CN114611636A - 一种融合多种传感器信息实现测量值分析的方法 - Google Patents

一种融合多种传感器信息实现测量值分析的方法 Download PDF

Info

Publication number
CN114611636A
CN114611636A CN202210507041.4A CN202210507041A CN114611636A CN 114611636 A CN114611636 A CN 114611636A CN 202210507041 A CN202210507041 A CN 202210507041A CN 114611636 A CN114611636 A CN 114611636A
Authority
CN
China
Prior art keywords
data
sensor
information
output
data information
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.)
Granted
Application number
CN202210507041.4A
Other languages
English (en)
Other versions
CN114611636B (zh
Inventor
桑娟娟
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.)
Shenzhen Sanjiang Electric Co ltd
Original Assignee
Shenzhen Sanjiang Electric Co ltd
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 Shenzhen Sanjiang Electric Co ltd filed Critical Shenzhen Sanjiang Electric Co ltd
Priority to CN202210507041.4A priority Critical patent/CN114611636B/zh
Publication of CN114611636A publication Critical patent/CN114611636A/zh
Application granted granted Critical
Publication of CN114611636B publication Critical patent/CN114611636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种融合多种传感器信息实现测量值分析的方法，包括以下步骤：步骤1、接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；步骤2、利用大数据融合计算模型将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息；步骤3、利用BP神经网络模型对分类后的多种传感器数据实现故障诊断；步骤4、将处理后的多种传感器数据进行数据输出，以提高故障数据信息的应用能力。本发明能够融合多种数据传感器信息，将不同类型的传感器信息通过大数据融合计算模型将多种传感器数据信息进行融合计算，提高了传感器数据信息的计算能力，并通过BP神经网络诊断算法模型提高了多种数据传感器的计算能力。

Description

一种融合多种传感器信息实现测量值分析的方法
技术领域
本发明涉及测量、控制技术领域，且更确切地涉及一种融合多种传感器信息实现测量值分析的方法。
背景技术
传感器（英文名称：transducer/sensor）是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。传感器的特点包括：微型化、数字化、智能化、多功能化、系统化、网络化。它是实现自动检测和自动控制的首要环节。传感器的存在和发展，让物体有了触觉、味觉和嗅觉等感官，让物体慢慢变得活了起来。通常根据其基本感知功能分为热敏元件、光敏元件、气敏元件、力敏元件、磁敏元件、湿敏元件、声敏元件、放射线敏感元件、色敏元件和味敏元件等十大类。随着各种传感器、无线通信网络、集成电路、微机电系统等技术和生产工艺的快速发展和日益成熟,使得低成本、低功耗、多功能的微型传感器的大量生产成为可能，所以无线传感网的出现给工业生产带来较大的便利。
由于现有技术中工程测量技术大多还是处于机械测量，人工手动测量来获取本研究所需要的测量值，这种测量技术耗时费力，而且在环境较为复杂、布线人员无法到达的区域是很难实施测量的。传统工程测量领域中，还存在离线作业方式，这方式直接造成了管理难度高、作业效率低等。在存在多传感器技术领域中，如何实现传感器数据信息的分析和计算就成为亟待解决的问题。
发明内容
针对上述技术的不足，本发明公开一种融合多种传感器信息实现测量值分析的方法，该方法能够融合多种数据传感器信息，将不同类型的传感器信息通过大数据融合计算模型将多种传感器数据信息进行融合计算，提高了传感器数据信息的计算能力，并通过BP神经网络诊断算法模型提高了多种数据传感器的计算能力。
为了实现上述技术效果，本发明采用以下技术方案：
一种融合多种传感器信息实现测量值分析的方法，其中包括：
步骤1、接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；
在本步骤中，通过传感器网络节点实现多种传感器数据信息的输出，通过CSMA算法模型提高传感器数据信息传递能力，并应用MAC协议将传感器网络信道数据转发给汇聚节点，提高传感器网络信息获取能力；
步骤2、利用大数据融合计算模型将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息，并将多种传感器信息按照不同数据属性进行分类；
在本步骤中，通过数字运算方法实现多种传感器数据信息信号变换、滤波、检测、估值、调制解调的对数据处理的模块；通过卡尔曼滤波算法模型实现多种传感器数据信息目标状态高精度的测量；通过贝叶斯算法模型实现测量数据信息的分类；
步骤3、利用BP神经网络模型对分类后的多种传感器数据实现故障诊断，以实现多种传感器数据信息的分析过程；
在本步骤中，在BP神经网络模型中加入可信度检测步骤，以提高传感器数据信息分析能力；
步骤4、将处理后的多种传感器数据进行数据输出，并对诊断出的故障数据进行处理，以提高故障数据信息的应用能力。
作为本发明进一步的技术方案，在步骤2中，数字运算方法通过DSP控制模块实现数据信息计算。
作为本发明进一步的技术方案，所述CSMA算法模型实现传感器数据传递的方法为：通过CSMA算法模型输出无线传感器网络数据信息，进而反映传感器网络数据信息在传递过程中数据发送整体情况，应用的Poisson分布公式函数为：
Figure 931650DEST_PATH_IMAGE001
(1)
式（1）中，G表示无线传感器网络数据在数据传递过程中，到达汇聚节点时无线信 息分组平均到达率，e表示无线传感器网络数据信息在发布时的时隙发出概率，
Figure 763471DEST_PATH_IMAGE002
表示无线 网络传感器的节点传输能力，N表示个别数据节点网络数据输出量，
Figure 707156DEST_PATH_IMAGE003
表示网络信息空闲时 隙具有的平均个数；Z表示无线传感器网络数据在数据传递过程中，系统整体输出数据的总 量；
其中无线传感器网络数据信道空闲概率函数为：
Figure 266314DEST_PATH_IMAGE004
（2）
当无线传感器网络数据在通信时，假设通信前存在
Figure 729787DEST_PATH_IMAGE005
个数据时隙，则无线传感器网 络在数据通信时，网络信息空闲时隙具有的平均个数函数为：
Figure 716198DEST_PATH_IMAGE006
（3）
式（3）中，
Figure 147179DEST_PATH_IMAGE007
表示无线传感器网络数据在数据传递过程中，到达汇聚节点时无线信息分组效率。
作为本发明进一步的技术方案，所述卡尔曼滤波算法模型通过数据融合函数的方式实现多种传感器数据信息的融合，将不同的传感器数据信息分离为离散时间系统，则融合后的大数据函数表示为：
Figure 244448DEST_PATH_IMAGE008
（4）
式（4）中，
Figure 562428DEST_PATH_IMAGE009
表示多种传感器采集到的数据信息输入，
Figure 719740DEST_PATH_IMAGE010
表示多种数据传感器 输入数据信息的外部噪音信息，
Figure 638017DEST_PATH_IMAGE011
表示计算不同传感器数据信息的高斯线性组合随机序 列，
Figure 273398DEST_PATH_IMAGE012
表示多种传感器输出数据信息的协方程，
Figure 974113DEST_PATH_IMAGE003
表示待融合传感器的个数；则启动融合 计算后，输出融合后的数据信息为：
Figure 302327DEST_PATH_IMAGE013
（5）
式（5）中，
Figure 707900DEST_PATH_IMAGE014
表示融合后的传感器数据计算量，
Figure 163283DEST_PATH_IMAGE015
表示融合不同传感器计算 的随机变量。
作为本发明进一步的技术方案，所述贝叶斯算法模型实现数据分类的方法是：首先输入多种数据传感器信息的特征属性和训练样本，设置样本数据属性；
然后用贝叶斯分类算法公式进行计算；计算待考核的传感器数据特征属性类别，并进一步统计所计算的传感器数据信息在训练样本中出现频率及每个特征属性划分属性的条件概率估计，进而输出待评估的传感器数据信息；
假设
Figure 970702DEST_PATH_IMAGE016
为训练传感器数据信息样本的待分类项，每个
Figure 469817DEST_PATH_IMAGE017
为
Figure 847840DEST_PATH_IMAGE018
的 数据分类特征属性；传感器输出数据信息={电流, 电压, 温度，湿度，火焰，纹波、加速度、 位移或者角度}，通过不同数据信息分类后，分类后的电流, 电压, 温度，湿度，火焰，纹波、 加速度、位移或者角度数据集合C={y1, y2, y3……，ym}；然后计算P（y1/x），P（y2/x），……，P （yn/x），找出P（yk/x）=max{ P（y1/x），P（y2/x），……，P（yn/x）},则x∈yk，进而找出最大值，获 得最高信任值，则贝叶斯分类算法输出公式为：
Figure 825023DEST_PATH_IMAGE019
（6）
式（6）中， A为传感器数据信息的特征， B为传感器数据信息的类别。
作为本发明进一步的技术方案，所述BP神经网络模型的计算方法为：
步骤（1）、将采集到的传感器检测数据经输入层输入神经网络模型，原始传感器数 据设为
Figure 486948DEST_PATH_IMAGE020
，隐含层设为
Figure 156964DEST_PATH_IMAGE021
，输出层设为
Figure 22283DEST_PATH_IMAGE022
，各个层次之间不同的数据权值由
Figure 803157DEST_PATH_IMAGE023
以及
Figure 319589DEST_PATH_IMAGE024
进行表示；
在输入层中第n个节点的输出用
Figure 160506DEST_PATH_IMAGE025
来表示，输出层的第n个节点的输出用
Figure 611708DEST_PATH_IMAGE026
来表 示，隐含层中第j个节点的输出用
Figure 196274DEST_PATH_IMAGE026
来表示，
Figure 567212DEST_PATH_IMAGE027
和
Figure 579030DEST_PATH_IMAGE028
来表示神经网络模型的阈值，各个节 点的输出函数分别表示为：
Figure 153362DEST_PATH_IMAGE030
（7）
Figure 541618DEST_PATH_IMAGE031
（8）
Figure 767063DEST_PATH_IMAGE032
（9）
步骤（2）：计算平均误差，神经网络模型中传感器检测数据样本的平均误差表示为：
Figure 949783DEST_PATH_IMAGE033
（10）
式（10）中，通过N来表示神经网络训练过程中传感器检测数据样本的个数，通过M 来表示输出过程中神经元的数量，通过
Figure 542569DEST_PATH_IMAGE034
来表示训练过程中第k个训练传感器检测数据样 本的均方误差，通过
Figure 468937DEST_PATH_IMAGE035
来表示第k个传感器检测数据样本中最终输出的神经元m的误差，通 过E来表示整体训练过程结束时的判断参数；
步骤（3）：逆向传递误差计算，在BP神经网络中传感器检测数据进行反向传递时，首先对隐含层和输出层之间的权值进行计算，计算函数为：
