CN110081923B - 野外基线环境参数自动采集系统故障检测方法与装置 - Google Patents
野外基线环境参数自动采集系统故障检测方法与装置 Download PDFInfo
- Publication number
- CN110081923B CN110081923B CN201910410647.4A CN201910410647A CN110081923B CN 110081923 B CN110081923 B CN 110081923B CN 201910410647 A CN201910410647 A CN 201910410647A CN 110081923 B CN110081923 B CN 110081923B
- Authority
- CN
- China
- Prior art keywords
- sensor
- state
- value
- detected
- measured
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Abstract
本发明提供一种野外基线环境参数自动采集系统故障检测方法与装置,属于环境参数自动采集系统故障检测技术领域。该方法包括:获取待测传感器的状态实测值;获取待测传感器的相邻两个传感器的状态实测值;利用相邻两个传感器的状态实测值计算相邻两个传感器的平均样本熵,作为待测传感器的状态观测值;结合待测传感器的状态方程、观测方程和所述待测传感器的状态观测值,利用粒子滤波算法计算待测传感器的状态估计值;将待测传感器的状态实测值与状态估计值进行对比,当待测传感器的状态实测值偏离状态估计值时,判断待测传感器发生故障。本发明的故障检测方法对传感器的故障具有较好的检测能力。
Description
技术领域
本发明涉及一种野外基线环境参数自动采集系统故障检测方法与装置,属于环境参数自动采集系统故障检测技术领域。
背景技术
野外基线环境参数自动采集系统,通过在基线沿线密集地布设高精度气象传感器(包括温度传感器、湿度传感器和气压传感器等)来精确测量温度、湿度及气压等环境参数,以进行空气折射率修正(其中,温度测量误差对空气折射率的影响最大),进而提高光电测距仪等精密测距仪的测量精度。
野外基线环境参数自动采集系统中有着数量众多的温湿度传感器,众多传感器的测量准确度与稳定工作是建成高精度测距基线的基础,但是这些传感器的检定周期一般为1年,检定周期较长,又由于传感器长时间暴露在室外,因此在检定周期内传感器仍存在故障的可能,传感器一旦发生故障就难以稳定工作,也难以保证其采集数据的精度,也就无法实现高精度基线校准。因此,在野外基线环境参数自动采集系统上开展传感器故障检测具有重要的现实意义。
现有技术中,为了判断某个传感器是否出现故障,需要对传感器采集的数据进行分析,通常认为与待测传感器距离相近的两个传感器所采集的数据与待测传感器采集的数据相似,因而直接用与待测传感器相邻的两个传感器所采集的数据判断待测传感器是否故障。但是实践中发现,即使两个传感器的距离相近,在光照、阴影、局部气流流动等各种因素的影响下,这两个传感器采集的数据还是会存在较大差别,因此采用上述传感器故障检测方法进行传感器故障检测时,检测结果会存在较大误差,难以准确检测出故障传感器。
发明内容
本发明的目的是提供一种野外基线环境参数自动采集系统故障检测方法,用以解决现有技术中传感器故障检测方法的检测结果误差大的问题;本发明还提供一种野外基线环境参数自动采集系统故障检测装置,用以解决现有技术中传感器故障检测方法的检测结果误差大的问题。
为实现上述目的,本发明提供了一种野外基线环境参数自动采集系统故障检测方法,该方法包括以下步骤:
获取待测传感器在一个时间段内采集的一组数据,作为待测传感器的状态实测值;
获取待测传感器的相邻两个传感器在相同时间段内采集的一组数据,分别作为相邻两个传感器的状态实测值;
利用相邻两个传感器的状态实测值计算相邻两个传感器的平均样本熵,作为待测传感器的状态观测值;
结合待测传感器的状态方程、观测方程和所述待测传感器的状态观测值,利用粒子滤波算法计算待测传感器的状态估计值;
将待测传感器的状态实测值与状态估计值进行对比,当待测传感器的状态实测值偏离状态估计值时,判断待测传感器发生故障。
本发明还提供了一种野外基线环境参数自动采集系统故障检测装置,该装置包括处理器和存储器,所述处理器用于运行存储在所述存储器中的程序指令,以实现以上野外基线环境参数自动采集系统故障检测方法。
本发明的有益效果是:本发明的故障检测方法与传统传感器的故障检测方法相比,结合野外基线环境参数自动采集系统中同一传感器在相邻时刻采集的数据存在着某种关联,以及位置相邻的传感器在同一时刻采集的数据虽然不一定相同,但其变化规律具有相似性,在利用样本熵方法构造传感器的状态方程的基础上,提出了基于粒子滤波算法的野外基线环境参数自动采集系统故障检测方法,通过判断待测传感器的状态实测值是否偏离状态估计值实现了对传感器是否故障的判断,对传感器的故障具有较好的检测能力。
为了实现样本熵的计算,进一步地,在上述野外基线环境参数自动采集系统故障检测方法与装置中,样本熵计算模型为:Sk=ln xk-1-ln xk,式中,xk-1、xk分别为传感器在k-1时刻、k时刻的状态实测值,Sk为传感器在k时刻的样本熵。
为了实现传感器输出偏移故障的判断,进一步地,在上述野外基线环境参数自动采集系统故障检测方法与装置中,当待测传感器的状态实测值偏离状态估计值为:状态实测值与状态估计值的差值是恒定值,则判断待测传感器出现输出偏移故障。
为了实现传感器饱和故障的判断,进一步地,在上述野外基线环境参数自动采集系统故障检测方法与装置中,当待测传感器的状态实测值偏离状态估计值为:状态实测值是恒定值,而状态估计值是非恒定值,则判断待测传感器出现饱和故障。
为了实现传感器输出中断故障的判断,进一步地,在上述野外基线环境参数自动采集系统故障检测方法与装置中,当待测传感器的状态实测值偏离状态估计值为:待测传感器停止输出数据,则判断待测传感器出现输出中断故障。
附图说明
图1是本发明方法实施例中野外基线环境参数自动采集系统的传感器布局示意图;
图2是本发明方法实施例中野外基线环境参数自动采集系统故障检测方法的流程图;
图3是本发明方法实施例中待测传感器实测数据的故障检测结果图;
图4是本发明方法实施例中待测传感器实测数据的粒子滤波误差结果图;
图5是本发明方法实施例中待测传感器模拟b故障的故障检测结果图;
图6是本发明方法实施例中待测传感器模拟b故障的粒子滤波误差结果图;
图7是本发明方法实施例中待测传感器模拟c故障的故障检测结果图;
图8是本发明方法实施例中待测传感器模拟c故障的粒子滤波误差结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例对本发明进行进一步详细说明。
方法实施例:
本实施例结合野外基线环境参数自动采集系统中同一传感器在相邻时刻采集的数据存在着某种关联,以及位置相邻的传感器在同一时刻采集的数据的变化规律具有相似性,在利用样本熵方法构造传感器的状态方程的基础上,提出了基于粒子滤波算法的野外基线环境参数自动采集系统故障检测方法(以下简称故障检测方法)。
其中,粒子滤波算法是一种基于蒙特卡洛方法的递推贝叶斯滤波算法,其核心思想是通过从状态空间中寻找的一系列随机样本来近似系统状态的概率密度函数,以样本均值代替积分运算,从而获得状态的最小方差估计。从状态空间中抽取的样本称为“粒子”,一般随着粒子数目的增多,粒子的概率密度函数就逐渐逼近系统状态的概率密度函数,从而达到最优贝叶斯估计的效果。
假设被观测对象的状态可以通过以下非线性离散系统来描述:
xt=f(xt-1,wt-1) (1)
yt=h(xt,vt) (2)
其中,公式(1)为系统的状态方程,f()为状态函数,xt-1是系统在t-1时刻的状态变量,wt-1为对应的过程噪声;公式(2)为系统的观测方程;h()为观测函数,yt是系统在t时刻的观测值,vt为对应的观测噪声。
粒子滤波算法的一般流程为:
如图2所示,本实施例的故障检测方法包括以下步骤:
获取待测传感器在一个时间段内采集的一组数据,作为待测传感器的状态实测值;
获取待测传感器的相邻两个传感器在相同时间段内采集的一组数据,分别作为相邻两个传感器的状态实测值;
利用相邻两个传感器的状态实测值计算相邻两个传感器的平均样本熵,作为待测传感器的状态观测值;
结合待测传感器的状态方程、观测方程和所述待测传感器的状态观测值,利用粒子滤波算法计算待测传感器的状态估计值;
将待测传感器的状态实测值与状态估计值进行对比,当待测传感器的状态实测值偏离状态估计值时,判断待测传感器发生故障。
本实施例建设的野外基线环境参数自动采集系统(以下简称采集系统)如图1所示,下面详细介绍利用样本熵方法构造该采集系统中传感器的状态方程的过程。
如图1所示,本实施例中,建设野外基线环境参数自动采集系统时,在野外基线沿线布置了11个基线观测点,每个基线观测点布置1个观测墩,共11个观测墩K1-K10,每个观测墩的具体布置位置如图1中黑色圆点所示,其中,观测墩K1到K10之间的距离约为1140m;按照60m间隔,均匀布置20个温湿度传感器TH1-TH20,每个温湿度传感器的具体布置位置如图1中黑色方框所示,温湿度传感器的型号为JZH-0HB-SN,其温度准确度为±0.1℃(23℃),湿度准确度为±0.8%RH(0%RH~100%RH,23℃);布置1个气压传感器(其具体布置位置可根据实际需要设置,例如将其布设在野外基线中间的位置),气压传感器的型号为JQYB-W1SN,其准确度为0.25级。其中,温湿度传感器和气压传感器的采样间隔均为60秒。
由于本实施例的采集系统中选用的是集温度采集功能和湿度采集功能于一体的温湿度传感器,那么温湿度传感器采集的数据就包括温度数据和湿度数据,为便于理解和分析,本实施例中在构造传感器的状态方程时仅考虑温湿度传感器采集的温度数据,利用湿度数据构造传感器的状态方程的过程与此类似,这里不再赘述。
由于采集系统中传感器采集的温度数据可以被理解为时间序列数据,且同一传感器在相邻时刻采集的温度数据存在着某种关联,而样本熵能够度量时间序列复杂度,可用于衡量下一时刻温度数据的变化率,其中,样本熵的计算模型如下:
Sk=ln xk-1-ln xk (6)
式中,xk-1、xk分别为传感器在k-1时刻、k时刻的状态变量(即状态实测值),Sk为传感器在k时刻的样本熵。
又由于本实施例的采集系统中,相邻两个传感器的间距为60米,因此,可认为位置相邻的传感器在同一时刻采集的温度数据的变化规律具有相似性,即有S1,k=S2,k=…=S20,k,其中,S1,k、S2,k、…、S20,k分别为采集系统中温湿度传感器TH1、TH2、…、TH20在k时刻的样本熵。
那么,根据公式(6)所示的样本熵计算模型,本实施例的采集系统中传感器的状态方程为:
观测方程(也称测量方程)为:
yk=xk+vk (8)
公式(7)和公式(8)中,wk-1为与xk-1对应的过程噪声,yk为传感器在k时刻的观测值(也称测量值),vk为与yk对应的观测噪声(也称测量噪声),噪声均是独立同分布的。
作为其他实施方式,样本熵计算模型还可以根据实际需要选取其他的模型,当样本熵计算模型改变时,采集系统中传感器的状态方程也要做相应改变。
结合传感器的状态方程和观测方程,利用粒子滤波算法能通过传感器的观测值估计传感器的状态,并期望所得的滤波结果(即传感器状态的估计值)接近传感器的真实状态值,其中粒子滤波算法为现有技术,其一般实施过程可参照上述“粒子滤波算法的一般流程”,本实施例中粒子滤波算法的参数设置如表1所示:
表1粒子滤波模型的参数设置表
下面详细介绍利用本实施例的故障检测方法对采集系统中的传感器进行故障检测的过程。
本实施例中,选取观测墩K8附近的温湿度传感器(即TH5)作为待测传感器,本实施例的TH5是温湿度传感器,同时具备温度采集功能和湿度采集功能,下面仅对TH5采集的温度数据(即气温)进行分析以判断TH5是否故障,进而验证本实施例的故障检测方法的故障检测能力,其中,利用湿度数据判断TH5是否故障的过程与温度数据类似,这里不再赘述。
首先,获取TH5一天的实测数据,作为TH5的状态实测值,记为xk。由于采样间隔为60秒,即1min,采样时间为一天,因此k=1,2,1440。作为其他实施方式,采样时间还可以根据实际需要调整,例如采样时间为4小时或8小时等。
接着,获取与TH5位置相邻的两个传感器(即TH4和TH6)在同一天的实测数据,分别作为TH4和TH6的状态实测值,分别记为Ak和Bk。
本实施例中的参数设置如下:TH5的状态方程见公式(7),考虑到模型误差,设置过程噪声方差Q=0.04;TH5的观测方程见公式(8),考虑到温湿度传感器的温度准确度为±0.1℃,设置测量噪声方差R=0.01;令观测时长同采样时间也为一天,观测间隔为1min,则共有1440个观测时刻,并且考虑到设置的粒子数目过少会使算法精度下降,粒子数目过多则会导致计算速度变慢,设置粒子个数N=200,即每个时刻的采样粒子数为200。
(1)设置迭代初始值。
令TH5的状态初始值为x1,即采样时刻为k=1时TH5的状态实测值;令xpart1是初始状态为x1、方差为P的高斯分布(方差P的大小可根据实际需要设置),randn代表随机数,该随机数服从标准正态分布且其变化区间为[0-1];那么根据高斯分布可采样得到TH5在k=1时刻的N个粒子
(2)利用TH5的样本熵Sk,计算k时刻TH5的状态值xk:
(3)利用步骤(2)中求得的xk,计算k时刻TH5的真实观测值yk:
(4)重要性采样。
TH5一天的气温实测值与气温估计值(即状态实测值与状态估计值)如图3所示,图3中,横坐标为检测时间(即采样时间),纵坐标为气温,实线是气温估计值曲线,点划线是气温实测值曲线。TH5一天的粒子滤波误差如图4所示,其中,某时刻的粒子滤波误差为对应时刻的气温实测值与气温估计值的差值的绝对值。
本实施例中,设置粒子滤波误差阈值K=1.5(其中,粒子滤波误差阈值可根据实际需要设置),从图3和图4可以看出,气温估计值曲线和气温实测值曲线走势基本一致,没有出现较大偏差,且粒子滤波误差小于1℃,即粒子滤波误差小于粒子滤波误差阈值,说明TH5没有出现故障。
假设本实施例的野外基线环境参数自动采集系统中的所有传感器已在近期检定合格,为了进一步测试本实施例的故障检测方法的故障检测能力,定义输出中断故障(简称a故障)、饱和故障(简称b故障)、输出偏移故障(简称c故障)三种故障类型,每种故障的含义如下:
(1)传感器停止输出数据(即数据传输中断)时,代表传感器出现a故障;
(2)传感器的状态实测值为恒定值(即传感器的输出数据值为恒定值),而状态估计值为非恒定值时,代表传感器出现b故障,其故障模型如下:
(3)传感器的状态实测值与状态估计值的差值为恒定值时(即传感器的输出数据值恒增或恒减),代表传感器出现c故障,其故障模型如下:
公式(9)和公式(10)中,i、k均代表时刻,xi为传感器在i时刻的输出数据值,xi'为i时刻环境的真实温度值,C为常数。
下面验证本实施例的故障检测方法对a故障、b故障和c故障的检测能力。
在实际应用过程中,可对传感器输出的数据进行直接观测以判断传感器是否出现a故障,具体地,当观测到传感器在某个时刻后不再输出数据,即表示传感器出现a故障。
令待测传感器模拟b故障,此时模拟得到的待测传感器的气温实测值曲线如图5中点划线所示,利用本实施例的故障检测方法得到的待测传感器的气温估计值曲线如图5中的实线所示,粒子滤波误差曲线如图6所示。
令待测传感器模拟c故障,此时待测传感器的模拟气温实测值曲线如图7中点划线所示,利用本实施例的故障检测方法得到的待测传感器的气温估计值曲线如图7中的实线所示,粒子滤波误差曲线如图8所示。
本实施例中,设置粒子滤波误差阈值K=1.5,若i>k时,粒子滤波误差Errori>K,即认为传感器的状态实测值偏离状态估计值,即可初步判断传感器有故障;接着,对故障类型进行判断:
当Errori=Ci,且Errori的变化幅度较大,判断为b故障,Ci为传感器输出恒定值与环境的真实温度值之差,随气温变化而变化;
当Errori≈C,且Errori的变化幅度较小,判断为c故障,C为传感器输出的恒增值或恒减值。
通过实测数据和模拟数据的验证,本实施例提出的故障检测方法具有良好的故障检测效果,便于及时排除故障设备、及时送检维修,便于维护采集系统的正常运转。
本实施例的故障检测方法与传统传感器的故障检测方法相比,综合考虑了数量众多的传感器之间的关联,并通过判断待测传感器的状态实测值是否偏离状态估计值实现了对传感器是否故障的判断,对传感器的故障具有较好的检测能力。
装置实施例:
本实施例的野外基线环境参数自动采集系统故障检测装置,包括处理器和存储器,处理器用于运行存储在存储器中的程序指令,以实现如下方法:
获取待测传感器在一个时间段内采集的一组数据,作为待测传感器的状态实测值;
获取待测传感器的相邻两个传感器在相同时间段内采集的一组数据,分别作为相邻两个传感器的状态实测值;
利用相邻两个传感器的状态实测值计算相邻两个传感器的平均样本熵,作为待测传感器的状态观测值;
结合待测传感器的状态方程、观测方程和所述待测传感器的状态观测值,利用粒子滤波算法计算待测传感器的状态估计值;
将待测传感器的状态实测值与状态估计值进行对比,当待测传感器的状态实测值偏离状态估计值时,判断待测传感器发生故障。
其中,该方法的实施过程与方法实施例中野外基线环境参数自动采集系统故障检测方法的实施过程相同,此处不再赘述。
Claims (10)
1.一种野外基线环境参数自动采集系统故障检测方法,其特征在于,该方法包括以下步骤:
获取待测传感器在一个时间段内采集的一组数据,作为待测传感器的状态实测值;
获取待测传感器的相邻两个传感器在相同时间段内采集的一组数据,分别作为相邻两个传感器的状态实测值;
利用相邻两个传感器的状态实测值计算相邻两个传感器的平均样本熵,作为待测传感器的状态观测值;
结合待测传感器的状态方程、观测方程和所述待测传感器的状态观测值,利用粒子滤波算法计算待测传感器的状态估计值;
将待测传感器的状态实测值与状态估计值进行对比,当待测传感器的状态实测值偏离状态估计值时,判断待测传感器发生故障。
2.根据权利要求1所述的野外基线环境参数自动采集系统故障检测方法,其特征在于,样本熵计算模型为:Sk=ln xk-1-ln xk,式中,xk-1、xk分别为传感器在k-1时刻、k时刻的状态实测值,Sk为传感器在k时刻的样本熵。
3.根据权利要求1或2所述的野外基线环境参数自动采集系统故障检测方法,其特征在于,当待测传感器的状态实测值偏离状态估计值为:状态实测值与状态估计值的差值是恒定值,则判断待测传感器出现输出偏移故障。
4.根据权利要求1或2所述的野外基线环境参数自动采集系统故障检测方法,其特征在于,当待测传感器的状态实测值偏离状态估计值为:状态实测值是恒定值,而状态估计值是非恒定值,则判断待测传感器出现饱和故障。
5.根据权利要求1或2所述的野外基线环境参数自动采集系统故障检测方法,其特征在于,当待测传感器的状态实测值偏离状态估计值为:待测传感器停止输出数据,则判断待测传感器出现输出中断故障。
6.一种野外基线环境参数自动采集系统故障检测装置,其特征在于,该装置包括处理器和存储器,所述处理器用于运行存储在所述存储器中的程序指令,以实现如下方法:
获取待测传感器在一个时间段内采集的一组数据,作为待测传感器的状态实测值;
获取待测传感器的相邻两个传感器在相同时间段内采集的一组数据,分别作为相邻两个传感器的状态实测值;
利用相邻两个传感器的状态实测值计算相邻两个传感器的平均样本熵,作为待测传感器的状态观测值;
结合待测传感器的状态方程、观测方程和所述待测传感器的状态观测值,利用粒子滤波算法计算待测传感器的状态估计值;
将待测传感器的状态实测值与状态估计值进行对比,当待测传感器的状态实测值偏离状态估计值时,判断待测传感器发生故障。
7.根据权利要求6所述的野外基线环境参数自动采集系统故障检测装置,其特征在于,样本熵计算模型为:Sk=ln xk-1-ln xk,式中,xk-1、xk分别为传感器在k-1时刻、k时刻的状态实测值,Sk为传感器在k时刻的样本熵。
8.根据权利要求6或7所述的野外基线环境参数自动采集系统故障检测装置,其特征在于,当待测传感器的状态实测值偏离状态估计值为:状态实测值与状态估计值的差值是恒定值,则判断待测传感器出现输出偏移故障。
9.根据权利要求6或7所述的野外基线环境参数自动采集系统故障检测装置,其特征在于,当待测传感器的状态实测值偏离状态估计值为:状态实测值是恒定值,而状态估计值是非恒定值,则判断待测传感器出现饱和故障。
10.根据权利要求6或7所述的野外基线环境参数自动采集系统故障检测装置,其特征在于,当待测传感器的状态实测值偏离状态估计值为:待测传感器停止输出数据,则判断待测传感器出现输出中断故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410647.4A CN110081923B (zh) | 2019-05-16 | 2019-05-16 | 野外基线环境参数自动采集系统故障检测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910410647.4A CN110081923B (zh) | 2019-05-16 | 2019-05-16 | 野外基线环境参数自动采集系统故障检测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110081923A CN110081923A (zh) | 2019-08-02 |
CN110081923B true CN110081923B (zh) | 2021-03-02 |
Family
ID=67420571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910410647.4A Active CN110081923B (zh) | 2019-05-16 | 2019-05-16 | 野外基线环境参数自动采集系统故障检测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110081923B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3974738B1 (en) * | 2019-08-14 | 2024-04-03 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling electronic device |
CN111024904A (zh) * | 2019-12-31 | 2020-04-17 | 广东寻健检测技术有限公司 | 一种室内空气质量检测装置及方法 |
CN112235924A (zh) * | 2020-09-25 | 2021-01-15 | 深圳星标科技股份有限公司 | 传感器故障处理方法及相关装置 |
CN114414023A (zh) * | 2021-12-30 | 2022-04-29 | 北京万集科技股份有限公司 | 传感器异常诊断方法及装置、存储介质 |
CN116227752B (zh) * | 2023-05-09 | 2023-10-20 | 安徽必喀秋软件技术有限公司 | 一种基于物联网的园区设施管理系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247285A (zh) * | 2008-03-20 | 2008-08-20 | 中科院嘉兴中心微系统所分中心 | 一种带状无线传感器网络诊断方法 |
CN101977008A (zh) * | 2010-09-24 | 2011-02-16 | 重庆大学 | 双馈风电机组关键传感器故障的判断方法 |
JP2011185095A (ja) * | 2010-03-04 | 2011-09-22 | Toyota Motor Corp | 内燃機関の排気浄化システム |
CN102340811A (zh) * | 2011-11-02 | 2012-02-01 | 中国农业大学 | 无线传感器网络故障诊断方法 |
CN103577710A (zh) * | 2013-11-14 | 2014-02-12 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
WO2014090485A1 (fr) * | 2012-12-11 | 2014-06-19 | Renault S.A.S. | Dispositif et procede de diagnostic d'un piege a oxydes d'azote |
CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
CN109657329A (zh) * | 2018-12-14 | 2019-04-19 | 重庆大学 | 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 |
CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7917332B2 (en) * | 2007-11-12 | 2011-03-29 | Bae Systems Plc | Sensor control |
-
2019
- 2019-05-16 CN CN201910410647.4A patent/CN110081923B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247285A (zh) * | 2008-03-20 | 2008-08-20 | 中科院嘉兴中心微系统所分中心 | 一种带状无线传感器网络诊断方法 |
JP2011185095A (ja) * | 2010-03-04 | 2011-09-22 | Toyota Motor Corp | 内燃機関の排気浄化システム |
CN101977008A (zh) * | 2010-09-24 | 2011-02-16 | 重庆大学 | 双馈风电机组关键传感器故障的判断方法 |
CN102340811A (zh) * | 2011-11-02 | 2012-02-01 | 中国农业大学 | 无线传感器网络故障诊断方法 |
WO2014090485A1 (fr) * | 2012-12-11 | 2014-06-19 | Renault S.A.S. | Dispositif et procede de diagnostic d'un piege a oxydes d'azote |
CN103577710A (zh) * | 2013-11-14 | 2014-02-12 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
CN109657329A (zh) * | 2018-12-14 | 2019-04-19 | 重庆大学 | 基于改进自适应粒子滤波的传感器故障和结构损伤识别方法 |
CN109726865A (zh) * | 2018-12-27 | 2019-05-07 | 国网江苏省电力有限公司电力科学研究院 | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 |
Non-Patent Citations (6)
Title |
---|
A Cylindricity Error Evaluation Algorithm Based on Mechanical Thinking;Jianlin Wu,et.al;《2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference》;20181231;第310-313页 * |
Remaining Useful Life Prediction and State of Health Diagnosis for Lithium-Ion Batteries Using Particle Filter and Support Vector Regression;Jingwen Wei,et.al;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20180731;第5634-5643页 * |
基于传感器阵列的野外基线环境参数自动测量系统研制;陈杨 等;《计量学报》;20180731;第39卷(第4期);第455-460页 * |
基于多尺度样本熵和VPMCD的自动机故障诊断;王斐 等;《振动、测试与诊断》;20180630;第38卷(第3期);第564-569页 * |
谐波小波样本熵与HMM模型的轴承故障模式识别;李庆 等;《上海交通大学学报》;20160531;第50卷(第5期);第723-729、735页 * |
非线性系统故障诊断的粒子滤波方法;张玲霞 等;《电子学报》;20150331;第43卷(第3期);第615-619页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110081923A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
US20190072075A1 (en) | Method and device for detecting equivalent load of wind turbine | |
KR101908865B1 (ko) | 기온 측정 자료의 품질 분석방법 | |
CN108119318B (zh) | 基于机组测风系统的风机技改优化效果评估方法及其系统 | |
KR20220093597A (ko) | IoT기반 도시기상관측자료의 품질검사 시스템 | |
CN109190901A (zh) | 基于多指标度量的可靠性评估结果的可信评价方法 | |
CN115854999A (zh) | 基于场景自适应的h-adcp断面平均流速自校正方法 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN117332205B (zh) | 压电阻抗温度补偿高精度自动优化方法及装置 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN107918704A (zh) | 电荷放大器贮存寿命预测方法、装置、存储介质和计算机设备 | |
CN115483884B (zh) | 一种批量光伏组件的功率性能评价方法及相关设备 | |
CN109193639B (zh) | 一种电力系统抗差估计方法 | |
CN107798149B (zh) | 一种飞机维修性评估方法 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN109375007B (zh) | 测控保护装置的失效评估方法、装置、设备及存储介质 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN113408216A (zh) | 湍流模型的获取方法及设备 | |
Mangara | Revisiting some computation methods for estimating the parameters of the Weibull Distribution | |
CN117091802B (zh) | 基于实测数据的风速湍流模型的标定方法 | |
CN117647694B (zh) | 一种适用于智能手表加工过程的质量检测方法 | |
CN108955743B (zh) | 一种基于机器学习提高测量设备校准精度的方法及装置 |
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 |