CN115733675B - 一种基于感应电机系统的分布式滤波方法 - Google Patents
一种基于感应电机系统的分布式滤波方法 Download PDFInfo
- Publication number
- CN115733675B CN115733675B CN202211400739.2A CN202211400739A CN115733675B CN 115733675 B CN115733675 B CN 115733675B CN 202211400739 A CN202211400739 A CN 202211400739A CN 115733675 B CN115733675 B CN 115733675B
- Authority
- CN
- China
- Prior art keywords
- sensor node
- representing
- ith
- moment
- induction motor
- 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
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于感应电机系统的分布式滤波方法,所述方法包括如下步骤:步骤一、建立误码影响下同时具有多重网络攻击和状态饱和的感应电机系统的动态模型;步骤二、设计分布式滤波器;步骤三、计算传感器网络中每个传感器节点在s时刻的一步预测误差协方差矩阵上界Σi,s+1|s;步骤四、计算s+1时刻的滤波器增益矩阵步骤五、将代入至分布式滤波器中,获得第i个传感器节点在第s+1时刻的滤波判断s+1是否达到总时长T,若s+1<T,则执行步骤六,若s+1≥T,则结束运行;步骤六、根据计算滤波误差协方差矩阵上界Σi,s+1|s+1;令s=s+1,执行步骤二,直至满足s+1≥T。该方法易于在线求解,解决了现有分布式滤波方法不能同时处理具有状态饱和、多重网络攻击和误码的传感器网络的分布式滤波问题。
Description
技术领域
本发明属于滤波领域,涉及一种滤波方法,具体涉及一种具有状态饱和、多重网络攻击以及误码的传感器网络下感应电机系统的分布式滤波方法。
背景技术
感应电机系统是由定转子之间电磁感应而形成的一种动态系统。因其具有体积小、运转效率高及成本低等优势广泛应用于工业机械、机床等领域。如何对基于感应电机系统的参数进行估计依然是研究热点。常见的滤波方案包括集中式滤波以及分布式滤波,相比于前者,分布式滤波可以依赖于邻接节点信息给出局部最优滤波方案,具有灵活性高、扩展性强、可靠性高等优势。因此,研究基于感应电机系统的分布式滤波问题具有重要研究价值。
考虑到电压、电流等物理参数受限,如何针对状态受限情形下的感应电机系统进行建模至关重要,故研究具有状态饱和的感应电机系统具有实际意义。注意到由于通信网络具有开放性与共享性等特点,信息在传输的过程中难免会遭遇到一些恶意的网络攻击行为,致使系统性能遭到破坏,导致滤波算法精度降低。从攻击者角度出发,为提高攻击成功发生的概率,往往在通信信道中引入多重网络攻击,从而达到破坏数据完整性的目的。此外,由于数字化信号在双值对称信道传输过程中容易受到信道噪声的外部干扰,从而产生误码现象,如未对其进行充分考虑,将会恶化系统性能。
现有的分布式滤波方法难以解决同时具有以上现象的感应电机系统的滤波问题,若采用传统滤波方案对感应电机系统状态进行估计将会影响滤波性能。
发明内容
为了解决基于感应电机系统的具有状态饱和、多重网络攻击以及误码等现象的分布式滤波问题,本发明提供了一种基于感应电机系统的分布式滤波方法。该方法可以真实地反应实际情形,由于采用递推滤波方法,易于在线计算及应用。
本发明的目的是通过以下技术方案实现的:
一种基于感应电机系统的分布式滤波方法,包括如下步骤:
步骤一、基于两相静止坐标系,选取定子电流、转子磁链以及角速度作为状态变量,建立误码影响下同时具有多重网络攻击和状态饱和的感应电机系统的动态模型;
步骤二、基于步骤一建立的动态模型,在最小化均方误差的意义下设计分布式滤波器;
步骤三、计算传感器网络中每个传感器节点在s时刻的一步预测误差协方差矩阵上界Σi,s+1|s;
步骤五、根据步骤四得到的每个传感器节点的滤波器增益矩阵将其代入至步骤二设计的分布式滤波器中,获得第i个传感器节点在第s+1时刻的滤波/>判断s+1是否达到总时长T,若s+1<T,则执行步骤六,若s+1≥T,则结束运行;
相比于现有技术,本发明具有如下优点:
1、本发明提出了一种基于误码的感应电机系统的分布式滤波方法,该方法同时考虑到状态饱和及多重网络攻击对系统性能带来的影响,采用递推滤波方法全面考虑了滤波误差协方差矩阵的有效信息。与已有的基于传感器网络的分布式滤波方法的不同之处在于,本发明采用了非增广方法同时处理具有状态饱和、多重网络攻击和误码现象的分布式滤波问题,提高了运算效率,并且提出了一种方差约束下的分布式滤波算法,该算法易于在线求解,解决了现有分布式滤波方法不能同时处理具有状态饱和、多重网络攻击和误码的传感器网络的分布式滤波问题,导致滤波性能降低。
2、本发明利用矩阵理论,通过考虑滤波误差协方差矩阵的有效信息获得滤波误差协方差矩阵上界,通过构造适当的滤波器增益矩阵来确保滤波误差协方差上界的迹取到最小值。以上方法保证了滤波误差可以达到最小,并实现了在状态饱和、多重网络攻击和误码同时发生情形下滤波算法仍可保持较好性能。
3、本发明的分布式滤波算法可以有效估计出感应电机系统的状态信息。
附图说明
图1为本发明基于感应电机系统的分布式滤波方法的流程图;
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于感应电机系统的分布式滤波方法,首先,构建具有状态饱和的感应电机系统的状态空间模型以及具有多重网络攻击和误码的感应电机系统的测量模型。基于可测信息,设计一个新型分布式饱和滤波器对上述动态模型的状态进行估计。接下来,计算预测误差协方差的上界矩阵以及分布式滤波器增益矩阵。最后,将设计的分布式滤波器增益矩阵代入至分布式滤波器中,从而构建同时具有状态饱和、多重网络攻击和误码的分布式滤波算法。如图1所示,所述方法包括如下步骤:
步骤一、基于两相静止坐标系,选取定子电流、转子磁链以及角速度作为状态变量,建立误码影响下同时具有多重网络攻击和状态饱和的感应电机系统的动态模型。
本步骤中,建立的具有状态饱和的传感器网络下感应电机系统动态模型为:
式中,xs=[x1,s x2,s x3,s x4,s x5,s]T,T表示转置,x1,s、x2,s、x3,s、x4,s及x5,s分别表示在第s时刻α轴的定子电流、β轴的定子电流、α轴的转子磁链、β轴的转子磁链及角速度;xs+1=[x1,s+1x2,s+1x3,s+1x4,s+1x5,s+1]T,x1,s+1、x2,s+1、x3,s+1、x4,s+1及x5,s+1分别表示在第s+1时刻α轴的定子电流、β轴的定子电流、α轴的转子磁链、β轴的转子磁链及角速度;l1为第一驱动参数,l2为第二驱动参数,l3为第三驱动参数,l4为第四驱动参数,l5为第五驱动参数,l6为第六驱动参数,l7为第七驱动参数,l8为第八驱动参数,z1是定子电压的输入,z2是定子电压的频率,z3是满载转矩,h为采样间隔;ωs是均值为零协方差矩阵为的过程噪声;/>是测量输出信号,υi,s表示第i个传感器节点在第s时刻的测量噪声,且满足零均值方差为/>i为传感器节点标号,N表示本发明研究的传感器网络中节点的数量;/>表示饱和函数,其具体定义如下:
其中,ψz,max代表饱和水平(ψmax)的第z个元素,sign(·)为符号函数,min(·)为最小值函数,|·|表示对“·”取绝对值。
Prob{αi,s=1}=pi,Prob{αi,s=0}=1-pi
式中,Prob{·}表示随机变量“·”的概率,pi∈[0,1]表示误码概率。误码发生后实际得到的解码测量信号为:
式中,表示随机变量“·”的数学期望,Var{·}表示随机变量“·”的方差。为补偿因误码产生的误差,定义一个新测量输出为:/>因此,因误码引起的误差可表示为/>且满足/> 及此外,本发明假定随机变量/>ηi,s和υi,s之间相互独立。综上,基于误码的测量输出为:
考虑到网络安全性问题,从攻击者角度出发,为提高攻击成功发生的概率,本发明考虑同时包含DoS攻击和虚假数据注入攻击的多重网络攻击。故多重网络攻击影响下的实际测量输出可表示为:
式中,表示发生多重攻击后的测量输出,yi,s表示未发生攻击的测量输出,ρi,s为多重攻击信号,θi,s是有界信号且满足||θi,s||2≤Θi,Θi表示攻击信号的上界。随机变量φi,s及/>之间相互独立且满足:
步骤二、基于步骤一建立的动态模型,在最小化均方误差的意义下设计分布式滤波器。具体步骤如下:
为便于后续理论推导,本发明引入以下符号:
基于可测信息,构造如下分布式滤波器:
式中,Ξs表示基于感应电机系统的状态转移矩阵,为基于感应电机系统的非线性函数的滤波形式,/>为发生误码及网络攻击后的实际测量输出,Hi,s+1为基于感应电机系统的测量矩阵,/>为DoS攻击的发生概率,/>为虚假数据注入攻击的发生概率,/>为饱和函数,/>为第i个传感器节点在第s时刻的一步预测,/>为第j个传感器节点在第s时刻的一步预测,/>为第i个传感器节点在第s时刻的滤波,/>为第i个传感器节点在第s+1时刻的滤波,/>表示第i个传感器节点在第s+1时刻的滤波器增益矩阵,εi表示第i个传感器节点的一致性增益,χij表示加权邻接参数,/>表示第i个传感器节点的邻接节点集,Σ表示求和函数。
步骤三、计算传感器网络中第i个传感器节点在第s时刻的一步预测误差协方差矩阵上界Σi,s+1|s。
本步骤中,第i个传感器节点在第s时刻的一步预测误差协方差矩阵上界Σi,s+1|s的计算公式如下:
式中, 表示饱和水平第l个分量的平方,Σi,s|s表示第i个传感器节点在s时刻的滤波误差协方差上界,i=1,2,…,N为传感器节点的个数,/>为基于感应电机系统的过程噪声的协方差矩阵,Ξs表示基于感应电机系统的状态转移矩阵,ιs表示第s时刻基于感应电机系统的非线性函数的放大参数,α1表示在计算预测误差协方差矩阵中的一号参数,/>表示α1的逆,I表示单位矩阵,tr{·}表示对“·”取迹,min{*,×}表示*和×的最小值。
式中,β1为一号中间变量,β2为二号中间变量,β3为三号中间变量,β4为四号中间变量,为测量噪声υi,s+1的方差矩阵,/>为第i个传感器节点在第s+1时刻的滤波器增益矩阵,/>表示DoS攻击的发生概率,/>表示虚假数据注入攻击的发生概率,Σi,s+1|s表示第i个传感器节点在第s时刻的一步预测误差协方差矩阵上界,/>表示第i个传感器节点在第s时刻的一步预测,Hi,s+1表示基于感应电机系统的测量矩阵,Θi表示攻击信号的上界,pi∈[0,1]表示误码概率,di表示测量输出的边界值,L是比特串的长度,μi表示针对第i个传感器节点的每个量化区间段的长度,/>及/>分别表示β1、β2、β3及β4的逆,/>表示基于感应电机系统的测量矩阵Hi,s+1的转置,/>为/>的转置,[·]-1表示对“[·]”进行取逆运算,I表示单位矩阵。
步骤五、根据步骤四得到的第i个传感器节点在第s+1时刻的滤波器增益矩阵将其代入至步骤二设计的分布式滤波器中,获得第i个传感器节点在第s+1时刻的滤波/>判断s+1是否达到总时长T,若s+1<T,则执行步骤六,若s+1≥T,则结束运行。
本步骤中,第i个传感器节点在第s+1时刻的滤波误差协方差矩阵上界Σi,s+1|s+1的计算公式为:
式中,Σi,s+1|s+1为第i个传感器节点在第s+1时刻的滤波误差协方差矩阵上界,Σi,s+1|s为第i个传感器节点在第s时刻的一步预测误差协方差矩阵上界,Σj,s+1|s为第j个传感器节点在第s时刻的一步预测误差协方差矩阵上界,β1为一号中间变量,β2为二号中间变量,β3为三号中间变量,β4为四号中间变量,及/>分别表示β1、β2、β3及β4的逆,/>是第i个传感器节点在第s+1时刻的滤波器增益矩阵,/>为/>的转置,/>表示第i个传感器节点在第s时刻的一步预测,/>为/>的转置,Hi,s+1是基于感应电机系统的测量矩阵,/>为Hi,s+1的转置,/>是测量噪声υi,s+1的方差矩阵,pi∈[0,1]表示误码概率,di表示测量输出的边界值,L是比特串的长度,μi表示针对第i个传感器节点的每个量化区间段的长度,ci表示第i个传感器节点的内节点数量,εi为第i个传感器节点的一致性增益,χij表示加权邻接参数,/>表示第i个传感器节点的邻接节点集,Σ表示求和函数,I表示单位矩阵。
根据本步骤计算出的Σi,s+1|s+1可知,Pi,s+1|s+1≤Σi,s+1|s+1成立,其中Pi,s+1|s+1表示滤波误差协方差矩阵。接下来,通过最小化tr{Σi,s+1|s+1}设计出第i个传感器节点在第s+1时刻的滤波器增益矩阵
实施例:
本实施例以具有状态饱和、误码和网络攻击的感应电机系统为例,采用本发明所述方法进行仿真:
选取如下拓扑结构:
边集:表示信息之间的交互行为,和下面的/>对应,例如:/>的(3,2)表示第二个传感器节点可以传输信息至第三个传感器节点,所以在/>的第三行第二列是1,代表二者之间信息交换的强度为1,(1,1)则表示第一个传感器节点可以接收自身的信息,所以在/>的第一行第一列为1;
系统的相关初值设置为:
其中,表示第一个传感器的滤波初值,其中向量的第一个分量、第二个分量、第三个分量、第四个分量及第五个分量分别表示在初始时刻第一个传感器对α轴的定子电流的滤波、对β轴的定子电流的滤波、对α轴的转子磁链的滤波、对β轴的转子磁链及对角速度的滤波,/>表示第二个传感器的滤波初值,其中向量的第一个分量、第二个分量、第三个分量、第四个分量及第五个分量分别表示在初始时刻第二个传感器对α轴的定子电流的滤波、对β轴的定子电流的滤波、对α轴的转子磁链的滤波、对β轴的转子磁链及对角速度的滤波,/>表示第三个传感器的滤波初值,其中向量的第一个分量、第二个分量、第三个分量、第四个分量及第五个分量分别表示在初始时刻第三个传感器对α轴的定子电流的滤波、对β轴的定子电流的滤波、对α轴的转子磁链的滤波、对β轴的转子磁链及对角速度的滤波,/>表示第四个传感器的滤波初值,其中向量的第一个分量、第二个分量、第三个分量、第四个分量及第五个分量分别表示在初始时刻第四个传感器对α轴的定子电流的滤波、对β轴的定子电流的滤波、对α轴的转子磁链的滤波、对β轴的转子磁链及对角速度的滤波,x0的第一个分量表示在初始时刻α轴的定子电流,第二个分量为初始时刻β轴的定子电流,第三个分量为初始时刻α轴的转子磁链,第四个分量为初始时刻β轴的转子磁链,第五个分量为初始时刻角速度。
其它仿真参数值的选取如下:基于感应电机系统的非线性函数选取为每个分量的饱和水平分别为ψ1,max=ψ2,max=ψ3,max=ψ4,max=ψ5,max=4,比特串的长度为L=4,基于感应电机系统的过程噪声协方差为/>基于感应电机系统的测量噪声协方差为/>第i个传感器节点发生误码的概率为pi=0.01,测量值的量化边界为di=16,基于感应电机系统的中间变量分别为α1=βl=0.01(l=1,…,4),基于感应电机系统的非线性函数的放大系数为ι=0.5,第i个传感器节点网络攻击的发生概率分别为/>网络攻击信号的上界为Θi=0.5。感应电机系统中的相关参数分别设置如下:第一驱动参数l1=-0.186,第二驱动参数l2=1.978,第三驱动参数l3=-0.925,第四驱动参数l4=-2.234,第五驱动参数l5=-0.081,第六驱动参数l6=4.643,第七驱动参数l7=-4.448,第八驱动参数l8=1,定子电压的输入z1=0.1,定子电压的频率z2=0.1,满载转矩z3=0,采样间隔h=0.1。
分布式滤波器效果:
由图2~图6可见,针对具有状态饱和、多重网络攻击及误码的感应电机动态系统,本发明设计的分布式滤波器可以有效地对目标状态进行估计。
Claims (1)
1.一种基于感应电机系统的分布式滤波方法,其特征在于所述方法包括如下步骤:
步骤一、基于两相静止坐标系,选取定子电流、转子磁链以及角速度作为状态变量,建立误码影响下同时具有多重网络攻击和状态饱和的感应电机系统的动态模型,其中:
误码影响下同时具有多重网络攻击和状态饱和的感应电机系统的动态模型为:
ρi,s=-yi,s+θi,s
式中,xs=[x1,s x2,s x3,s x4,s x5,s]T,T表示转置,x1,s、x2,s、x3,s、x4,s及x5,s分别表示在第s时刻α轴的定子电流、β轴的定子电流、α轴的转子磁链、β轴的转子磁链及角速度;xs+1=[x1,s+1 x2,s+1 x3,s+1 x4,s+1 x5,s+1]T,x1,s+1、x2,s+1、x3,s+1、x4,s+1及x5,s+1分别表示在第s+1时刻α轴的定子电流、β轴的定子电流、α轴的转子磁链、β轴的转子磁链及角速度;l1为第一驱动参数,l2为第二驱动参数,l3为第三驱动参数,l4为第四驱动参数,l5为第五驱动参数,l6为第六驱动参数,l7为第七驱动参数,l8为第八驱动参数,z1是定子电压的输入,z2是定子电压的频率,z3是满载转矩,h为采样间隔;ωs是均值为零协方差矩阵为的过程噪声;/>是测量输出信号,υi,s表示第i个传感器节点在s时刻的测量噪声,且满足零均值方差为/>i为传感器节点标号,N表示本发明研究的传感器网络中节点的数量;/>表示饱和函数;yi,s表示发生误码现象后的测量输出,ηi,s为截断误差,/>为误码误差;/>表示发生误码及多重网络攻击后的测量输出,ρi,s表示攻击信号,θi,s是有界信号,φi,s表示DoS攻击发生情况,/>表示虚假数据注入攻击发生情况;
步骤二、基于步骤一建立的动态模型,在最小化均方误差的意义下设计分布式滤波器,其中:
分布式滤波器为:
式中,Ξs表示基于感应电机系统的状态转移矩阵,为基于感应电机系统的非线性函数的滤波形式,/>为发生误码及网络攻击后的实际测量输出,Hi,s+1为基于感应电机系统的测量矩阵,/>为DoS攻击的发生概率,/>为虚假数据注入攻击的发生概率,/>为第i个传感器节点在第s时刻的一步预测,/>为第j个传感器节点在第s时刻的一步预测,/>为第i个传感器节点在第s时刻的滤波,/>为第i个传感器节点在第s+1时刻的滤波,/>表示第i个传感器节点在第s+1时刻的滤波器增益矩阵,εi表示第i个传感器节点的一致性增益,χij表示加权邻接参数,/>表示第i个传感器节点的邻接节点集,Σ表示求和函数;
步骤三、计算传感器网络中第i个传感器节点在第s时刻的一步预测误差协方差矩阵上界Σi,s+1|s,其中:
第i个传感器节点在第s时刻的一步预测误差协方差矩阵上界Σi,s+1|s的计算公式如下:
式中, 表示饱和水平第l个分量的平方,Σi,s|s表示第i个传感器节点在s时刻的滤波误差协方差上界,i=1,2,…,N为传感器节点的个数,ιs表示第s时刻基于感应电机系统的非线性函数的放大参数,α1表示在计算预测误差协方差矩阵中的一号参数,表示α1的逆,I表示具有维数的单位矩阵,tr{·}表示对“·”取迹,min{*,×}表示*和×的最小值;
式中,β1为一号中间变量,β2为二号中间变量,β3为三号中间变量,β4为四号中间变量,为测量噪声υi,s+1的方差矩阵,Θi表示攻击信号的上界,pi∈[0,1]表示误码概率,di表示测量输出的边界值,L是比特串的长度,μi表示针对第i个传感器节点的每个量化区间段的长度,/>及/>分别表示β1、β2、β3及β4的逆,/>表示Hi,s+1的转置,/>为的转置,[·]-1表示对“[·]”进行取逆运算;
步骤五、根据步骤四得到的第i个传感器节点在第s+1时刻的滤波器增益矩阵将其代入至步骤二设计的分布式滤波器中,获得第i个传感器节点在第s+1时刻的滤波判断s+1是否达到总时长T,若s+1<T,则执行步骤六,若s+1≥T,则结束运行;
第i个传感器节点在第s+1时刻的滤波误差协方差矩阵上界Σi,s+1|s+1的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211400739.2A CN115733675B (zh) | 2022-11-09 | 2022-11-09 | 一种基于感应电机系统的分布式滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211400739.2A CN115733675B (zh) | 2022-11-09 | 2022-11-09 | 一种基于感应电机系统的分布式滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115733675A CN115733675A (zh) | 2023-03-03 |
CN115733675B true CN115733675B (zh) | 2023-06-16 |
Family
ID=85295035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211400739.2A Active CN115733675B (zh) | 2022-11-09 | 2022-11-09 | 一种基于感应电机系统的分布式滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115733675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194866B (zh) * | 2023-09-11 | 2024-03-26 | 哈尔滨理工大学 | 一种基于质量弹簧阻尼系统的分布式滤波方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9961089B1 (en) * | 2016-10-20 | 2018-05-01 | Mitsubishi Electric Research Laboratories, Inc. | Distributed estimation and detection of anomalies in control systems |
CN110289989B (zh) * | 2019-05-27 | 2022-10-25 | 东南大学 | 一种基于容积卡尔曼滤波算法的分布式状态估计方法 |
CN113810906B (zh) * | 2021-02-24 | 2024-04-16 | 浙江工业大学 | 一种针对网络化伺服电机的传感器攻击估计方法 |
CN113391616B (zh) * | 2021-05-13 | 2021-12-24 | 中国矿业大学 | 一种基于事件触发机制的矿用电车安全状态估计方法 |
-
2022
- 2022-11-09 CN CN202211400739.2A patent/CN115733675B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115733675A (zh) | 2023-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115733675B (zh) | 一种基于感应电机系统的分布式滤波方法 | |
CN109088749B (zh) | 一种随机通讯协议下复杂网络的状态估计方法 | |
Shoukry et al. | Secure state reconstruction in differentially flat systems under sensor attacks using satisfiability modulo theory solving | |
CN104991239B (zh) | 一种基于脉冲压缩雷达的距离旁瓣抑制方法 | |
CN111698257B (zh) | 针对多类恶意攻击的工业信息物理系统安全检测方法 | |
Nguyen et al. | Effects of wireless sensor network uncertainties on output-only modal analysis employing merged data of multiple tests | |
Xing et al. | Comparison of centralised scaled unscented Kalman filter and extended Kalman filter for multisensor data fusion architectures | |
CN111144267B (zh) | 设备运行状态检测方法、装置、存储介质及计算机设备 | |
CN112327810B (zh) | 一种动态事件触发传输马尔科夫跳变系统的故障估计方法 | |
CN105258940A (zh) | 机械故障定量提取的标准化多小波与多小波包变换方法 | |
Ding et al. | DeepAK-IoT: An effective deep learning model for cyberattack detection in IoT networks | |
Xin et al. | Intelligent fault diagnosis method for rotating machinery based on vibration signal analysis and hybrid multi‐object deep CNN | |
CN108228959A (zh) | 利用删失数据估计系统实际状态的方法及应用其的滤波器 | |
Li et al. | Fault diagnosis for non‐linear single output systems based on adaptive high‐gain observer | |
CN116471585B (zh) | 一种兼顾隐私保护的面向任务的语义通信方法及系统 | |
CN110311898B (zh) | 基于高斯径向基函数分类器的网络化数控系统中间人攻击检测方法 | |
CN116431981B (zh) | 一种基于移动机器人定位系统的分布式集员滤波方法 | |
Li et al. | RCMFRDE: Refined Composite Multiscale Fluctuation‐Based Reverse Dispersion Entropy for Feature Extraction of Ship‐Radiated Noise | |
CN116465623A (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
CN116341229A (zh) | 欺骗攻击影响下基于高速网络的状态饱和系统递推滤波方法 | |
CN111953712B (zh) | 一种基于特征融合及密度聚类的入侵检测方法及装置 | |
CN116304621A (zh) | 基于频谱域数据驱动的智能电网虚假数据注入攻击定位方法 | |
CN113204647B (zh) | 一种基于联合权重的编码解码框架知识图谱嵌入方法 | |
Long et al. | Applications of fractional lower order frequency spectrum technologies to bearing fault analysis | |
CN102156802B (zh) | 一种均匀分布的波动数据预测方法 |
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 |