CN109688602A - 基于节点预状态的无线传感器故障检测算法 - Google Patents
基于节点预状态的无线传感器故障检测算法 Download PDFInfo
- Publication number
- CN109688602A CN109688602A CN201910151493.1A CN201910151493A CN109688602A CN 109688602 A CN109688602 A CN 109688602A CN 201910151493 A CN201910151493 A CN 201910151493A CN 109688602 A CN109688602 A CN 109688602A
- Authority
- CN
- China
- Prior art keywords
- node
- state
- neighbor
- denoted
- normal
- 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.)
- Withdrawn
Links
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于节点预状态的无线传感器故障检测算法,网络中的每个节点首先根据时间相关性的特点,通过对传感器节点历史数据的处理,对传感器节点的状态进行初步诊断,再根据节点间的空间相关性原理,通过与邻居节点所感知的数据进行比较,从而确定节点的最终状态,并将测试状态为正常的节点的状态向网络中其他节点进行扩散。当节点出现固定值故障、瞬时故障和故障率过高时都有很好的诊断率。仿真结果表明,本章所提出的故障诊断算法有效地减少了节点间的通信代价和能量消耗,从而延长了无线传感器网络的生存周期。
Description
技术领域
本发明涉及无线传感器技术领域,尤其涉及一种基于节点预状态的无线传感器故障检测算法。
背景技术
无线传感器节点一般部署在较恶劣的环境中,极易发生故障,导致监测数据无法进行传输或监测的数据有误。管理者对错误的数据进行分析,无法做出正确的决策,导致一系列无法估计的连锁反应。因此,对无线传感器节点进行故障检测是至关重要的。
现有的传感器节点故障检测算法一般分为集中式故障检测和分布式故障检测两大类。在集中式故障检测算法中,节点将自身的监测数据经由汇聚节点通过多跳传输到基站,基站接收到信息后根据节点间数据的相似性在线对传感数据进行分类,从而实现节点的故障诊断。采用集中式故障检测算法进行故障检测,通过对传感数据进行处理,能够保证无线传感器故障诊断精度,但由于节点的感知数据需要通过多跳传输到基站,在此过程中需要消耗大量的能量,导致传感器能量被迅速的消耗,减少传感器网络的使用寿命。在分布式故障检测算法中,所有节点处于同样的地位,节点通过自身监测数据进行故障诊断,不需要将传感数据传输到基站,减少能量的消耗,延长网络寿命。由于传感器能量限制的原因,目前多运用分布式无线传感器故障诊断算法进行故障诊断。但分布式故障诊断算法多依赖于传感器节点的邻居节点数据,因此当无线传感器节点故障率较高时,节点故障诊断精度下降。
无线传感器节点由传感器模块、CPU模块、无线通信模块和电源模块4个模块组成。传感器节点被随机地部署在待检测的特定区域内,节点间以自组织的形式连接成网络。无线传感器网络可表示为无向图G(v,e),其中G(v)是传感器节点的集合,G(e)是无线网络中边的集合。若eij∈G(e),则表明节点i,j之间可以相互通信。节点间能否相互通信取决于节点间的欧几里得距离。设传感器节点i,j在监测区域的位置坐标分别为(xi,yi),(xj,yj),节点i,j之间的欧几里得距离当dij小于或等于传感器节点的传输范围T(r)时,则说明eij∈G(e),且在无线传感器网络中,eij∈G(e)则eji∈G(e)。网络中的节点可以通过多跳节点与基站相互连接,将数据信息传输到基站以便管理人员进行分析。
无线传感器节点故障大体上可以分为硬故障和软故障。硬故障是指传感器节点发生硬件故障,不能进行数据采集和通信。软故障是指传感器节点能够进行数据采集,通信功能也正常,但采集到的数据有误。本文主要探究无线传感器节点软故障的检测。
发明内容
本发明的目的在于针对现有技术的不足,提供一种设计合理,结构简单,故障检测精确度高,能量消耗少的基于节点预状态的无线传感器故障检测算法。
为实现上述目的,本发明采用以下技术方案:
基于节点预状态的无线传感器故障检测算法,其包括节点状态判断方法,所述节点状态判断方法包括以下步骤:
1)设传感器节点i,j在监测区域的位置坐标分别为(xi,yi)和(xj,yj),且每个节点都可以存储l个时刻的数据,则时刻t的节点i存储l个历史数据根据节点i的历史数据对l个历史数据的均值E和方差S按如下公式进行计算:
2)判断是否满足S2=0,当满足S2=0时,判定节点i发生固定值故障,记作Ti=1,否则执行步骤3);
3)设定阈值θ,判断是否满足S2≤θ,当满足S2≤θ时,判定节点i状态为正常,记作Ti=0;否则节点i状态为可能故障,记作PTi=1,并在节点i的邻居节点中,找到邻居节点数最大的节点j,设节点j在时刻t之前的l个感测数据为:并按如下公式进行计算:
4)设定阈值θ1,判断是否满足0<Sj<θ1,当0<Sj<θ1时,判定节点j的状态为可能正常,记作PTj=0,否则节点j的状态为可能故障,记作PTj=1;设定阈值θ′,节点j将t时刻的数据和可能状态PTj发送给节点i,节点i根据接收到的信息对两个节点数据的相似性cij按如下公式进行计算:
5)当cij=1时,表示两节点数据相差较大,当cij=0时,表示两节点数据相似;结合节点j的可能状态Tj和节点i,j数据的相似性cij对节点i的状态进行准确判定,判定规则如下:
当Tij=0时,判定节点i的状态为正常,记作Ti=0;当Tij=1时,判定节点i的状态为故障,记作Ti=1;当时,节点i的状态可能为正常,也可能为故障,再根据Tij=1与Tij=0的个数来对节点i的最终状态进行判定。
进一步,本发明还包括节点状态传播方法,所述节点状态传播方法包括以下步骤:
6)状态为正常的节点,记为正常节点i,正常节点i将自身状态信息以信息包的形式发送给其所有邻居节点j;
7)步骤6)中所有邻居节点j接收到信息包后,根据公式(4)计算两个节点数据的相似性cij,并按如下规则进行判定:
由于Ti=0,若cij=0,则判定节点j的状态为正常,记作Tj=0,若cij=1,则判定节点j的状态为故障,记作Tj=1;
8)状态为正常的邻居节点,重复步骤6)进行状态扩散,直至所有节点状态全部检查出结果。
进一步,本发明还包括节点状态反馈方法,所述节点状态反馈方法为:先将传感器节点所在检测区域划分成多个小区域,并在检测区域设置一个移动传感器节点,移动传感器节点从基站出发,通过移动遍历每一个小区域以收集所有传感器节点的状态信息并传输给基站。
作为优选,所述检测区域划分步骤如下:
9)计算所有节点的邻居节点个数,挑选邻居节点数目最多的节点作为根节点,该根节点收集其邻居节点的所有状态信息,划成一个小区域;
10)将已划分的上述节点剔除,继续计算剩余传感器节点的邻居节点数,挑选邻居节点数最多的节点作为根节点,该根节点收集其邻居节点的所有状态信息,再划成一个小区域;
11)重复步骤10),将所有传感器节点所在区域划分成多个小区域。
作为优选,将传感器节点所在检测区域划分成多个小区域后,列出各个小区域的根节点坐标,将这些根节点的坐标看作是新的节点,使移动传感器节点遍历所有的根节点。
对检测区域划分后,列出这些区域的根节点坐标,将这些根节点的坐标看作是新的节点,使移动传感器节点遍历所有的根节点。为了节省能量,移动传感器节点的移动距离要求是最小的,即等同于最短路径问题,可以运用线性规划求解。
本发明采用以上技术方案,提出了一种新的故障诊断算法,假设每个节点都有一定数目的邻居节点,通过综合邻居节点数据和节点历史数据进行故障诊断。该算法首先利用节点历史数据对节点状态进行初步预测,再结合其邻居节点的初始状态和邻居节点数据对节点状态做最终的判断。当网络中故障节点数较高时,仍能达到较高的故障诊断精度,并且在诊断过程中对状态确定正常的节点的进行状态扩散,通过移动传感器寻找最优路径将节点状态反馈给基站,减少了节点间的通信次数,降低了节点的能量损耗。
附图说明
现结合附图对本发明作进一步阐述:
图1为本发明基于节点预状态的无线传感器故障检测算法的流程图;
图2为本发明节点状态传播示意图;
其中,小圆圈表示节点,黑色节点表示选取的正常节点,两点之间的线段表示两节点能够通信,大圆圈代表节点的通信范围;
图3为三种算法在不同故障率下的诊断精度比较结果图;
图4为三种算法在不同故障率下的虚警率比较结果图。
具体实施方式
由于无线传感器节点采集的数据具有时空相关性,即在相邻的一段时间内无故障的无线传感器节点所采集的数据是相似的,且会随着时间的变化而变化。而发生软故障的节点所采集的数据则是随机的、无序的,与正常节点采集的数据有一定的偏差。本文主要考虑如下所述的四种类型的故障:
①偏移故障。偏移故障是指采集的数据中连续多个数据的变化率不在正常范围内,但其值仍随时间、环境的变化而变化。
②固定值故障。节点采集的数据是一个常数,不会随时间或环境的变化而变化。
③间歇性故障。节点采集的数据一般都在正常值之间,但会有连续几个时刻的数据远大于或小于正常值。
④瞬时故障。节点采集的数据在某一瞬间出现异常,而其他时刻的数据都是正常的。其中,由于瞬时故障节点的数据只在那一瞬间出错,之后会恢复正常,因此瞬时故障节点不做故障节点考虑。本文所提出的算法根据节点的历史数据计算出每个节点的可能状态,即对节点进行状态预判断。
如图1-4之一所示,本发明的基于节点预状态的无线传感器故障检测算法,其包括节点状态判断方法,所述节点状态判断方法包括以下步骤:
1)设传感器节点i,j在监测区域的位置坐标分别为(xi,yi)和(xj,yj),且每个节点都可以存储l个时刻的数据,则时刻t的节点i存储l个历史数据根据节点i的历史数据对l个历史数据的均值E和方差S按如下公式进行计算:
2)判断是否满足S2=0,当满足S2=0时,判定节点i发生固定值故障,记作Ti=1,否则执行步骤3);
3)设定阈值θ,判断是否满足S2≤θ,当满足S2≤θ时,判定节点i状态为正常,记作Ti=0;否则节点i状态为可能故障,记作PTi=1,并在节点i的邻居节点中,找到邻居节点数最大的节点j,设节点j在时刻t之前的l个感测数据为:并按如下公式进行计算:
4)设定阈值θ1,判断是否满足0<Sj<θ1,当0<Sj<θ1时,判定节点j的状态为可能正常,记作PTj=0,否则节点j的状态为可能故障,记作PTj=1;设定阈值θ′,节点j将t时刻的数据和可能状态PTj发送给节点i,节点i根据接收到的信息对两个节点数据的相似性cij按如下公式进行计算:
5)当cij=1时,表示两节点数据相差较大,当cij=0时,表示两节点数据相似;结合节点j的可能状态Tj和节点i,j数据的相似性cij对节点i的状态进行准确判定,判定规则如下:
当Tij=0时,判定节点i的状态为正常,记作Ti=0;当Tij=1时,判定节点i的状态为故障,记作Ti=1;当时,节点i的状态可能为正常,也可能为故障,再根据Tij=1与Tij=0的个数来对节点i的最终状态进行判定。
进一步,本发明还包括节点状态传播方法,所述节点状态传播方法包括以下步骤:
6)状态为正常的节点,记为正常节点i,正常节点i将自身状态信息以信息包的形式发送给其所有邻居节点j;
7)步骤6)中所有邻居节点j接收到信息包后,根据公式(4)计算两个节点数据的相似性cij,并按如下规则进行判定:
由于Ti=0,若cij=0,则判定节点j的状态为正常,记作Tj=0,若cij=1,则判定节点j的状态为故障,记作Tj=1;
8)状态为正常的邻居节点,重复步骤6)进行状态扩散,直至所有节点状态全部检查出结果。
进一步,本发明还包括节点状态反馈方法,所述节点状态反馈方法为:先将传感器节点所在检测区域划分成多个小区域,并在检测区域设置一个移动传感器节点,移动传感器节点从基站出发,通过移动遍历每一个小区域以收集所有传感器节点的状态信息并传输给基站。
作为优选,所述检测区域划分步骤如下:
9)计算所有节点的邻居节点个数,挑选邻居节点数目最多的节点作为根节点,该根节点收集其邻居节点的所有状态信息,划成一个小区域;
10)将已划分的上述节点剔除,继续计算剩余传感器节点的邻居节点数,挑选邻居节点数最多的节点作为根节点,该根节点收集其邻居节点的所有状态信息,再划成一个小区域;
11)重复步骤10),将所有传感器节点所在区域划分成多个小区域。
作为优选,将传感器节点所在检测区域划分成多个小区域后,列出各个小区域的根节点坐标,将这些根节点的坐标看作是新的节点,使移动传感器节点遍历所有的根节点。
对检测区域划分后,列出这些区域的根节点坐标,将这些根节点的坐标看作是新的节点,使移动传感器节点遍历所有的根节点。为了节省能量,移动传感器节点的移动距离要求是最小的,即等同于最短路径问题。
问题的目标函数是:
满足如下约束条件:
其中
公式(8)中的Cij表示从节点i到节点j的花费(例如,所需耗费的能量或时间),可以运用线性规划进行求解。
本发明的分析如下:
一、仿真分析
本发明通过python软件对无线传感器网络的节点故障检测算法进行仿真,并对其结果进行分析。
仿真实验中,将500个传感器节点随机部署在100m×100m的区域内,所有的传感器节点具有相同的传输距离。并分别模拟网络节点故障率p为0.1,0.2,0.3,0.4,0.5,0.6时节点检测的状况。
二、准确性分析
为了衡量故障检测算法的好坏,在无线传感器网络中定义了节点故障检测率、节点故障虚警率:
在无线传感器网络G=(V,E)中,正常态节点的集合为VN,故障节点的集合VF,准确诊断出故障的节点集合VTF,将状态为正常的节点诊断为故障的节点集合VNF。
(1)节点故障检测率(detection rate,DR):
DR=|VTF|/|VF| (11)
(2)节点故障虚警率(false alarm rate,FAR):
FAR=|VNF|/|VN| (12)
将基于邻居节点状态的无线传感器节点故障检测算法(Fault Diagnosis of WSNBased on the Precondition of Neighbor Nodes,PNN)与传统的分布式故障诊断算法(Distributed Fault Detection,DFD)和改进的分簇式故障算法[15](DistributedEnergy Efficient Clustering,DEEC-RDFD)进行比较,结果如图3所示。
从图3中可以看出,随着节点故障率的增高,DFD和DEEC-RDFD算法的节点故障诊断率呈现出不同程度的降低,而PNN算法的故障诊断率呈上升趋势。这是由于传统的DFD算法和DEEC-RDFD算法在节点的邻居节点故障数超过一半时会对节点状态做出错误诊断,而PNN算法结合了节点自身的历史数据和邻居节点数据,首先利用节点自身数据对节点状态进行预判断,判断出每个节点的可能状态,然后对节点进行划分,利用节点与邻居节点的空间相关性和邻居节点自身可能状态对节点状态进行准确判断。且基于节点历史数据进行预测来诊断节点状态时,由于当节点出现固定值故障时会出现误诊现象,而结合邻居节点数据,在节点出现固定值故障且故障率高达50%的场景中,该算法也能够准确检测节点的状态,提高故障诊断的精确度。
本文在将状态确定正常的节点的状态进行扩散时,并不是直接将两个节点i,j当前时刻t的测量值xit,xjt进行比较,而是对最近一段时刻的两个节点的测量值xi,xj进行比较,比较两组数据的相似性,相比于其他算法中只对当前测量值进行比较,避免了数据的偶然性,降低将瞬时故障节点诊断为故障节点的可能性,进一步提高了故障检测精度。
上述三种算法在不同故障率下的虚警率比较结果如图4所示,故障虚警率随节点故障率增大的变化趋势为,当节点故障率增大时,DFD和DEEC-RDFD的虚警率都急剧上升,而基于邻居节点状态的无线传感器故障诊断算法的虚警率增长幅度较小。当节点故障率低于30%时,三种方法的虚警率都低于1%,但当节点故障率高达60%时,PNN算法的虚警率只有5%,比DEEC-RDFD低10个百分点。相较之下,本文所提出的基于邻居节点预状态的无线传感器故障诊断算法有较好的结果。
三、能耗分析
在无线传感器网络中,部署的节点能量都是有限的,在进行故障诊断过程中最重要的是尽可能减少能量的消耗,延长无线传感器网络的寿命。而在无线传感器网络中,相比于节点间相互通信所消耗的能量,计算所消耗能量可忽略不计。
三种故障诊断算法在进行节点故障诊断时,节点间的通信次数基本相近。首先节点都需要和邻居节点进行信息交换来确定自身状态,再将状态正常的节点进行状态扩散,确定其邻居节点状态。但传统的DFD算法和DEEC-RDFD算法在将节点故障信息反馈给基站时需要通过多跳节点进行传输,尤其当故障节点距离基站较远且节点故障率过高时,节点间需要进行多次通信,消耗大量能量。而本文所提出的故障诊断算法中,在将节点状态传送到基站时,使用移动传感器通过最优路径进行收集,不需要通过多跳传输,减少网络中节点间的通信,延长网络寿命。
以上描述不应对本发明的保护范围有任何限定。
Claims (5)
1.基于节点预状态的无线传感器故障检测算法,其特征在于:其包括节点状态判断方法,所述节点状态判断方法包括以下步骤:
1)设传感器节点i,j在监测区域的位置坐标分别为(xi,yi)和(xj,yj),且每个节点都可以存储l个时刻的数据,则时刻t的节点i存储l个历史数据根据节点i的历史数据对l个历史数据的均值E和方差S按如下公式进行计算:
2)判断是否满足S2=0,当满足S2=0时,判定节点i发生固定值故障,记作Ti=1,否则执行步骤3);
3)设定阈值θ,判断是否满足S2≤θ,当满足S2≤θ时,判定节点i状态为正常,记作Ti=0;否则节点i状态为可能故障,记作PTi=1,并在节点i的邻居节点中,找到邻居节点数最大的节点j,设节点j在时刻t之前的l个感测数据为:并按如下公式进行计算:
4)设定阈值θ1,判断是否满足0<Sj<θ1,当0<Sj<θ1时,判定节点j的状态为可能正常,记作PTj=0,否则节点j的状态为可能故障,记作PTj=1;设定阈值θ′,节点j将t时刻的数据和可能状态PTj发送给节点i,节点i根据接收到的信息对两个节点数据的相似性cij按如下公式进行计算:
5)当cij=1时,表示两节点数据相差较大,当cij=0时,表示两节点数据相似;结合节点j的可能状态Tj和节点i,j数据的相似性cij对节点i的状态进行准确判定,判定规则如下:
当Tij=0时,判定节点i的状态为正常,记作Ti=0;当Tij=1时,判定节点i的状态为故障,记作Ti=1;当时,节点i的状态可能为正常,也可能为故障,再根据Tij=1与Tij=0的个数来对节点i的最终状态进行判定。
2.根据权利要求1所述的基于节点预状态的无线传感器故障检测算法,其特征在于:其还包括节点状态传播方法,所述节点状态传播方法包括以下步骤:
6)状态为正常的节点,记为正常节点i,正常节点i将自身状态信息以信息包的形式发送给其所有邻居节点j;
7)步骤6)中所有邻居节点j接收到信息包后,根据公式(4)计算两个节点数据的相似性cij,并按如下规则进行判定:
由于Ti=0,若cij=0,则判定节点j的状态为正常,记作Tj=0,若cij=1,则判定节点j的状态为故障,记作Tj=1;
8)状态为正常的邻居节点,重复步骤6)进行状态扩散,直至所有节点状态全部检查出结果。
3.根据权利要求2所述的基于节点预状态的无线传感器故障检测算法,其特征在于:其还包括节点状态反馈方法,所述节点状态反馈方法为:先将传感器节点所在检测区域划分成多个小区域,并在检测区域设置一个移动传感器节点,移动传感器节点从基站出发,通过移动遍历每一个小区域以收集所有传感器节点的状态信息并传输给基站。
4.根据权利要求3所述的基于节点预状态的无线传感器故障检测算法,其特征在于:所述检测区域划分步骤如下:
9)计算所有节点的邻居节点个数,挑选邻居节点数目最多的节点作为根节点,该根节点收集其邻居节点的所有状态信息,划成一个小区域;
10)将已划分的上述节点剔除,继续计算剩余传感器节点的邻居节点数,挑选邻居节点数最多的节点作为根节点,该根节点收集其邻居节点的所有状态信息,再划成一个小区域;
11)重复步骤10),将所有传感器节点所在区域划分成多个小区域。
5.根据权利要求3所述的基于节点预状态的无线传感器故障检测算法,其特征在于:将传感器节点所在检测区域划分成多个小区域后,列出各个小区域的根节点坐标,将这些根节点的坐标看作是新的节点,使移动传感器节点遍历所有的根节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151493.1A CN109688602A (zh) | 2019-02-28 | 2019-02-28 | 基于节点预状态的无线传感器故障检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151493.1A CN109688602A (zh) | 2019-02-28 | 2019-02-28 | 基于节点预状态的无线传感器故障检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109688602A true CN109688602A (zh) | 2019-04-26 |
Family
ID=66196116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910151493.1A Withdrawn CN109688602A (zh) | 2019-02-28 | 2019-02-28 | 基于节点预状态的无线传感器故障检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109688602A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266527A (zh) * | 2019-06-11 | 2019-09-20 | 同济大学 | 基于空间相关性的传感器节点故障分类报警方法及装置 |
CN110365584A (zh) * | 2019-08-06 | 2019-10-22 | 北京润科通用技术有限公司 | 一种网络管理方法及装置 |
CN110531741A (zh) * | 2019-09-11 | 2019-12-03 | 珠海格力电器股份有限公司 | 传感器故障识别方法及存储介质 |
CN111552605A (zh) * | 2020-04-10 | 2020-08-18 | 中国建设银行股份有限公司 | 基于网络端数据流信息的故障定位方法、系统和装置 |
CN112502909A (zh) * | 2020-11-26 | 2021-03-16 | 中车永济电机有限公司 | 风力发电机故障检测方法、数采装置、服务器及系统 |
CN114599054A (zh) * | 2022-03-08 | 2022-06-07 | 北京百度网讯科技有限公司 | 一种设备异常检测方法、装置、电子设备、介质及产品 |
CN115119241A (zh) * | 2022-06-21 | 2022-09-27 | 电子科技大学 | 一种无线传感器网络链路故障检测方法 |
CN116456356A (zh) * | 2023-03-13 | 2023-07-18 | 华中科技大学 | 基于可信信息覆盖的大规模无线传感网可靠性评估方法 |
-
2019
- 2019-02-28 CN CN201910151493.1A patent/CN109688602A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
马梦莹等: "基于邻居节点预状态的无线传感器网络故障诊断算法", 《计算机应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266527A (zh) * | 2019-06-11 | 2019-09-20 | 同济大学 | 基于空间相关性的传感器节点故障分类报警方法及装置 |
CN110365584B (zh) * | 2019-08-06 | 2022-03-01 | 北京润科通用技术有限公司 | 一种网络管理方法及装置 |
CN110365584A (zh) * | 2019-08-06 | 2019-10-22 | 北京润科通用技术有限公司 | 一种网络管理方法及装置 |
CN110531741A (zh) * | 2019-09-11 | 2019-12-03 | 珠海格力电器股份有限公司 | 传感器故障识别方法及存储介质 |
CN110531741B (zh) * | 2019-09-11 | 2020-11-27 | 珠海格力电器股份有限公司 | 传感器故障识别方法及存储介质 |
CN111552605A (zh) * | 2020-04-10 | 2020-08-18 | 中国建设银行股份有限公司 | 基于网络端数据流信息的故障定位方法、系统和装置 |
CN111552605B (zh) * | 2020-04-10 | 2024-03-22 | 中国建设银行股份有限公司 | 基于网络端数据流信息的故障定位方法、系统和装置 |
CN112502909A (zh) * | 2020-11-26 | 2021-03-16 | 中车永济电机有限公司 | 风力发电机故障检测方法、数采装置、服务器及系统 |
CN112502909B (zh) * | 2020-11-26 | 2023-09-08 | 中车永济电机有限公司 | 风力发电机故障检测方法、数采装置、服务器及系统 |
CN114599054A (zh) * | 2022-03-08 | 2022-06-07 | 北京百度网讯科技有限公司 | 一种设备异常检测方法、装置、电子设备、介质及产品 |
CN114599054B (zh) * | 2022-03-08 | 2023-10-13 | 北京百度网讯科技有限公司 | 一种设备异常检测方法、装置、电子设备、介质及产品 |
CN115119241A (zh) * | 2022-06-21 | 2022-09-27 | 电子科技大学 | 一种无线传感器网络链路故障检测方法 |
CN115119241B (zh) * | 2022-06-21 | 2024-05-14 | 电子科技大学 | 一种无线传感器网络链路故障检测方法 |
CN116456356A (zh) * | 2023-03-13 | 2023-07-18 | 华中科技大学 | 基于可信信息覆盖的大规模无线传感网可靠性评估方法 |
CN116456356B (zh) * | 2023-03-13 | 2024-02-02 | 华中科技大学 | 基于可信信息覆盖的大规模无线传感网可靠性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109688602A (zh) | 基于节点预状态的无线传感器故障检测算法 | |
Muhammed et al. | An analysis of fault detection strategies in wireless sensor networks | |
Miao et al. | Agnostic diagnosis: Discovering silent failures in wireless sensor networks | |
US8634314B2 (en) | Reporting statistics on the health of a sensor node in a sensor network | |
US20120026898A1 (en) | Formatting Messages from Sensor Nodes in a Sensor Network | |
Flushing et al. | A mobility-assisted protocol for supervised learning of link quality estimates in wireless networks | |
Shrestha et al. | Infrastructure communication reliability of wireless sensor networks considering common-cause failures | |
CN102684902B (zh) | 基于探针预测的网络故障定位方法 | |
CN105954650A (zh) | 配电网故障定位方法和系统 | |
Yu et al. | A self detection technique in fault management in WSN | |
CN104486113A (zh) | 传感器网络中基于主动和被动的贪婪故障链路定位方法 | |
Zhang et al. | Faulty sensor data detection in wireless sensor networks using logistical regression | |
Nie et al. | Passive diagnosis for WSNs using data traces | |
Xiao et al. | A Review on fault diagnosis in wireless sensor networks | |
Banerjee et al. | DFDNM: A distributed fault detection and node management scheme for wireless sensor network | |
CN104168599B (zh) | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 | |
Manzanilla-Salazar et al. | ENodeB failure detection from aggregated performance KPIs in smart-city LTE infrastructures | |
Zhang et al. | Lossy links diagnosis for wireless sensor networks by utilising the existing traffic information | |
Naskath et al. | Coverage maintenance using mobile nodes in clustered wireless sensor networks | |
Yang et al. | A reliable soil moisture sensing methodology for agricultural irrigation | |
Farhat et al. | On the topology effects in wireless sensor networks based prognostics and health management | |
Bhatti et al. | Model checking of a target tracking protocol for wireless sensor networks | |
Behnke et al. | Efficient localized detection of erroneous nodes (ELDEN) | |
CN109922492A (zh) | 基于移动充电传感器的无线传感器故障检测方法 | |
Hamdan et al. | Online data fault detection for wireless sensor networks-case study |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190426 |
|
WW01 | Invention patent application withdrawn after publication |