CN112399367A - 一种抗干扰的大型设备结构安全检测方法 - Google Patents
一种抗干扰的大型设备结构安全检测方法 Download PDFInfo
- Publication number
- CN112399367A CN112399367A CN202011228134.0A CN202011228134A CN112399367A CN 112399367 A CN112399367 A CN 112399367A CN 202011228134 A CN202011228134 A CN 202011228134A CN 112399367 A CN112399367 A CN 112399367A
- Authority
- CN
- China
- Prior art keywords
- detection
- data
- sensor
- safety detection
- equipment
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
-
- 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
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Abstract
本发明公开了一种抗干扰的大型设备结构安全检测方法,其算法包括如下步骤:无线传感器网络将传感器采集到的各类数据采用TCP/IP协议以无线方式发送给便携式智能安全检测设备;智能检测设备对数据处理后给出检测与评估结果,并将结果送往数据处理中心;用户可通过网络终端查看或下达指令。本发明融合多源数据,从空间和时间两个维度对节点数据提取特征,建立空间和时间相关性,提出了基于置信规则库的无线传感器节点故障检测模型。实验结果证明该方法减少了噪声等不确定性信息对故障检测准确率的影响,提高了故障检测的精度。
Description
技术领域
本发明涉及设备检测技术领域,特别涉及一种抗干扰的大型设备结构安全检测方法。
背景技术
无线传感器通过无线网络采集到的数据必然存在各种不确定性、错误,包括无线传输过程中的噪声污染、传感器本身的离群点故障和固定值故障,以及专家知识的模糊性,都会导致各类检测算法的检测精度下降。因此,本文针对无线传感器网络数据存在的上述不确定,提出一种有效的安全检测算法。
发明内容
本发明的目的在于提供一种针对无线传感器网络采集的数据存在不确定性的现实情况(偏移故障、高噪声故障、离群点故障和固定值故障),提出了一种基于置信规则库的、抗干扰的大型设备结构安全检测方法,利用置信规则库构建无线传感器节点故障检测模型,完成目标对象的故障检测任务,可以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种抗干扰的大型设备结构安全检测方法,其算法包括如下步骤:
步骤1:无线传感器网络将传感器采集到的各类数据采用TCP/IP协议以无线方式发送给便携式智能安全检测设备;
步骤2:智能检测设备对数据处理后给出检测与评估结果,并将结果送往数据处理中心;
步骤3:用户可通过网络终端查看或下达指令。
进一步地,还包括检测系统,该检测系统包括:
无线传感器,无线传感器通过无线方式组成一个无线传感器局域网络,采集多源异构数据;
便携式智能安全检测设备,由包含安全检测算法的数据处理板、液晶显示模块、通信模块组成,其中数据处理板采用高速DSP芯片作为中央处理器,在FLASH上嵌入基于置信规则库的大型设备结构安全检测算法,对目标设备的安全性进行检测与评估;通信模块用于无线传感器采集的数据与便携式智能安全检测设备之间的通信,液晶显示模块用于便携式智能安全检测设备的数据显示;
数据处理中心,可通过有线或无线方式接收便携式智能检测设备采集到数据及检测结果保存到数据库中,数据处理中心服务器上安装有专门开发的软件,可根据积累的大量历史数据进行大数据分析,进一步对检测目标形成远期安全性预测。
进一步地,无线传感器包括压力传感器、形变位移传感器、气体检测传感器、声发射传感器。
进一步地,步骤3的网络终端包括计算机、智能手机、Pad。
与现有技术相比,本发明的有益效果是:
本发明融合多源数据,从空间和时间两个维度对节点数据提取特征,建立空间和时间相关性,提出了基于置信规则库的无线传感器节点故障检测模型。实验结果证明该方法减少了噪声等不确定性信息对故障检测准确率的影响,提高了故障检测的精度。
附图说明
图1为本发明的检测系统构结构图;
图2为本发明的MSE值比较示意图;
图3为本发明的检测准确率比较示意图;
图4为本发明的错检率比较示意图。
具体实施方式
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、完整地描述,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。基于本发明中的实施例,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实施例,都属于本发明保护的范围。
一种抗干扰的大型设备结构安全检测方法,其算法包括如下步骤:
步骤1:无线传感器网络将传感器采集到的各类数据采用TCP/IP协议以无线方式发送给便携式智能安全检测设备;
步骤2:智能检测设备对数据处理后给出检测与评估结果,并将结果送往数据处理中心;
步骤3:用户可通过网络终端(其它计算机、智能手机、Pad等)查看或下达指令。
如图1,检测系统包括:
无线传感器,无线传感器通过无线方式组成一个无线传感器局域网络,采集多源异构数据。
便携式智能安全检测设备,由包含安全检测算法的数据处理板、液晶显示模块、通信模块组成,其中数据处理板采用高速DSP芯片作为中央处理器,在FLASH上嵌入基于置信规则库的大型设备结构安全检测算法,对目标设备的安全性进行检测与评估;通信模块用于无线传感器采集的数据与便携式智能安全检测设备之间的通信,液晶显示模块用于便携式智能安全检测设备的数据显示。
数据处理中心,可通过有线或无线方式接收便携式智能检测设备采集到数据及检测结果保存到数据库中,数据处理中心服务器上安装有专门开发的软件,可根据积累的大量历史数据进行大数据分析,进一步对检测目标形成远期安全性预测。
无线传感器包括压力传感器、形变位移传感器、气体检测传感器、声发射传感器。
安全检测算法包括如下步骤:
置信规则库(BRB)的建模依赖于一系列的置信规则,其中第k条置信规则可以描述如式(1)所示:
其中:Rk表示产生式系统中置信规则库模型的第k条置信规则;x1,x2,L,xM为一个传感器所采集样本的M个前提属性(如压力、加速度、回波、时间等等);A1,A2,L,AM表示M个前提属性对应的参考值;D1,D2,L,DM表示置信规则库输出的N个结果;β1,β2,L,βM表示在第k条置信规则下第N个结果对应的置信度(所在区间为[0,1]);θk为第k条置信规则的规则权重;δ1,δ2,L,δM表示每个前提属性的属性权重。
为了使用式(1)进行检测,在构建全部置信库时需要推理算法。本发明采用证据推理算法完成:
(1)计算规则匹配度
(2)计算激活规则的激活权
(3)ER解析算法进行规则融合
(4)效用计算得出结果
实验结果:
利用Intel Lab Data无线传感器数据集进行了实验,将168组已标签样本组成测试集84组、模型训练样本84组,各占50%。
(1)自测实验
重复了50轮实验,每轮最大迭代次数为2000次,使用四个指标进行性能描述以准确地衡量故障检测方法的性能:均方误差(ψ)、检测准确率(τ)、故障检出率(γ)和错检率(ρ)。
经过计算,得到4个性能衡量指标(MSE、检测准确率、故障检出率、故障错检率)计算结果如表1所示。
表1.本文方法的性能指标
(2)对比实验
除正常数据外,数据不确定性分为四种类型:偏移故障、高噪声故障、离群点故障和固定值故障。使用此数据进行了对比实验,对比对象为KNN神经网络、随机森林(RF)神经网络、极限学习机(ELM)和BP神经网络。KNN神经网络、RF神经网络、ELM和BP神经网络是典型的数据驱动方法,每轮测试的迭代次数为2000次,每种方法都进行了10轮测试。测试后通过计算不同方法的各项性能指标(MSE、故障检测准确率、故障错检率)平均数值,故障检出率都为1,此处忽略比较。其余性能指标MSE、检测准确率、错检率的均值对比如图2~4所示。
通过4个指标的比较,可以看出本发明的基于BRB的WSN节点故障检测方法相比其他四种方法,具有最高的平均检测准确率、最低的平均MSE值和最低的平均错检率,主要指标10轮测试平均值如表2所示。
表2性能指标平均值对比表
通过表2和图2~4对5种方法的性能进行观察比较,发现本发明的方法在数据存在不确定性的情况下相较KNN、RF、ELM以及BP神经网络而言具有更高的故障检测精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种抗干扰的大型设备结构安全检测方法,其特征在于,其算法包括如下步骤:
步骤1:无线传感器网络将传感器采集到的各类数据采用TCP/IP协议以无线方式发送给便携式智能安全检测设备;
步骤2:智能检测设备对数据处理后给出检测与评估结果,并将结果送往数据处理中心;
步骤3:用户可通过网络终端查看或下达指令。
2.如权利要求1所述的抗干扰的大型设备结构安全检测方法,其特征在于,还包括检测系统,该检测系统包括:
无线传感器,无线传感器通过无线方式组成一个无线传感器局域网络,采集多源异构数据;
便携式智能安全检测设备,由包含安全检测算法的数据处理板、液晶显示模块、通信模块组成,其中数据处理板采用高速DSP芯片作为中央处理器,在FLASH上嵌入基于置信规则库的大型设备结构安全检测算法,对目标设备的安全性进行检测与评估;通信模块用于无线传感器采集的数据与便携式智能安全检测设备之间的通信,液晶显示模块用于便携式智能安全检测设备的数据显示;
数据处理中心,可通过有线或无线方式接收便携式智能检测设备采集到数据及检测结果保存到数据库中,数据处理中心服务器上安装有专门开发的软件,可根据积累的大量历史数据进行大数据分析,进一步对检测目标形成远期安全性预测。
3.如权利要求2所述的抗干扰的大型设备结构安全检测方法,其特征在于,无线传感器包括压力传感器、形变位移传感器、气体检测传感器、声发射传感器。
4.如权利要求1所述的抗干扰的大型设备结构安全检测方法,其特征在于,步骤3的网络终端包括计算机、智能手机、Pad。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228134.0A CN112399367A (zh) | 2020-11-06 | 2020-11-06 | 一种抗干扰的大型设备结构安全检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228134.0A CN112399367A (zh) | 2020-11-06 | 2020-11-06 | 一种抗干扰的大型设备结构安全检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112399367A true CN112399367A (zh) | 2021-02-23 |
Family
ID=74598265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011228134.0A Pending CN112399367A (zh) | 2020-11-06 | 2020-11-06 | 一种抗干扰的大型设备结构安全检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112399367A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888408A (zh) * | 2010-06-13 | 2010-11-17 | 苏州阊亦宏环保科技有限公司 | 一种基于无线传感器网络的环境监测系统 |
US20110234380A1 (en) * | 2010-03-26 | 2011-09-29 | Seiko Epson Corporation | Data collection system and wireless tag |
CN103124105A (zh) * | 2012-03-27 | 2013-05-29 | 湖南大学 | 一种面向智能变电站设备状态监测的无线智能传感器网络系统 |
CN103558352A (zh) * | 2013-11-01 | 2014-02-05 | 华北水利水电大学 | 一种基于移动终端的便携式水质分析仪 |
EP3553613A1 (en) * | 2016-12-09 | 2019-10-16 | DMG Mori Co., Ltd. | Information processing method, information processing system, and information processing device |
-
2020
- 2020-11-06 CN CN202011228134.0A patent/CN112399367A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110234380A1 (en) * | 2010-03-26 | 2011-09-29 | Seiko Epson Corporation | Data collection system and wireless tag |
CN101888408A (zh) * | 2010-06-13 | 2010-11-17 | 苏州阊亦宏环保科技有限公司 | 一种基于无线传感器网络的环境监测系统 |
CN103124105A (zh) * | 2012-03-27 | 2013-05-29 | 湖南大学 | 一种面向智能变电站设备状态监测的无线智能传感器网络系统 |
CN103558352A (zh) * | 2013-11-01 | 2014-02-05 | 华北水利水电大学 | 一种基于移动终端的便携式水质分析仪 |
EP3553613A1 (en) * | 2016-12-09 | 2019-10-16 | DMG Mori Co., Ltd. | Information processing method, information processing system, and information processing device |
Non-Patent Citations (1)
Title |
---|
贺维: "无线传感器网络可靠性评估方法研究", 《万方数据库》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
US20220082545A1 (en) | Total Nitrogen Intelligent Detection Method Based on Multi-objective Optimized Fuzzy Neural Network | |
CN109240274B (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
US11875246B2 (en) | Intelligent FODAS system and method based on AI chip | |
CN105974273A (zh) | 配电网故障定位系统 | |
CN110260774A (zh) | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 | |
CN114659621B (zh) | 一种桥梁振动监测装置 | |
CN110336860A (zh) | 工业物联网中基于多维数据处理的关键节点数据保护方法 | |
CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN112129893B (zh) | 一种电池热失控监测系统的co传感器在线校准方法 | |
CN117278150A (zh) | 一种室内无线网络信号测量计算方法、设备和介质 | |
CN112399367A (zh) | 一种抗干扰的大型设备结构安全检测方法 | |
CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
CN116010800A (zh) | 一种量化候选漏损节点检测优先级的漏点分析方法 | |
CN115275977A (zh) | 一种用电负荷预测方法及装置 | |
CN113610167A (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
CN112613224A (zh) | 桥梁结构检测模型的训练方法、检测方法、装置、设备 | |
CN111539516A (zh) | 基于大数据处理的电网故障诊断系统及方法 | |
CN104516858A (zh) | 一种非线性动力学行为分析的相图矩阵方法 | |
Xiaomei et al. | A software intelligence level evaluation method based on analytic hierarchy process and principal component analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |