针对WSN的电流电压与故障之间的联系，建立无线通信模块的模糊神经网络电流模型，其模型的训练时间短、收敛速度快、故障诊断效率高。

Description

一种基于模糊神经网络的WSN无线通信模块故障诊断方法
技术领域
本发明属于信息感知与识别技术领域，具体涉及一种基于模糊神经网络的WSN无线通信模块故障诊断方法。
背景技术
WSN故障是指系统中的某个或者某几个部分出现异常，导致其失去原有功能或者性能达不到设计要求的情况。由于WSN运行的环境、WSN节点硬件和外界干扰种类的不同，WSN的故障类型及表现形式也各不相同。根据WSN体系功能和实现功能，其故障可以分为节点故障和网络故障2种。WSN节点分为传感器节点和汇聚节点，因此节点故障也分为传感器节点故障和汇聚节点故障。网络故障是指网络通信协议或者协作管理方面的出现问题造成较大范围内的故障，导致整个网络不能正常工作。
WSN技术的日趋成熟，使其应用领域不断扩大。由于其特点，使其通常部署在室外，经常面对恶劣的自然环境、强电磁和强干扰的环境。因此，WSN节点会出现故障。为了保证WSN运行的稳定性和可靠性，保证WSN的服务质量，相关学者和技术人员开始把不同知识应用到WSN的故障诊断中，提高故障诊断的效率和精度。WSN按照故障监测和诊断主体所在位置的不同可分为分布式故障诊断方法、集中式故障诊断方法以及混合式故障诊断三种方法。
2001年，Chessa S和Santi P提出一种基于比较的故障诊断算法，根据节点之间的测试结果实现故障诊断，但这种故障诊断不适合拓扑动态变化的网络。GaoJianliang等人利用WSN的时空相关性，根据节点之间的信任度投票来判断节点是否发生故障。Chen J等人提出一种分布式故障诊断方法，先由传感器之间交换大量数据，然后根据分布式投票来判断节点是否存在故障。利用神经网络也可以进行WSN故障诊断，Mosstapha AI等人提出了基于递归神经网络的故障诊断算法。张劫等人提出了基于比较簇节点的故障诊断算法，使用簇首节点作为同一个簇内的控制单元，对簇中节点进行集中诊断，同时利用簇首节点之间的相关诊断信息的传递，来对簇首节点进行诊断。季赛等人利用相邻节点测量值的空间相似性原理，通过对相邻节点所感知的数据进行比较，从而确定检测节点的状态，并将检测状态向网络中其它相邻节点扩散，诊断故障节点。B.Krishnamachari等人采用了分布式贝叶斯方法对节点的故障进行识别，利用节点间的信任关系，使用贝叶斯网络(BNN)来描述关系，通过相邻节点之间交互传感数据，获得事件的统计概率，结合节点的故障概率，用贝叶斯方法区分事件和节点故障。
发明内容
本发明针对大部分的故障诊断方法都集中在传感器信号的分析方面，对WSN节点本身的故障诊断与定位的研究较少。根据与故障特征相关的电压和电流参数，在电路中有源的概念和流入流出的方向，一个模块的电流或电压的异常会影响整条串联回路上其它模块参数的状态，对电压或电流异常的诊断最终可以确定故障位置以及原因。
利用DHT11温湿度传感器在不同温度和电压下所对应的发射消耗参数，建立一个模糊神经网络电流模型，用于进行无线通信模块的故障诊断。对于经过归一化处理后的数据，首先利用减法聚类自适应的确定模糊神经网络的初始结构和参数，然后利用粒子群优化算法和最小二乘法相结合的混合学习方法对模型进行参数优化和调整，最后用训练完毕的诊断模型对测试样本进行故障诊断。
本发明的技术方案如下：
一种基于模糊神经网络的WSN无线通信模块故障诊断方法，包括步骤：
步骤1：通过DHT11传感器测量诊断对象在不同温度和电压下所对应的发射消耗电流参数，并建立工作电流模型Icons,t＝f(Vmod,t,Tmod,t)，其中Icons,t是无线通信模块t时刻的电流，Vmod,t无线通信模块t时刻的电压，Tmod,t是无线通信模块t时刻的温度；
步骤2：利用减法聚类算法进行规则提取，即确定模糊神经网络的初始结构和参数，包括聚类中心的个数和位置以及宽度参数；模糊神经网络采用聚类算法提取规则，学习速率η选为0.005，建立了两个输入V、T和一个输出I，13条模糊规则的5层模糊神经网络结构。
相应的模糊规则如下：
Figure BDA0001224558880000021
Figure BDA0001224558880000022
Figure BDA0001224558880000023
… … … … …
Figure BDA0001224558880000024
步骤3：通过粒子群优化算法和最小二乘法相结合的混合学习方法在步骤2建立的模糊神经网络结构的基础上进行参数的优化，运用PSO算法对前件参数即模糊隶属函数中心值和模糊隶属函数宽度值进行优化，再结合部分最小二乘法训练后件参数即模糊规则的输入变量一阶多项式f的结论系数；当模型满足精度要求时得到故障诊断模型。
步骤4：根据步骤3训练完毕的诊断模型对测试样本进行故障诊断。
所述步骤1测得的数据共分为100组，其中70组用于模糊神经网络模型的训练，30组用于作为测试样本集，1组数据包含2个输入量和1个输出量，输入量分别是供电电压和温度，输出量为发射消耗电流。
3、所述步骤3通过混合学习方法进行参数优化和调整具体为：
步骤3.0：编码PSO粒子；
步骤3.1：初始化粒子群的种群；
步骤3.2：对于每个粒子，将其当前的适应度与其之前经历过的最好位置的适应度进行比较，如果更好，则更新个体最好位置Pbest；
步骤3.3：对于每个粒子，将个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；
步骤3.4：根据下式修改每个粒子的速度和位置
Vid＝ωVid+c1r1(Pbest-Xid)+c2r2(Pt-Xid)
Figure BDA0001224558880000031
步骤3.5：重复步骤3.2～步骤3.4，直到满足计算终止条件；
步骤3.6：将群体所经历最好位置的编码解码得到基函数的中心参数以及宽度参数；
步骤3.7：计算隐含层单元输出
Figure BDA0001224558880000032
以及输出层输出
Figure BDA0001224558880000033
步骤3.8：重新初始化粒子群种群，调整权值ωjk，其适应度函数G＝||yk-hj||；
步骤3.9：对于每个粒子，比较它的适应度与其所经历的最好位置的适应度，如果更好，则更个体最好位置新Pbest；
步骤3.10：对于每个粒子，其个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；
步骤3.11：调整每个粒子的速度和位置；
步骤3.12：重复步骤3.9到步骤3.11，直到达到计算要求为止；
步骤3.13：解码得到规则的前件参数；
步骤3.14：运用部分最小二乘法计算模糊神经网络的后件参数；
步骤3.15算法结束。
本发明的有益效果是：
(1)使用减聚类算法自适应地确定规则的数目。
(2)使用粒子群优化算法全局高效地优化规则的前件参数即隶属函数的中心与隶属函数的宽度值。
(3)本论文应用部分最小二乘法可以较精确地求出变量以消除变量的维数大于样本个数的情况这种异常情况。
(4)该诊断方法经过测试表明，其具有明显优点，与基于BP神经网络和高斯回归过程等故障诊断方法相比，其模型的训练学习时间短、收敛速度快、故障诊断正确率高，可以有效提高无线传感器网络监测系统的可靠性与实用性。
附图说明
图1是故障诊断方法示意图。
图2是PSO-RBF混合学习算法示意图。
具体实施方式
下面结合附图对本发明进行具体的介绍。
本发明针对大部分的故障诊断方法都集中在传感器信号的分析方面，对WSN节点本身的故障进行定位与分析的研究较少。根据与故障特征相关的电压和电流参数，在电路中有源的概念和流入流出的方向，一个模块的电流或电压的异常会影响整条串联回路上其它模块参数的状态，对电压或电流异常的诊断最终可以确定故障位置以及原因。建立一个模糊神经网络电流模型，用于进行无线通信模块的故障诊断。首先利用减法聚类自适应地提取模糊规则，然后利用粒子群优化算法和部分最小二乘法相结合的混合学习方法对规则参数进行优化和调整。
图1是故障诊断方法应用步骤，具体的实施过程如下：
步骤1：确定无线通信模块采样时间与电流的滤波和数据采集
步骤1.1：无线通信模块发射信息的时间较短，且其电流伴有震荡干扰，故通过采样时间和AD精度确定无线通信模块发射电流的采样精度。
步骤1.2：测得DHT11传感器在不同温度和电压下所对应的发射消耗电流参数，温度、电压、发射消耗电流作为模型输入数据，模型数据共分为100组，其中70组用于模糊神经网络模型的训练，30组用于作为测试样本集，1组数据包含2个输入量和1个输出量，输入量分别是供电电压和温度，输出量为发射消耗电流。。
接下来采用混合学习算法对模型进行建立和优化，PSO-RBF混合学习算法如图2所示。
步骤2：确定模糊神经网络的初始结构和参数
减聚类算法通过计算数据的密度指标，确定聚类中心和聚类个数。可以知道，聚类个数决定模糊逻辑中模糊规则的数量，每个中心相对应一条if-then模糊规则，所有的模糊规则确定模糊神经网络的初始结构。假设W维空间的n个数据点(x1,x2,...,xn)，对数据进行处理后，给出数据点xi的密度指标为
Figure BDA0001224558880000051
上式中，ra是正数，表示该点的邻域。
对所有数据点使用式(1)计算得到密度指标，选取密度指标最高的点记为
Figure BDA0001224558880000052
作为第一个聚类中心，其密度指标记为
Figure BDA0001224558880000053
采用下式修正每个数据点的密度指标
Figure BDA0001224558880000054
上式中，rb为整数，表示一个密度指标降低的邻域，满足rb>ra，可以得到分布合理的聚类中心，避免出现聚类中心相距较近的情况。经过上述修正后，选取下一个聚类中心，然后继续修正数据点的密度指标。重复上述过程，直到满足终止条件，聚类结束。
具体步骤如下：
步骤2.1选取具有最高密度指标的数据点
Figure BDA0001224558880000061
作为第一个聚类中心。记h＝1，h是聚类中心的个数；
Figure BDA0001224558880000062
为第一个聚类中心的密度指标，即初始最高密度值。
步骤2.2：选取可能的第(h+1)个聚类中心，利用式(2)修正每个数据点的密度指标，其中具有最高密度指标的点记为
Figure BDA0001224558880000063
其密度指标记为
Figure BDA0001224558880000064
步骤2.3：若
Figure BDA0001224558880000065
与
Figure BDA0001224558880000066
的比值小于阈值γ，即
Figure BDA0001224558880000067
则转步骤2.4；否则选取
Figure BDA0001224558880000068
为第(h+1)个聚类中心，h＝h+1，转步骤2.2。
步骤2.4：聚类结束，共有h个聚类中心。
步骤2.5：聚类中心确定后，对每个初始中心数据点
Figure BDA0001224558880000069
的部分最邻近的点取平均距离作为初始宽度参数rh的参数值。
步骤3：确定PSO粒子编码设定目标函数。在粒子群优化算法中，一个粒子对应于一个可行解。将模糊神经网络需要优化的参数包括基函数的中心，基函数的宽度以及隐含层与输出层之间的连接权值放入到编码中；编码中还包括粒子速度以及适应度。
步骤4：混合算法确定模糊神经网络参数
对模糊神经网络参数的优化确定的步骤如下：
步骤4.1：初始化粒子群的种群；
步骤4.2：对于每个粒子，将其当前的适应度与其之前经历过的最好位置的适应度进行比较，如果更好，则更新个体最好位置Pbest；
步骤4.3：对于每个粒子，将其个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；
步骤4.4：根据下式修改每个粒子的速度V和位置X
Vid＝ωVid+c1r1(Pbest-Xid)+c2r2(Pt-Xid)
Figure BDA0001224558880000071
其中ω是惯性权值，c1和c2是加速因子，r1和r2为两个均匀分布在[0，1]之间的随机数。
步骤4.5：重复步骤4.2～步骤4.4，直到满足计算终止条件；
步骤4.6：将群体所经历的全局最好位置的编码解码得到基函数的中心参数以及宽度参数；
步骤4.7：计算隐含层单元输出
Figure BDA0001224558880000072
以及输出层输出
Figure BDA0001224558880000073
其中φ是高斯函数，ωjk是隐含层到输出层的连接权值。
步骤4.8：重新初始化粒子群种群，调整权值ωjk，其适应度函数G＝||yk-hj||；
步骤4.9：对于每个粒子，比较它的适应度与其所经历的最好位置的适应度，如果更好，则更新个体最好位置Pbest；
步骤4.10：对于每个粒子，其个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；
步骤4.11：调整每个粒子的速度和位置；
步骤4.12：重复步骤4.9到步骤4.11，直到达到计算要求为止；
步骤4.13：解码得到规则的前件参数；
步骤4.14：运用部分最小二乘法计算模糊神经网络的后件参数；
步骤4.15：算法结束。
步骤5：提取经过离线训练后的模糊神经网络参数，将无线通信模块当前的输入电压和温度输入数据归一化后，由模糊神经网络参数和公式计算后，再反归一化得到无线通信模块发射消耗电流的模糊神经网络计算值，通过与实际输出的阈值判断来得到故障发生的原因和位置。
该方法从无线通信模块发射时期消耗电流与温度电压的关系出发，使用一种基于模糊神经网络的无线通信模块故障诊断方法，首先使用聚类算法确定模糊神经网络的结构，然后使用粒子群优化算法和部分最小二乘法相结合的混合学习算法优化模糊规则的前件参数和后件参数。提取训练已经达到精度要求的模型参数，在节点中运行。经验证，该诊断模型的收敛速度快，训练学习短，故障诊断正确率高，可以有效应用于WSN的无线通信模块的故障诊断，提高WSN应用的可靠性与实用性。

