CN114611636B - 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
CN114611636B
CN114611636B CN202210507041.4A CN202210507041A CN114611636B CN 114611636 B CN114611636 B CN 114611636B CN 202210507041 A CN202210507041 A CN 202210507041A CN 114611636 B CN114611636 B CN 114611636B
Authority
CN
China
Prior art keywords
data
data information
information
wireless sensor
sensor network
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
CN202210507041.4A
Other languages
English (en)
Other versions
CN114611636A (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，如何实现测量值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，该方法能够融合传感器测量值数据信息，将不同类型的测量值数据信息通过大数据融合计算模型将多种测量值数据信息进行融合计算，提高了测量值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、接收传感器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传感器测量值数据信息的输出，通过CSMA算法模型提高测量值数据信息传递能力，并应用MAC协议将测量值数据信息转发给汇聚节点，提高无线传感器网络数据信息测量值数据信息获取能力；
步骤2、利用大数据融合计算模型将多种测量值数据信息进行融合，以兼容不同形式的测量值数据信息，并将多种测量值数据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传感器测量值数据信息信号变换、滤波、检测、估值和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传感器测量值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，以实现传感器测量值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，以提高测量值数据信息分析能力；
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 460161DEST_PATH_IMAGE001
(1)
式（1）中，G表示无线传感器网络数据信息在数据传递过程中，到达汇聚节点时无线传感器网络数据信息分组平均到达率，e表示无线传感器网络数据信息信息在发布时的时隙发出概率，
Figure 403846DEST_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 41632DEST_PATH_IMAGE003
表示无线传感器网络数据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信息在数据传递过程中输出数据的总量；
其中无线传感器网络数据信息信道空闲概率函数为：
Figure 692056DEST_PATH_IMAGE004
（2）
当无线传感器网络数据信息在通信时，假设通信前存在
Figure 740784DEST_PATH_IMAGE005
个数据时隙，则无线传感器网络在数据通信时，无线传感器网络数据信息空闲时隙具有的平均个数函数为：
Figure 109448DEST_PATH_IMAGE006
（3）
式（3）中，
Figure 721564DEST_PATH_IMAGE007
表示无线传感器网络数据信息在数据传递过程中，到达汇聚节点时无线传感器网络数据信息分组效率。
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传感器测量值数据信息的融合，将不同的测量值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 616708DEST_PATH_IMAGE008
（4）
式（4）中，
Figure 790331DEST_PATH_IMAGE009
表示多种传感器采集到的数据信息输入，
Figure 380712DEST_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 343989DEST_PATH_IMAGE011
表示计算不同测量值数据信息的高斯线性组合随机序列，
Figure 969006DEST_PATH_IMAGE012
表示多种传感器输出数据信息的协方程，
Figure 74715DEST_PATH_IMAGE003
表示无线传感器网络数据信息空闲时隙具有的平均个数；则启动融合计算后，输出融合后的数据信息为：
Figure 277026DEST_PATH_IMAGE013
（5）
式（5）中，
Figure 653781DEST_PATH_IMAGE014
表示融合后的传感器数据计算量，
Figure 8670DEST_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：首先输入传感器测量值数据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，并进一步统计传感器数据特征属性类别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，进而输出待评估的测量值数据信息；
假设
Figure 711047DEST_PATH_IMAGE016
为训练测量值数据信息样本的待分类项，每个
Figure 400654DEST_PATH_IMAGE017
为
Figure 581100DEST_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 554610DEST_PATH_IMAGE019
（6）
式（6）中， A为测量值数据信息的特征， B为测量值数据信息的类别。
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 490205DEST_PATH_IMAGE020
，隐含层设为
Figure 276895DEST_PATH_IMAGE021
，输出层设为
Figure 136398DEST_PATH_IMAGE022
，各个层次之间不同的数据权值由
Figure 856092DEST_PATH_IMAGE023
以及
Figure 962588DEST_PATH_IMAGE024
进行表示；
在输入层中第
Figure 878985DEST_PATH_IMAGE025
个节点的输出用
Figure 401233DEST_PATH_IMAGE026
来表示，输出层的第
Figure 834489DEST_PATH_IMAGE025
个节点的输出用
Figure 783990DEST_PATH_IMAGE027
来表示；
Figure 889481DEST_PATH_IMAGE028
表示节点个数，
Figure 74474DEST_PATH_IMAGE029
和
Figure 503182DEST_PATH_IMAGE030
来表示神经网络模型的阈值，
Figure 997486DEST_PATH_IMAGE031
表示数据集合的个数；
各个节点的输出函数分别表示为：
Figure 511644DEST_PATH_IMAGE032
（7）
Figure 500328DEST_PATH_IMAGE033
（8）
Figure 862171DEST_PATH_IMAGE034
（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 153475DEST_PATH_IMAGE035
（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 13983DEST_PATH_IMAGE036
来表示训练过程中第
Figure 681725DEST_PATH_IMAGE003
个训练传感器检测数据样本的均方误差，通过
Figure 190417DEST_PATH_IMAGE037
来表示第
Figure 918202DEST_PATH_IMAGE003
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 266006DEST_PATH_IMAGE038
（11）
然后计算输入层和隐含层之间的权值，计算公式为：
Figure 737439DEST_PATH_IMAGE039
（12）
式（11）、式（12）中，
Figure 605032DEST_PATH_IMAGE040
，其表示惯性系数，
Figure 831614DEST_PATH_IMAGE041
表示传感器检测数据的数值增益系数，
Figure 542081DEST_PATH_IMAGE042
表示实际输出值，
Figure 128789DEST_PATH_IMAGE043
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 100156DEST_PATH_IMAGE044
的值介于0.25~0.78之间。步骤（4）：可信度计算，用z表示传感器测量值数据信息总量，将可信度设置为
Figure 169743DEST_PATH_IMAGE045
，
Figure 242873DEST_PATH_IMAGE045
通过以下函数计算：
Figure 56108DEST_PATH_IMAGE046
（13）
式（13）中，
Figure 881981DEST_PATH_IMAGE047
表示第
Figure 122470DEST_PATH_IMAGE031
个传感输出数据中绝对值最大的数据样本，
Figure 122043DEST_PATH_IMAGE048
表示第
Figure 598024DEST_PATH_IMAGE031
个输出数据中的样本绝对值的总和，
Figure 763557DEST_PATH_IMAGE049
最小为0.05，然后对得到的数据通过
Figure 440526DEST_PATH_IMAGE050
进行归一化，用
Figure 471936DEST_PATH_IMAGE051
表示可信度的阈值，
Figure 204138DEST_PATH_IMAGE051
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，用于接收传感器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，用于将多种测量值数据信息进行融合，以兼容不同形式的测量值数据信息，并将多种测量值数据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测量值数据信息传输中，能够提高测量值数据信息能力，通过构建传感器网络节点实现传感器测量值数据信息的输出，通过CSMA算法模型提高测量值数据信息传递能力。
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测量值数据信息转发给汇聚节点的能力，提高无线传感器网络数据信息测量值数据信息获取能力；
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测量值数据信息进行融合，实现测量值数据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，能够提高多种测量值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、接收传感器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传感器测量值数据信息的输出，通过CSMA算法模型提高测量值数据信息传递能力，并应用MAC协议将测量值数据信息转发给汇聚节点，提高无线传感器网络数据信息测量值数据信息获取能力；
步骤2、利用大数据融合计算模型将多种测量值数据信息进行融合，以兼容不同形式的测量值数据信息，并将多种测量值数据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传感器测量值数据信息信号变换、滤波、检测、估值和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传感器测量值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，以实现传感器测量值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，以提高测量值数据信息分析能力；
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 879970DEST_PATH_IMAGE001
(1)
式（1）中，G表示无线传感器网络数据信息在数据传递过程中，到达汇聚节点时无线传感器网络数据信息分组平均到达率，e表示无线传感器网络数据信息信息在发布时的时隙发出概率，
Figure 586894DEST_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 246546DEST_PATH_IMAGE003
表示无线传感器网络数据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信息在数据传递过程中输出数据的总量；
其中无线传感器网络数据信息信道空闲概率函数为：
Figure 815062DEST_PATH_IMAGE004
（2）
当无线传感器网络数据信息在通信时，假设通信前存在
Figure 938875DEST_PATH_IMAGE005
个数据时隙，则无线传感器网络在数据通信时，无线传感器网络数据信息空闲时隙具有的平均个数函数为：
Figure 426489DEST_PATH_IMAGE006
（3）
式（3）中，
Figure 678829DEST_PATH_IMAGE007
表示无线传感器网络数据信息在数据传递过程中，到达汇聚节点时无线传感器网络数据信息分组效率。
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传感器测量值数据信息的融合，将不同的测量值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 175669DEST_PATH_IMAGE008
（4）
式（4）中，
Figure 216306DEST_PATH_IMAGE009
表示多种传感器采集到的数据信息输入，
Figure 140400DEST_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 118851DEST_PATH_IMAGE011
表示计算不同测量值数据信息的高斯线性组合随机序列，
Figure 481699DEST_PATH_IMAGE012
表示多种传感器输出数据信息的协方程，
Figure 252209DEST_PATH_IMAGE003
表示无线传感器网络数据信息空闲时隙具有的平均个数；则启动融合计算后，输出融合后的数据信息为：
Figure 721106DEST_PATH_IMAGE013
（5）
式（5）中，
Figure 311487DEST_PATH_IMAGE014
表示融合后的传感器数据计算量，
Figure 274764DEST_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，将多种测量值数据信息按照贝叶斯分类模型实现各种数据测量值数据信息的分类，其中分类方法为：
首先输入传感器测量值数据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，并进一步统计传感器数据特征属性类别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，进而输出待评估的测量值数据信息；
假设
Figure 165359DEST_PATH_IMAGE016
为训练测量值数据信息样本的待分类项，每个
Figure 306622DEST_PATH_IMAGE017
为
Figure 384299DEST_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 885688DEST_PATH_IMAGE019
（6）
式（6）中， A为测量值数据信息的特征， B为测量值数据信息的类别。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 365211DEST_PATH_IMAGE020
，隐含层设为
Figure 178839DEST_PATH_IMAGE021
，输出层设为
Figure 743813DEST_PATH_IMAGE022
，各个层次之间不同的数据权值由
Figure 252155DEST_PATH_IMAGE023
以及
Figure 461550DEST_PATH_IMAGE024
进行表示；
在输入层中第
Figure 69249DEST_PATH_IMAGE025
个节点的输出用
Figure 511732DEST_PATH_IMAGE026
来表示，输出层的第
Figure 495868DEST_PATH_IMAGE025
个节点的输出用
Figure 261568DEST_PATH_IMAGE027
来表示；
Figure 430381DEST_PATH_IMAGE028
表示节点个数，
Figure 48575DEST_PATH_IMAGE029
和
Figure 570823DEST_PATH_IMAGE030
来表示神经网络模型的阈值，
Figure 4079DEST_PATH_IMAGE031
表示数据集合的个数；
各个节点的输出函数分别表示为：
Figure 953580DEST_PATH_IMAGE032
（7）
Figure 640431DEST_PATH_IMAGE033
（8）
Figure 700790DEST_PATH_IMAGE034
（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 988552DEST_PATH_IMAGE035
（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 374534DEST_PATH_IMAGE036
来表示训练过程中第
Figure 498479DEST_PATH_IMAGE003
个训练传感器检测数据样本的均方误差，通过
Figure 690426DEST_PATH_IMAGE037
来表示第
Figure 770378DEST_PATH_IMAGE003
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 61682DEST_PATH_IMAGE038
（11）
然后计算输入层和隐含层之间的权值，计算公式为：
Figure 374720DEST_PATH_IMAGE039
（12）
式（11）、式（12）中，
Figure 167096DEST_PATH_IMAGE040
，其表示惯性系数，
Figure 570395DEST_PATH_IMAGE041
表示传感器检测数据的数值增益系数，
Figure 642388DEST_PATH_IMAGE042
表示实际输出值，
Figure 131138DEST_PATH_IMAGE043
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 461625DEST_PATH_IMAGE044
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 453852DEST_PATH_IMAGE052
，那么
Figure 932631DEST_PATH_IMAGE053
，
步骤（4）：可信度计算，用z表示传感器测量值数据信息总量，将可信度设置为
Figure 767732DEST_PATH_IMAGE045
，
Figure 777276DEST_PATH_IMAGE045
通过以下函数计算：
Figure 764955DEST_PATH_IMAGE046
（13）
式（13）中，
Figure 896859DEST_PATH_IMAGE047
表示第
Figure 94622DEST_PATH_IMAGE031
个传感输出数据中绝对值最大的数据样本，
Figure 16179DEST_PATH_IMAGE048
表示第
Figure 982998DEST_PATH_IMAGE031
个输出数据中的样本绝对值的总和，
Figure 348121DEST_PATH_IMAGE049
最小为0.05，然后对得到的数据通过
Figure 33180DEST_PATH_IMAGE050
进行归一化，用
Figure 463155DEST_PATH_IMAGE051
表示可信度的阈值，
Figure 81218DEST_PATH_IMAGE051
介于0.05-0.34之间。
在具体实施例中，当
Figure 820504DEST_PATH_IMAGE051
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，用于接收传感器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，用于将多种测量值数据信息进行融合，以兼容不同形式的测量值数据信息，并将多种测量值数据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，多种数据信息的测量值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测量值数据信息的远程无线通信，在远程数据监控中心实现测量值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、接收传感器传感的无线传感器网络数据信息，以实现多种传感器无线传感器网络数据信息的接收；
在本步骤中，通过传感器网络节点实现传感器无线传感器网络数据信息的输出，通过CSMA算法模型提高无线传感器网络数据信息传递能力，并应用MAC协议将无线传感器网络数据信息转发给汇聚节点，提高无线传感器网络数据信息获取能力；
步骤2、利用大数据融合计算模型将多种无线传感器网络数据信息进行融合，以兼容不同形式的无线传感器网络数据信息，并将多种无线传感器网络数据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传感器无线传感器网络数据信息信号变换、滤波、检测、估值和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传感器无线传感器网络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无线传感器网络数据信息的分类；
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，以实现传感器无线传感器网络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，以提高无线传感器网络数据信息分析能力；
步骤4、将步骤1-3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 DEST_PATH_IMAGE002A
(1)
式（1）中，G表示无线传感器网络数据信息在数据传递过程中，到达汇聚节点时无线传感器网络数据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 DEST_PATH_IMAGE004A
表示无线网络传感器的节点传输能力，N表示数据节点网络数据输出量，
Figure DEST_PATH_IMAGE006A
表示无线传感器网络数据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信息在数据传递过程中输出数据的总量；
其中无线传感器网络数据信息信道空闲概率函数为：
Figure DEST_PATH_IMAGE008A
（2）
当无线传感器网络数据信息在通信时，假设通信前存在
Figure DEST_PATH_IMAGE010A
个数据时隙，则无线传感器网络在数据通信时，无线传感器网络数据信息空闲时隙具有的平均个数函数为：
Figure DEST_PATH_IMAGE012A
（3）
式（3）中，
Figure DEST_PATH_IMAGE014A
表示无线传感器网络数据信息在数据传递过程中，到达汇聚节点时无线传感器网络数据信息分组效率。
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传感器无线传感器网络数据信息的融合，将不同的无线传感器网络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 DEST_PATH_IMAGE016A
（4）
式（4）中，
Figure DEST_PATH_IMAGE018A
表示多种传感器采集到的数据信息输入，
Figure DEST_PATH_IMAGE020A
表示多种数据传感器输入数据信息的外部噪音信息，
Figure DEST_PATH_IMAGE022A
表示计算不同无线传感器网络数据信息的高斯线性组合随机序列，
Figure DEST_PATH_IMAGE024A
表示多种传感器输出数据信息的协方程，
Figure DEST_PATH_IMAGE006AA
表示无线传感器网络数据信息空闲时隙具有的平均个数；则启动融合计算后，输出融合后的数据信息为：
Figure DEST_PATH_IMAGE026A
（5）
式（5）中，
Figure DEST_PATH_IMAGE028A
表示融合后的传感器数据计算量，
Figure DEST_PATH_IMAGE030A
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：首先输入传感器无线传感器网络数据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，并进一步统计传感器数据特征属性类别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，进而输出待评估的无线传感器网络数据信息；
假设
Figure DEST_PATH_IMAGE032A
为训练无线传感器网络数据信息样本的待分类项，每个
Figure DEST_PATH_IMAGE034A
为
Figure DEST_PATH_IMAGE036A
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 DEST_PATH_IMAGE038A
（6）
式（6）中， A为无线传感器网络数据信息的特征，B为无线传感器网络数据信息的类别。
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 DEST_PATH_IMAGE040A
，隐含层设为
Figure DEST_PATH_IMAGE042A
，输出层设为
Figure DEST_PATH_IMAGE044A
，各个层次之间不同的数据权值由
Figure DEST_PATH_IMAGE046A
以及
Figure DEST_PATH_IMAGE048A
进行表示；
在输入层中第
Figure DEST_PATH_IMAGE050A
个节点的输出用
Figure DEST_PATH_IMAGE052A
来表示，输出层的第
Figure DEST_PATH_IMAGE050AA
个节点的输出用
Figure DEST_PATH_IMAGE054A
来表示；
Figure DEST_PATH_IMAGE056A
表示节点个数，
Figure DEST_PATH_IMAGE058A
和
Figure DEST_PATH_IMAGE060A
来表示神经网络模型的阈值，i表示数据集合的个数；
各个节点的输出函数分别表示为：
Figure DEST_PATH_IMAGE062A
（7）
Figure DEST_PATH_IMAGE064A
（8）
Figure DEST_PATH_IMAGE066A
（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 DEST_PATH_IMAGE068A
（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 DEST_PATH_IMAGE070A
表示无线传感器网络数据信息空闲时隙具有的平均个数在训练过程中的均方误差；通过
Figure DEST_PATH_IMAGE072A
来表示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 DEST_PATH_IMAGE074A
（11）
然后计算输入层和隐含层之间的权值，计算公式为：
Figure DEST_PATH_IMAGE076A
（12）
式（11）、式（12）中，
Figure DEST_PATH_IMAGE078A
，其表示惯性系数，
Figure DEST_PATH_IMAGE080A
表示传感器检测数据的数值增益系数，
Figure DEST_PATH_IMAGE082AA
表示实际输出值，
Figure DEST_PATH_IMAGE084
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 DEST_PATH_IMAGE086
的值介于0.25~0.78之间；
步骤（4）：可信度计算，用z表示传感器无线传感器网络数据信息总量，将可信度设置为
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE088A
通过以下函数计算：
Figure DEST_PATH_IMAGE090
（13）
式（13）中，
Figure DEST_PATH_IMAGE092A
表示第i个传感输出数据集合的个数，
Figure DEST_PATH_IMAGE094AA
表示第i个输出数据中的样本绝对值的总和，
Figure DEST_PATH_IMAGE096
最小为0.05，然后对得到的数据通过
Figure DEST_PATH_IMAGE098
进行归一化，用
Figure DEST_PATH_IMAGE100
表示可信度的阈值，
Figure DEST_PATH_IMAGE100A
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，用于接收多种无线传感器网络数据信息，以实现多种传感器无线传感器网络数据信息的接收；
数据融合模块，用于将多种无线传感器网络数据信息进行融合，以兼容不同形式的无线传感器网络数据信息，并将多种无线传感器网络数据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 CN114611636A (zh) 2022-06-10
CN114611636B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (1)

* 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CA3128957A1 (en) * 2019-03-04 2020-03-03 Bhaskar Bhattacharyya 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
CN113613345B (zh) * 2021-08-11 2023-07-14 福建工程学院 基于zigbee星型组网的安全状况信息化监测方法及系统

Patent Citations (1)

* 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

Also Published As

Publication number Publication date
CN114611636A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Chen et al. Robust information fusion estimator for multiple delay-tolerant sensors with different failure rates
CN114611636B (zh) 一种融合多种传感器信息实现测量值分析的方法
CN103716123A (zh) 一种传感器网络中分组丢失和错误的原因识别方法和系统
CN111683137B (zh) 5g及区块链智能管理系统
CN104571079A (zh) 一种基于多传感器信息融合的无线远程故障诊断系统
CN108601047B (zh) 机会网络关键节点的测量方法
Zug et al. An architecture for a dependable distributed sensor system
CN110188837A (zh) 一种基于模糊神经的mvb网络故障诊断方法
CN113779247A (zh) 基于意图驱动的网络故障诊断方法及系统
CN112949487A (zh) 一种基于WiFi的船舶驾驶室人员数量检测方法及系统
CN114422379B (zh) 一种多平台设备无线组网的分析方法
Abid et al. Centralized KNN anomaly detector for WSN
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
CN116761194A (zh) 一种无线通信网络中警务协同通信优化系统及方法
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
CN115494466A (zh) 一种针对分布式雷达的自校准方法
Kong et al. Distributed temperature control system based on multi-sensor data fusion
CN113938507B (zh) 基于智能感知的高速搬运系统决策方法及装置
CN107241778B (zh) 基于数据溯源的wsn加权传输拓扑发现方法及系统
Wang et al. Multi-Rate Data Fusion for Wireless Sensor Networks with Time-Delay Based on Improved Cubature Kalman Filter
CN117768351B (zh) 车联网系统的干扰评估方法及相关设备
CN111262937B (zh) 基于云计算的水文气象业务系统及移动传感器自定位方法
Shi et al. Locating Link Failures in WSNs via Cluster Consensus and Graph Decomposition
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