Figure 548889DEST_PATH_IMAGE036
（11）
然后计算输入层和隐含层之间的权值，计算公式为：
Figure 184400DEST_PATH_IMAGE037
（12）
式（11）、式（12）中，
Figure 982592DEST_PATH_IMAGE038
，其表示惯性系数，
Figure 447072DEST_PATH_IMAGE039
表示传感器检测 数据的数值增益系数，
Figure 647109DEST_PATH_IMAGE040
表示实际输出值，
Figure 185013DEST_PATH_IMAGE041
表示理论输出值，通过这两个系数的调整 控制BP神经网络模型的学习，
Figure 470501DEST_PATH_IMAGE042
的值介于0.25~0.78之间。
步骤（4）：可信度计算，用z表示系统整体输出数据的总量，将可信度设置为
Figure 4250DEST_PATH_IMAGE043
，
Figure 809526DEST_PATH_IMAGE043
通 过以下函数计算：
Figure 770529DEST_PATH_IMAGE044
（13）
式（13）中，
Figure 808892DEST_PATH_IMAGE045
表示第i个传感输出数据中绝对值最大的数据样本，
Figure 631486DEST_PATH_IMAGE046
表示第i个输出数据中的样本绝对值的总和，
Figure 540536DEST_PATH_IMAGE046
最小为0.05，然后对得到 的数据通过
Figure 672440DEST_PATH_IMAGE047
进行归一化，用
Figure 666941DEST_PATH_IMAGE048
表示可信度的阈值，
Figure 293226DEST_PATH_IMAGE048
介于0.05-0.34之间。
一种融合多种传感器信息实现测量值分析的系统，包括：
传感器节点，用于接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；
数据融合模块，用于将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息，并将多种传感器信息按照不同数据属性进行分类；
融合输出模块，用于将无线传感器网络数据信息在传递过程中数据输出，所述融合输出模块通过传感器协议模块实现无线传感器网络数据信息的传递与输出；
测量数据分析模块，用于分析无线传感器网络数据信息在传递过程中输出的数据信息；所述测量数据分析模块包括测量数据分析模块和通信模块，所述BP神经网络模型和通信模块通过传感器协议模块实现数据信息的传输；
数据监控模块，用于接收无线传感器网络数据信息在传递过程中输出的数据信息并进行实时监控；
其中所述传感器节点的输出端与数据融合模块的输入端连接，所述数据融合模块的输出端与融合输出模块的输入端连接，所述融合输出模块的输出端与所述测量数据分析模块的输入端连接，所述测量数据分析模块的输出端与数据监控模块的输入端连接。
本发明有益的积极效果在于：
1、区别于常规技术，本申请将人工智能方法应用传感器数据信息传输中，能够提高传感器数据信息能力，通过构建传感器网络节点实现多种传感器数据信息的输出，通过CSMA算法模型提高传感器数据信息传递能力；
2、区别于常规技术，本申请将MAC协议应用到传感器网络节点中能够提高传感器网络信道数据转发给汇聚节点的能力，提高传感器网络信息获取能力；
3、区别于常规技术，本申请利用大数据融合计算模型将多种传感器数据信息进行融合，实现传感器信息的兼容性处理和分类处理；
4、区别于常规技术，本申请采用BP神经网络模型对分类后的多种传感器数据实现故障诊断，能够提高多种传感器数据信息的分析过程。
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，下面将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性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明分析方法示意图；
图2为本发明中BP神经网络架构示意图；
图3为本发明中多种传感器数据网络架构示意图；
图4为本发明中基于DSP控制模块的多传感器数据融合数据系统架构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1-4所示，一种融合多种传感器信息实现测量值分析的方法，包括：
步骤1、接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；
在本步骤中，通过传感器网络节点实现多种传感器数据信息的输出，通过CSMA算法模型提高传感器数据信息传递能力，并应用MAC协议将传感器网络信道数据转发给汇聚节点，提高传感器网络信息获取能力；
步骤2、利用大数据融合计算模型将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息，并将多种传感器信息按照不同数据属性进行分类；
在本步骤中，通过数字运算方法实现多种传感器数据信息信号变换、滤波、检测、估值、调制解调的对数据处理的模块；通过卡尔曼滤波算法模型实现多种传感器数据信息目标状态高精度的测量；通过贝叶斯算法模型实现测量数据信息的分类；
步骤3、利用BP神经网络模型对分类后的多种传感器数据实现故障诊断，以实现多种传感器数据信息的分析过程；
在本步骤中，在BP神经网络模型中加入可信度检测步骤，以提高传感器数据信息分析能力；
步骤4、将处理后的多种传感器数据进行数据输出，并对诊断出的故障数据进行处理，以提高故障数据信息的应用能力。
在具体实施例中，CSMA,又称载波侦听多路访问协议。CSMA/CA算法 CSMA/CA(Carrier Sense Multiple Access CollisionAvoidance) 属于随机竞争类 MAC 协议,具有算法简单、性能好的特点，CSMA/CA 多用于无线通讯。
在上述实施例中，数字运算方法通过DSP控制模块实现数据信息计算，
在上述步骤中，所述CSMA算法模型实现传感器数据传递的方法为：通过CSMA算法模型输出无线传感器网络数据信息，进而反映传感器网络数据信息在传递过程中数据发送整体情况，应用的Poisson分布公式函数为：
Figure DEST_PATH_IMAGE049
(1)
式（1）中，G表示无线传感器网络数据在数据传递过程中，到达汇聚节点时无线信 息分组平均到达率，e表示无线传感器网络数据信息在发布时的时隙发出概率，
Figure 119099DEST_PATH_IMAGE002
表示无线 网络传感器的节点传输能力，N表示个别数据节点网络数据输出量，
Figure 156325DEST_PATH_IMAGE003
表示网络信息空闲时 隙具有的平均个数；Z表示无线传感器网络数据在数据传递过程中，系统整体输出数据的总 量；
其中无线传感器网络数据信道空闲概率函数为：
Figure 651504DEST_PATH_IMAGE004
（2）
当无线传感器网络数据在通信时，假设通信前存在
Figure 65168DEST_PATH_IMAGE005
个数据时隙，则无线传感器网 络在数据通信时，网络信息空闲时隙具有的平均个数函数为：
Figure 948810DEST_PATH_IMAGE006
（3）
式（3）中，
Figure 156938DEST_PATH_IMAGE007
表示无线传感器网络数据在数据传递过程中，到达汇聚节点时无线信息分组效率。
在上述算法模型中，判断依据通常通过以下步骤进行：
（1）如果信道空闲，发送消息，否则转以下（2）；
（2）如果信道忙，随时监听，一有空闲，发送消息。
（3）假如有冲突(在一段时间内未收到肯定的回复），则等待一随机时间，重复步骤（1）～（2）。
上述计算过程中，在发送数据前，先监听总线是否空闲，若总线忙，则不发送；若总线空闲，则把准备好的数据发送到总线上。在发送数据的过程中，工作站边发送边检测总线，看是否自己发送的数据有冲突。若无冲突，则继续发送直到全部数据传完为止；若有冲突，则立即停止发送数据，但是要发送一个加强冲突信号，以便使网络上所有工作站都知道网上发生了冲突，然后，等待一个预定的随机时间，且在总线为空闲时，再重新发送未发完的数据。
在上述实施例中，卡尔曼滤波算法模型通过数据融合函数的方式实现多种传感器数据信息的融合，将不同的传感器数据信息分离为离散时间系统，则融合后的大数据函数表示为：
Figure 611184DEST_PATH_IMAGE008
（4）
式（4）中，
Figure 828539DEST_PATH_IMAGE009
表示多种传感器采集到的数据信息输入，
Figure 566688DEST_PATH_IMAGE010
表示多种数据传感器 输入数据信息的外部噪音信息，
Figure 211295DEST_PATH_IMAGE011
表示计算不同传感器数据信息的高斯线性组合随机序 列，
Figure 683996DEST_PATH_IMAGE012
表示多种传感器输出数据信息的协方程，
Figure 439463DEST_PATH_IMAGE003
表示待融合传感器的个数；则启动融合 计算后，输出融合后的数据信息为：
Figure 297697DEST_PATH_IMAGE013
（5）
式（5）中，
Figure 113207DEST_PATH_IMAGE014
表示融合后的传感器数据计算量，
Figure 542045DEST_PATH_IMAGE015
表示融合不同传感器计算 的随机变量。
在具体实施例中，KF就是卡尔曼滤波，算法的输入值是一个可测的量，这个量可以是任何量，通过多种数据传感器不断地进行数据监测，能够实现多种数据传感器的持续测量，通过不断地进行数据估计，测量值可能不准确，估计值也非常不准确，根据这两个不准确的值最后就可以估计出一个相对准确的系统输出值，这也就是卡尔曼滤波的作用。
在上述实施例中，将多种传感器信息按照贝叶斯分类模型实现各种数据传感器数据信息的分类，其中分类方法为：
首先输入多种数据传感器信息的特征属性和训练样本，设置样本数据属性；
在具体应用中，比如传感到的电流数据信息、电压数据信息、功率数据信息、纹波数据信息、磁场数据信息、电网干扰数据信息等。
然后用贝叶斯分类算法公式进行计算；计算待考核的传感器数据特征属性类别，并进一步统计所计算的传感器数据信息在训练样本中出现频率及每个特征属性划分属性的条件概率估计，进而输出待评估的传感器数据信息；
假设
Figure 101202DEST_PATH_IMAGE016
为训练传感器数据信息样本的待分类项，每个
Figure 813943DEST_PATH_IMAGE017
为
Figure 800354DEST_PATH_IMAGE018
的 数据分类特征属性；传感器输出数据信息={电流, 电压, 温度，湿度，火焰，纹波、加速度、 位移或者角度}，通过不同数据信息分类后，分类后的电流, 电压, 温度，湿度，火焰，纹波、 加速度、位移或者角度数据集合C={y1, y2, y3……，ym}；然后计算P（y1/x），P（y2/x），……，P （yn/x），找出P（yk/x）=max{ P（y1/x），P（y2/x），……，P（yn/x）},则x∈yk，进而找出最大值，获 得最高信任值，则贝叶斯分类算法输出公式为：
Figure 244717DEST_PATH_IMAGE019
（6）
式（6）中， A为传感器数据信息的特征， B为传感器数据信息的类别。
在上述实施例中，BP神经网络模型的计算方法为：
BP网络对数据信号处理的整体过程如下：传感器输出信息异常所相关数据信息，首先从输入层进入BP网络中，在BP网络内部由隐含层对输入的相关数据信息进行处理计算，最终输出的数据值会与预设值进行对比，并且会与按照与输入时相反的方向即输出层、隐含层、输入层的顺序进行反向传播，以此提高数据处理的精度
步骤（1）、将采集到的传感器检测数据经输入层输入神经网络模型，原始传感器数 据设为
Figure 341986DEST_PATH_IMAGE020
，隐含层设为
Figure 909234DEST_PATH_IMAGE021
，输出层设为
Figure 817278DEST_PATH_IMAGE022
，各个层次之间不同的数据权值由
Figure 469976DEST_PATH_IMAGE023
以及
Figure 370936DEST_PATH_IMAGE024
进行表示；
在输入层中第n个节点的输出用
Figure 58269DEST_PATH_IMAGE025
来表示，输出层的第n个节点的输出用
Figure 137215DEST_PATH_IMAGE026
来表 示，隐含层中第j个节点的输出用
Figure 277209DEST_PATH_IMAGE026
来表示，
Figure 716281DEST_PATH_IMAGE027
和
Figure 258121DEST_PATH_IMAGE028
来表示神经网络模型的阈值，各个节 点的输出函数分别表示为：
Figure 507968DEST_PATH_IMAGE050
（7）
Figure DEST_PATH_IMAGE051
（8）
Figure 666416DEST_PATH_IMAGE032
（9）
步骤（2）：计算平均误差，神经网络模型中传感器检测数据样本的平均误差表示为：
Figure 909179DEST_PATH_IMAGE033
（10）
式（10）中，通过N来表示神经网络训练过程中传感器检测数据样本的个数，通过M 来表示输出过程中神经元的数量，通过
Figure 584486DEST_PATH_IMAGE034
来表示训练过程中第k个训练传感器检测数据样 本的均方误差，通过
Figure 254502DEST_PATH_IMAGE035
来表示第k个传感器检测数据样本中最终输出的神经元m的误差，通 过E来表示整体训练过程结束时的判断参数；
步骤（3）：逆向传递误差计算，在BP神经网络中传感器检测数据进行反向传递时，首先对隐含层和输出层之间的权值进行计算，计算函数为：
Figure 103509DEST_PATH_IMAGE036
（11）
然后计算输入层和隐含层之间的权值，计算公式为：
Figure 149963DEST_PATH_IMAGE037
（12）
式（11）、式（12）中，
Figure 417127DEST_PATH_IMAGE038
，其表示惯性系数，
Figure 258044DEST_PATH_IMAGE039
表示传感器检测 数据的数值增益系数，
Figure 594348DEST_PATH_IMAGE040
表示实际输出值，
Figure 178913DEST_PATH_IMAGE041
表示理论输出值，通过这两个系数的调整 控制BP神经网络模型的学习，
Figure 300584DEST_PATH_IMAGE042
的值介于0.25~0.78之间。
当通过上述整体计算过程计算出的误差超出设定的预设标准范围时，就表示采集 到的传感器输出信息的诊断数据与标准状态下的诊断数据严重不符，即为出现运行故 障[12]。为了节约人力成本并保证传感器输出信息出现运行故障时能够被系统及时检测到， 该研究在BP神经网络检测运行故障的基础上加入了可信度检测，通过识别检测结果的可信 度，系统可以自动判别传感器是否出现故障。该算法中将采集到的传感器输出信息的诊断 数据作为训练样本，以此修正权值和阈值，提高该技术检测故障的准确度。另某个输出数据 为
Figure 312402DEST_PATH_IMAGE052
，那么
Figure DEST_PATH_IMAGE053
，
步骤（4）：可信度计算，用z表示系统整体输出数据的总量，将可信度设置为
Figure 932739DEST_PATH_IMAGE043
，
Figure 806149DEST_PATH_IMAGE043
通 过以下函数计算：
Figure 562752DEST_PATH_IMAGE044
（13）
式（13）中，
Figure 745472DEST_PATH_IMAGE045
表示第i个传感输出数据中绝对值最大的数据样本，
Figure 69749DEST_PATH_IMAGE046
表示第i个输出数据中的样本绝对值的总和，
Figure 996117DEST_PATH_IMAGE046
最小为0.05，然后对得到 的数据通过
Figure 341648DEST_PATH_IMAGE047
进行归一化，用
Figure 695269DEST_PATH_IMAGE048
表示可信度的阈值，
Figure 244193DEST_PATH_IMAGE048
介于0.05-0.34之间。
在具体实施例中，当
Figure 974251DEST_PATH_IMAGE048
的值为0.2时具有突出的技术效果，使得传感器输出数据信 息可信度比较高。通过阈值检验BP神经网络的输出结构是否符合要求，有助于提升传感器 输出信息异常的准确度。在传感器输出信息异常中，通过将采集到的诊断数据作为特征量， 进行特征向量空间分类，并以此为基准作为神经网络训练样本执行自适应学习异常算法， 对非训练传感器数据样本的数据进行状态判断，实现了设备智能化检测故障的功能。
在上述实施例中，一种融合多种传感器信息实现测量值分析的系统，包括：
传感器节点，用于接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；
数据融合模块，用于将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息，并将多种传感器信息按照不同数据属性进行分类；
融合输出模块，用于将无线传感器网络数据信息在传递过程中数据输出，所述融合输出模块通过传感器协议模块实现无线传感器网络数据信息的传递与输出；
测量数据分析模块，用于分析无线传感器网络数据信息在传递过程中输出的数据信息；所述测量数据分析模块包括测量数据分析模块和通信模块，所述BP神经网络模型和通信模块通过传感器协议模块实现数据信息的传输；
数据监控模块，用于接收无线传感器网络数据信息在传递过程中输出的数据信息并进行实时监控；
其中所述传感器节点的输出端与数据融合模块的输入端连接，所述数据融合模块的输出端与融合输出模块的输入端连接，所述融合输出模块的输出端与所述测量数据分析模块的输入端连接，所述测量数据分析模块的输出端与数据监控模块的输入端连接。
在上述实施例中，传感器协议模块MAC层采用的是CSMA算法，采用非坚持CSMA、1-坚持CSMA、p-坚持CSMA。在进一步的实施例中，还建立无线传感网络协议，主要分为四层即物理层、数据链路层、网络层、应用层。通过接口连接各层之间的数据通信，进而来提供服务，大致分为数据服务和管理服务两类，数据服务主要提供该层的数据收发，管理层则支持网络管理的服务。传感网络架构大概可以分为监测区域、汇聚节点、互联网和卫星通信、用户，监测区域内即分布很多的传感器节点，其中传感器节点就用来收集获取到的数据，通过无线传感网络协议将数据发给汇聚节点，汇聚节点将数据通过互联网或者卫星通信将数据发送给用户，汇聚节点的数据处理能力、数据存储能力以及通信能力相对于其他节点是比较强的，它连接传感器网络和外部Internet等外部网络，并且将数据转发给外部网络，它既可以是一个增强功能的传感器节点也可以是一个没有监测功能的特殊网关设备。
通过上述数据模型构建，多种数据信息的传感器数据信息被传递到传感器节点，通过传感器节点输出传感数据信息，然后将这些数据信息传递到数据融合模块实现信息融合，通过传感器协议模块实现数据信息计算，在通过融合输出模块实现数据信息输出，通过测量数据分析模块实现数据信息计算，通过BP神经网络模型实现数据信息的故障诊断与误差计算，通过通信模块实现数据信息的通信，通过数据监控模块实现传感器数据信息的远程无线通信，在远程数据监控中心实现传感器数据信息的计算与故障诊断和处理，大大提高了传感器数据计算能力。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种融合多种传感器信息实现测量值分析的方法，其特征在于：包括：
步骤1、接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；
在本步骤中，通过传感器网络节点实现多种传感器数据信息的输出，通过CSMA算法模型提高传感器数据信息传递能力，并应用MAC协议将传感器网络信道数据转发给汇聚节点，提高传感器网络信息获取能力；
步骤2、利用大数据融合计算模型将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息，并将多种传感器信息按照不同数据属性进行分类；
在本步骤中，通过数字运算方法实现多种传感器数据信息信号变换、滤波、检测、估值、调制解调的对数据处理的模块；通过卡尔曼滤波算法模型实现多种传感器数据信息目标状态高精度的测量；通过贝叶斯算法模型实现测量数据信息的分类；
步骤3、利用BP神经网络模型对分类后的多种传感器数据实现故障诊断，以实现多种传感器数据信息的分析过程；
在本步骤中，在BP神经网络模型中加入可信度检测步骤，以提高传感器数据信息分析能力；
步骤4、将处理后的多种传感器数据进行数据输出，并对诊断出的故障数据进行处理，以提高故障数据信息的应用能力。
2.根据权利要求1所述的一种融合多种传感器信息实现测量值分析的方法，其特征在于：在步骤2中，数字运算方法通过DSP控制模块实现数据信息计算。
3.根据权利要求1所述的一种融合多种传感器信息实现测量值分析的方法，其特征在于：所述CSMA算法模型实现传感器数据传递的方法为：通过CSMA算法模型输出无线传感器网络数据信息，进而反映传感器网络数据信息在传递过程中数据发送整体情况，应用的Poisson分布公式函数为：
Figure 24277DEST_PATH_IMAGE001
(1)
式（1）中，G表示无线传感器网络数据在数据传递过程中，到达汇聚节点时无线信息分 组平均到达率，e表示无线传感器网络数据信息在发布时的时隙发出概率，
Figure 164271DEST_PATH_IMAGE002
表示无线网络 传感器的节点传输能力，N表示个别数据节点网络数据输出量，
Figure 993556DEST_PATH_IMAGE003
表示网络信息空闲时隙具 有的平均个数；Z表示无线传感器网络数据在数据传递过程中，系统整体输出数据的总量；
其中无线传感器网络数据信道空闲概率函数为：
Figure 535396DEST_PATH_IMAGE004
（2）
当无线传感器网络数据在通信时，假设通信前存在
Figure 909876DEST_PATH_IMAGE005
个数据时隙，则无线传感器网络在 数据通信时，网络信息空闲时隙具有的平均个数函数为：
Figure 537167DEST_PATH_IMAGE006
（3）
式（3）中，
Figure DEST_PATH_IMAGE008AAA
表示无线传感器网络数据在数据传递过程中，到达汇聚节点时无线信息分组效率。
4.根据权利要求1所述的一种融合多种传感器信息实现测量值分析的方法，其特征在于：所述卡尔曼滤波算法模型通过数据融合函数的方式实现多种传感器数据信息的融合，将不同的传感器数据信息分离为离散时间系统，则融合后的大数据函数表示为：
Figure 340781DEST_PATH_IMAGE009
（4）
式（4）中，
Figure 737128DEST_PATH_IMAGE010
表示多种传感器采集到的数据信息输入，
Figure 531777DEST_PATH_IMAGE011
表示多种数据传感器输入 数据信息的外部噪音信息，
Figure 646364DEST_PATH_IMAGE012
表示计算不同传感器数据信息的高斯线性组合随机序列，
Figure 302604DEST_PATH_IMAGE013
表示多种传感器输出数据信息的协方程，
Figure 819036DEST_PATH_IMAGE014
表示待融合传感器的个数；则启动融合计算 后，输出融合后的数据信息为：
Figure 286052DEST_PATH_IMAGE015
（5）
式（5）中，
Figure 887935DEST_PATH_IMAGE016
表示融合后的传感器数据计算量，
Figure 347866DEST_PATH_IMAGE017
表示融合不同传感器计算的随机 变量。
5.根据权利要求1所述的一种融合多种传感器信息实现测量值分析的方法，其特征在于：所述贝叶斯算法模型实现数据分类的方法是：首先输入多种数据传感器信息的特征属性和训练样本，设置样本数据属性；
然后用贝叶斯分类算法公式进行计算；计算待考核的传感器数据特征属性类别，并进一步统计所计算的传感器数据信息在训练样本中出现频率及每个特征属性划分属性的条件概率估计，进而输出待评估的传感器数据信息；
假设
Figure 718804DEST_PATH_IMAGE018
为训练传感器数据信息样本的待分类项，每个
Figure 855256DEST_PATH_IMAGE019
为
Figure 678856DEST_PATH_IMAGE020
的数据 分类特征属性；传感器输出数据信息={电流, 电压, 温度，湿度，火焰，纹波、加速度、位移 或者角度}，通过不同数据信息分类后，分类后的电流, 电压, 温度，湿度，火焰，纹波、加速 度、位移或者角度数据集合C={y1, y2, y3……，ym}；然后计算P（y1/x），P（y2/x），……，P（yn/ x），找出P（yk/x）=max{ P（y1/x），P（y2/x），……，P（yn/x）},则x∈yk，进而找出最大值，获得最 高信任值，则贝叶斯分类算法输出公式为：
Figure 942478DEST_PATH_IMAGE021
（6）
式（6）中， A为传感器数据信息的特征， B为传感器数据信息的类别。
6.根据权利要求1所述的一种融合多种传感器信息实现测量值分析的方法，其特征在于：所述BP神经网络模型的计算方法为：
步骤（1）、将采集到的传感器检测数据经输入层输入神经网络模型，原始传感器数据设 为
Figure 167923DEST_PATH_IMAGE022
，隐含层设为
Figure 973812DEST_PATH_IMAGE023
，输出层设为
Figure 550287DEST_PATH_IMAGE024
，各 个层次之间不同的数据权值由
Figure 352021DEST_PATH_IMAGE025
以及
Figure 431972DEST_PATH_IMAGE026
进行表示；
在输入层中第n个节点的输出用
Figure 175806DEST_PATH_IMAGE027
来表示，输出层的第n个节点的输出用
Figure 973998DEST_PATH_IMAGE028
来表示，隐 含层中第j个节点的输出用
Figure 579422DEST_PATH_IMAGE028
来表示，
Figure 513880DEST_PATH_IMAGE029
和
Figure 930081DEST_PATH_IMAGE030
来表示神经网络模型的阈值，各个节点的输 出函数分别表示为：
Figure 215568DEST_PATH_IMAGE031
（7）
Figure 359105DEST_PATH_IMAGE032
（8）
Figure 413649DEST_PATH_IMAGE033
（9）
步骤（2）：计算平均误差，神经网络模型中传感器检测数据样本的平均误差表示为：
Figure 499285DEST_PATH_IMAGE034
（10）
式（10）中，通过N来表示神经网络训练过程中传感器检测数据样本的个数，通过M来表 示输出过程中神经元的数量，通过
Figure 209752DEST_PATH_IMAGE035
来表示训练过程中第
Figure 281613DEST_PATH_IMAGE036
个训练传感器检测数据样本的 均方误差，通过
Figure 128347DEST_PATH_IMAGE037
来表示第
Figure 617840DEST_PATH_IMAGE038
个传感器检测数据样本中最终输出的神经元m的误差，通过E 来表示整体训练过程结束时的判断参数；
步骤（3）：逆向传递误差计算，在BP神经网络中传感器检测数据进行反向传递时，首先对隐含层和输出层之间的权值进行计算，计算函数为：
Figure 877920DEST_PATH_IMAGE039
（11）
然后计算输入层和隐含层之间的权值，计算公式为：
Figure 363260DEST_PATH_IMAGE040
（12）
式（11）、式（12）中，
Figure 392395DEST_PATH_IMAGE041
，其表示惯性系数，
Figure 554255DEST_PATH_IMAGE042
表示传感器检测数据 的数值增益系数，
Figure DEST_PATH_IMAGE044A
表示实际输出值，
Figure DEST_PATH_IMAGE046A
表示理论输出值，通过这两个系数的调整控制 BP神经网络模型的学习，
Figure 521205DEST_PATH_IMAGE047
的值介于0.25~0.78之间；
步骤（4）：可信度计算，用z表示系统整体输出数据的总量，将可信度设置为
Figure 934869DEST_PATH_IMAGE048
，
Figure 428299DEST_PATH_IMAGE048
通过以 下函数计算：
Figure 902005DEST_PATH_IMAGE049
（13）
式（13）中，
Figure 494267DEST_PATH_IMAGE050
表示第i个传感输出数据中绝对值最大的数据样本，
Figure 446043DEST_PATH_IMAGE051
表示第i个输出数据中的样本绝对值的总和，
Figure 325137DEST_PATH_IMAGE052
最小为0.05，然后对得到的数据通过
Figure 704166DEST_PATH_IMAGE053
进行归一化，用
Figure 285189DEST_PATH_IMAGE054
表示可信度的阈值，
Figure 40655DEST_PATH_IMAGE055
介于0.05-0.34之间。
7.一种融合多种传感器信息实现测量值分析的系统，包括：
传感器节点，用于接收多种传感器数据信息传感的测量值数据信息，以实现多种传感器测量值数据信息的接收；
数据融合模块，用于将多种传感器数据信息进行融合，以兼容不同形式的传感器数据信息，并将多种传感器信息按照不同数据属性进行分类；
融合输出模块，用于将无线传感器网络数据信息在传递过程中数据输出，所述融合输出模块通过传感器协议模块实现无线传感器网络数据信息的传递与输出；
测量数据分析模块，用于分析无线传感器网络数据信息在传递过程中输出的数据信息；所述测量数据分析模块包括测量数据分析模块和通信模块，BP神经网络模型和通信模块通过传感器协议模块实现数据信息的传输；
数据监控模块，用于接收无线传感器网络数据信息在传递过程中输出的数据信息并进行实时监控；
其中所述传感器节点的输出端与数据融合模块的输入端连接，所述数据融合模块的输出端与融合输出模块的输入端连接，所述融合输出模块的输出端与所述测量数据分析模块的输入端连接，所述测量数据分析模块的输出端与数据监控模块的输入端连接。
CN202210507041.4A 2022-05-11 2022-05-11 一种融合多种传感器信息实现测量值分析的方法 Active CN114611636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210507041.4A CN114611636B (zh) 2022-05-11 2022-05-11 一种融合多种传感器信息实现测量值分析的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210507041.4A CN114611636B (zh) 2022-05-11 2022-05-11 一种融合多种传感器信息实现测量值分析的方法

Publications (2)

Publication Number Publication Date
CN114611636A true CN114611636A (zh) 2022-06-10
CN114611636B CN114611636B (zh) 2022-09-06

Family

ID=81870382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507041.4A Active CN114611636B (zh) 2022-05-11 2022-05-11 一种融合多种传感器信息实现测量值分析的方法

Country Status (1)

Country Link
CN (1) CN114611636B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828071A (zh) * 2023-02-16 2023-03-21 深圳市瑞芬科技有限公司 一种高抗振动特性的倾斜角度融合分析系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571079A (zh) * 2014-11-25 2015-04-29 东华大学 一种基于多传感器信息融合的无线远程故障诊断系统
CN108181562A (zh) * 2018-01-18 2018-06-19 福州大学 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
CN109818798A (zh) * 2019-02-19 2019-05-28 上海海事大学 一种融合kpca和elm的无线传感器网络入侵检测系统及方法
US20200285997A1 (en) * 2019-03-04 2020-09-10 Iocurrents, Inc. Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN113613345A (zh) * 2021-08-11 2021-11-05 福建工程学院 一种基于zigbee星型组网的安全状况信息化监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571079A (zh) * 2014-11-25 2015-04-29 东华大学 一种基于多传感器信息融合的无线远程故障诊断系统
CN108181562A (zh) * 2018-01-18 2018-06-19 福州大学 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法
CN109818798A (zh) * 2019-02-19 2019-05-28 上海海事大学 一种融合kpca和elm的无线传感器网络入侵检测系统及方法
US20200285997A1 (en) * 2019-03-04 2020-09-10 Iocurrents, Inc. Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN113613345A (zh) * 2021-08-11 2021-11-05 福建工程学院 一种基于zigbee星型组网的安全状况信息化监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李妍等: ""卡尔曼滤波与多传感器数据融合研究"", 《新型工业化》 *
陈法法等: ""多传感器信息融合技术在液压设备故障诊断中的应用"", 《太原理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828071A (zh) * 2023-02-16 2023-03-21 深圳市瑞芬科技有限公司 一种高抗振动特性的倾斜角度融合分析系统
CN115828071B (zh) * 2023-02-16 2023-05-23 深圳市瑞芬科技有限公司 一种高抗振动特性的倾斜角度融合分析系统

Also Published As

Publication number Publication date
CN114611636B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN114611636B (zh) 一种融合多种传感器信息实现测量值分析的方法
CN111683137B (zh) 5g及区块链智能管理系统
CN110188837A (zh) 一种基于模糊神经的mvb网络故障诊断方法
CN106209982A (zh) 基于无线传感器的胎压监测方法
CN113992350A (zh) 基于深度学习的智能电网虚假数据注入攻击的检测系统
CN113779247A (zh) 基于意图驱动的网络故障诊断方法及系统
CN114422379B (zh) 一种多平台设备无线组网的分析方法
CN112949487A (zh) 一种基于WiFi的船舶驾驶室人员数量检测方法及系统
Abid et al. Centralized KNN anomaly detector for WSN
CN106060150A (zh) 基于车联网的车辆信息无线采集方法
CN110266527B (zh) 基于空间相关性的传感器节点故障分类报警方法及装置
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
CN112800110B (zh) 电力物联网传感器弱敏感数据异常检测系统
CN112763780B (zh) 一种智能互感器
CN111600779B (zh) 一种兼容多种交换机的测试平台
CN114791349A (zh) 一种基于数字测压模块的风洞测压系统
Kong et al. Distributed temperature control system based on multi-sensor data fusion
CN113326728A (zh) 一种基于d-s证据理论的网络异常检测方法
CN113938507B (zh) 基于智能感知的高速搬运系统决策方法及装置
Wang et al. Multi-Rate Data Fusion for Wireless Sensor Networks with Time-Delay Based on Improved Cubature Kalman Filter
CN113344072B (zh) 基于gpb算法的运维多模态决策方法、系统及云端服务器
CN117171709B (zh) 一种永磁发电机故障检测方法及系统
CN117310088B (zh) 一种智能的co2传感器系统及其操作方法
CN118102251A (zh) 基于物联网技术的智能数据采集与分析方法
Kaiser et al. A fault-aware sensor architecture for cooperative mobile applications

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