Claims (2)

1.一种基于模糊神经网络的WSN无线通信模块故障诊断方法，其特征在于：包括步骤：
步骤1：通过采样时间和AD精度确定无线通信模块发射电流的采样精度；通过DHT11传感器测量诊断对象在不同温度和电压下所对应的发射消耗电流参数，并建立工作电流模型Icons,t＝f(Vmod,t,Tmod,t)，其中Icons,t是无线通信模块t时刻的电流，Vmod,t无线通信模块t时刻的电压，Tmod,t是无线通信模块t时刻的温度；
步骤2：根据步骤1测得的数据利用减法聚类算法进行规则提取，即确定模糊神经网络的初始结构和参数，包括聚类中心的个数和位置以及宽度参数；
聚类个数决定模糊逻辑中模糊规则的数量，每个中心相对应一条if-then模糊规则，所有的模糊规则确定模糊神经网络的初始结构；
假设W维空间的n个数据点(x1,x2,...,xn)，对数据进行处理后，给出数据点xi的密度指标为
Figure FDA0002298645220000011
上式中，ra是正数，表示该点的邻域；
对所有数据点使用式(1)计算得到密度指标，选取密度指标最高的点记为
Figure FDA0002298645220000012
作为第一个聚类中心，其密度指标记为
Figure FDA0002298645220000013
采用下式修正每个数据点的密度指标
Figure FDA0002298645220000014
上式中，rb为整数，表示一个密度指标降低的邻域，满足rb＞ra；
经过上述修正后，选取下一个聚类中心，然后继续修正数据点的密度指标；重复上述过程，直到满足终止条件，聚类结束；
具体步骤如下：
步骤2.1：选取具有最高密度指标的数据点
Figure FDA0002298645220000015
作为第一个聚类中心；记h＝1，h是聚类中心的个数；
Figure FDA0002298645220000016
为第一个聚类中心的密度指标，即初始最高密度值；
步骤2.2：选取可能的第(h+1)个聚类中心，利用式(2)修正每个数据点的密度指标，其中具有最高密度指标的点记为
Figure FDA0002298645220000021
其密度指标记为
Figure FDA0002298645220000022
步骤2.3：若
Figure FDA0002298645220000023
与
Figure FDA0002298645220000024
的比值小于阈值γ，即
Figure FDA0002298645220000025
则转步骤2.4；否则选取
Figure FDA0002298645220000026
为第(h+1)个聚类中心，h＝h+1，转步骤2.2；
步骤2.4：聚类结束，共有h个聚类中心；
步骤2.5：聚类中心确定后，对每个初始中心数据点
Figure FDA0002298645220000027
的部分最邻近的点取平均距离作为初始宽度参数rh的参数值；
步骤3：通过粒子群优化算法和最小二乘法相结合的混合学习方法在步骤2建立的模糊神经网络结构的基础上进行参数的优化，运用PSO算法对前件参数即模糊隶属函数中心值和模糊隶属函数宽度值进行优化，再结合部分最小二乘法训练后件参数即模糊规则的输入变量一阶多项式f的结论系数；当模型满足精度要求时得到故障诊断模型；
具体为：
步骤3.0：编码PSO粒子；
步骤3.1：初始化粒子群的种群；
步骤3.2：对于每个粒子，将其当前的适应度与其之前经历过的最好位置的适应度进行比较，如果更好，则更新个体最好位置Pbest；
步骤3.3：对于每个粒子，将个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；
步骤3.4：根据下式修改每个粒子的速度和位置
Vid＝ωVid+c1r1(Pbest-Xid)+c2r2(Pt-Xid)
Figure FDA0002298645220000028
步骤3.5：重复步骤3.2～步骤3.4，直到满足计算终止条件；
步骤3.6：将群体所经历最好位置的编码解码得到基函数的中心参数以及宽度参数；
步骤3.7：计算隐含层单元输出
Figure FDA0002298645220000031
以及输出层输出
Figure FDA0002298645220000032
步骤3.8：重新初始化粒子群种群，调整权值ωjk，其适应度函数G＝||yk-hj||；
步骤3.9：对于每个粒子，比较它的适应度与其所经历的最好位置的适应度，如果更好，则更个体最好位置新Pbest；
步骤3.10：对于每个粒子，其个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；
步骤3.11：调整每个粒子的速度和位置；
步骤3.12：重复步骤3.9到步骤3.11，直到达到计算要求为止；
步骤3.13：解码得到规则的前件参数；
步骤3.14：运用部分最小二乘法计算模糊神经网络的后件参数；
步骤3.15算法结束；
步骤4：根据步骤3训练完毕的诊断模型对测试样本进行故障诊断。
2.根据权利要求1所述的WSN无线通信模块故障诊断方法，其特征在于：所述步骤1测得的数据共分为100组，其中70组用于模糊神经网络模型的训练，30组用于作为测试样本集，1组数据包含2个输入量和1个输出量，输入量分别是供电电压和温度，输出量为发射消耗电流。
CN201710076638.7A 2017-02-13 2017-02-13 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 Active CN106912067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710076638.7A CN106912067B (zh) 2017-02-13 2017-02-13 一种基于模糊神经网络的wsn无线通信模块故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710076638.7A CN106912067B (zh) 2017-02-13 2017-02-13 一种基于模糊神经网络的wsn无线通信模块故障诊断方法

Publications (2)

Publication Number Publication Date
CN106912067A CN106912067A (zh) 2017-06-30
CN106912067B true CN106912067B (zh) 2020-04-24

Family

ID=59208754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710076638.7A Active CN106912067B (zh) 2017-02-13 2017-02-13 一种基于模糊神经网络的wsn无线通信模块故障诊断方法

Country Status (1)

Country Link
CN (1) CN106912067B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107371125B (zh) * 2017-08-09 2020-10-23 广东工业大学 基于粒子群算法的无线传感器网络故障修复方法及装置
CN108681493B (zh) * 2018-05-29 2022-04-19 深圳乐信软件技术有限公司 数据异常检测方法、装置、服务器和存储介质
CN108986470B (zh) * 2018-08-20 2022-03-29 华南理工大学 粒子群算法优化lstm神经网络的行程时间预测方法
CN108985440A (zh) * 2018-09-05 2018-12-11 河南工业大学 区间二型直觉模糊随机向量函数连接神经网络设计方法
CN109598337B (zh) * 2018-12-05 2021-02-02 河南工业大学 基于分解模糊神经网络的二氧化硫浓度预测方法
CN109739980A (zh) * 2018-12-11 2019-05-10 中科恒运股份有限公司 对情感分类器进行调优的方法、装置及终端
CN110188837A (zh) * 2019-06-25 2019-08-30 长春工业大学 一种基于模糊神经的mvb网络故障诊断方法
CN113051821B (zh) * 2021-03-24 2023-03-10 临沂大学 一种混凝土抗压强度预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126680A (zh) * 2007-09-11 2008-02-20 西安交通大学 一种火电厂球磨机负荷软测量方法
CN102305910A (zh) * 2011-06-22 2012-01-04 长沙河野电气科技有限公司 基于模糊神经网络的大规模直流模拟电路区间诊断方法
CN102879704A (zh) * 2012-10-08 2013-01-16 南京航空航天大学 一种高压输电线高阻接地故障多参数数据融合检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126680A (zh) * 2007-09-11 2008-02-20 西安交通大学 一种火电厂球磨机负荷软测量方法
CN102305910A (zh) * 2011-06-22 2012-01-04 长沙河野电气科技有限公司 基于模糊神经网络的大规模直流模拟电路区间诊断方法
CN102879704A (zh) * 2012-10-08 2013-01-16 南京航空航天大学 一种高压输电线高阻接地故障多参数数据融合检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于粒子群算法的RBF网络参数优化算法;崔海青等;《计算机技术与发展》;20091230(第12期);正文第1、2小节 *
无线传感器网络节点模块级故障诊断方法研究及应用;李智敏;《中国博士学位论文全文数据库信息科技辑》;20150715(第07期);正文第39-51页 *

Also Published As

Publication number Publication date
CN106912067A (zh) 2017-06-30

Similar Documents

Publication Publication Date Title
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
CN106168799B (zh) 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
Malhotra et al. Long Short Term Memory Networks for Anomaly Detection in Time Series.
CN101867486A (zh) 一种无线传感器网络故障诊断方法
CN110087207B (zh) 无线传感器网络缺失数据重建方法
CN108090515B (zh) 一种基于数据融合的环境等级评估方法
Liu et al. Optimization of edge-PLC-based fault diagnosis with random forest in industrial Internet of Things
CN114511112A (zh) 一种基于物联网的智慧运维方法、系统和可读存储介质
Gui et al. Wireless sensor network fault sensor recognition algorithm based on MM* diagnostic model
CN115046766A (zh) 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法
CN101237357A (zh) 工业无线传感器网络故障在线检测方法
CN115146718A (zh) 基于深度表示的风电机组异常检测方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN112333147B (zh) 一种核电厂dcs平台网络运行态势感知方法及系统
CN116684878B (zh) 一种5g信息传输数据安全监测系统
CN112437440A (zh) 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
CN117034189A (zh) 多源物联网数据融合方法
CN116800202A (zh) 基于参数辨识的光伏组件故障诊断方法和系统
CN112613227B (zh) 基于混合机器学习的航空发动机剩余使用寿命预测模型
CN116094758A (zh) 一种大规模网络流量采集方法及系统
Yu et al. Remaining useful life prediction based on multi-scale residual convolutional network for aero-engine
CN115659258A (zh) 一种基于多尺度图卷积孪生网络的配电网故障检测方法
CN114826948A (zh) 一种基于图卷积网络的sdn网络流量预测方法
CN114692729A (zh) 基于深度学习的新能源场站不良数据辨识与修正方法
Sung et al. Enhance the efficient of WSN data fusion by neural networks training process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant