萤火虫算法优化神经网络的无线传感器网络数据融合

为了降低无线传感器网络中收集数据的冗余性,提高网络的生存周期,并且针对无线传感器网络数据融合算法中使用单层BP神经网络与SOFM神经网络收敛慢、易出现局部最优解的缺点,设计了一种萤火虫算法优化神经网络的无线传感器网络数据融合的策略FA-BPNN。首先,每个簇首节点接收该簇内感知节点监测到的数据,并根据相关性,提取相关的特征数据;然后,依据萤火虫算法优化BP神经网络进行数据融合;最后,通过仿真实验对其可行性进行测试。仿真结果表明,FA-BPNN算法提高了网络数据融合的效率,减少了网络的能量消耗,延长了网络的生命周期。     

无线传感器节点模块级故障诊断方法的研究EI北大核心CSCD

为了快速检测出无线传感器网络(WSNs)节点故障的位置和诊断产生故障的原因,设计了一种WSNs节点故障在线状态监测器,分别对WSNs节点中的供能模块、传感器模块,处理器模块和无线通信模块的工作状态进行在线监测。提出了一种基于无线通信模块电流模型的故障诊断方法,利用BP神经网络对无线通信模块不同状态下的故障诊断参数进行动态调节。经过对节点实际运行数据的采集、分析、建模与实验,结果表明:当WSNs节点出现故障时,诊断系统能够自动定位WSNs节点中故障发生位置,并提示故障产生的原因。此外,本故障诊断方法不需要额外辅助节点或测试整条无线连通路径,就能检出无线通信模块的多种类型故障,且故障诊断结果精度较高。     

机械振动WSNs子带峰值自适应量化融合编解码方法

针对智能运维机械振动无线传感器网络多传感器传输振动数据时面临传输数据量大及传输效率低的问题，本文提出一种子带峰值自适应量化融合编解码方法。首先，传感器节点对原始数据进行离散余弦变换以确保子带能量集中；然后提取出子带DCT系数中的离群值，并用子带峰值自适应量化方法对其进行量化以减少数据失真；最后，用字节融合与比特融合方法将多传感器的量化数据进行融合拼接以减少数据冗余。将提出的方法与其他数据压缩方法进行对比以验证本文方法的性能。实验结果表明，该方法在8个节点同时采集传输的机械振动无线传感器网络中，数据压缩比为8.335时，重构信噪比为20.486 3 dB,节省37.2%的传输时间，可以有效实现信道资源受限的机械振动无线传感器网络多传感器振动数据的融合压缩。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法.首先,对多传感器振动信号分别进行特征提取,将获得特征...     

无线传感器网络中基于神经网络的分布式入侵检测

研究无线传感器网络的入侵检测问题。针对无线传感器网络特性面临的安全性脆弱现状,结合节点的分布式处理能力与入侵检测技术,提出基于神经网络学习法的分布式入侵检测。该方案顶层采用基于Hebb的异常检测器;中间层是簇头分类器,将检测到的来自节点的异常数据进行入侵分类;底层是管理节点,将分类器检测出来的数据进行融合处理,并将异常数据发布出去。在无线传感器网络入侵检测中获得了较高的检测率,仿真结果证实了该方法的有效性。     

IRIS节点平台无线传感器网络自组网及通信的实现

以一个简单的实验为例,介绍了一种在IRIS节点平台上,实现无线传感器网络的自组网以及通信的方法,成功实现了WSNs的自组网以及传感器数据的多跳通信。     

基于无线充电的Sink轨迹固定WSN路由算法

利用无线充电技术给节点供电已经成为延长无线传感器网络寿命的一种有效方式。针对Sink节点轨迹固定的无线传感器网络,采用移动Sink无线充电,提出一种基于近邻传播聚类的能量均衡无线充电路由算法。该算法采用近邻传播聚类算法对节点进行分簇,使得分簇更加均匀,分簇后簇结构不变,簇头轮换,减少频繁成簇带来的不必要能量开销。数据传输阶段在簇头之间建立层次树优化传播路径,计算权值时考虑中继节点的剩余能量,均衡簇间能量;Sink节点采集数据的同时,对充电范围内的可充电节点进行无线供电,以填补Sink节点轨迹周围的能量空洞。仿真结果表明,与传统分簇算法相比,该算法更为有效地延长了网络的生命周期。     

一种时间约束的多机器人WSNs节能数据收集方法

为了在不同数据收集时间约束下最小化无线传感器网络(WSNs)的能量消耗,提出了一种时间约束的多机器人WSNs数据收集方法。首先,给出网络模型假设,并在此基础上,利用最优化理论,构建时间约束的多机器人WSNs数据收集模型;然后,基于图论和分簇技术,设计一种基于最优子路由树的多机器人WSNs数据收集算法;最后,通过与现有方法进行对比实验,实验结果表明,所提出的方法能够在满足应用时间约束的同时,有效地降低WSNs的能量消耗,延长网络生命周期。     

无线传感器网络中能量高效的自适应分簇算法

无线传感器网络中节点能量是受限的,高效的节能方法成为无线传感器网络中各种关键技术研究的重点之一。为有效降低分簇无线传感器网络在分簇时的能量消耗,给出一种能量高效的无线传感器网络自适应分簇算法。该方案首先是根据数据传输能量消耗最小原则计算出最优簇头节点数目,然后按照区域聚类方法进行分簇,最后在每个簇根据节点剩余能量和数据传输能耗代价选择簇头。仿真性能分析结果表明:所给方案可以有效降低节点能量消耗,防止簇头节点因能量消耗过快而过早失效。因此,该算法可以提升网络的稳定性,延长网络生命周期。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

多振动信号的时频相干多分形特征提取

为充分利用多个同步采样的振动信号进行机械设备的故障诊断,提出了搭建多振动信号时频相干网络并提取其多分形特征的方法。首先,将每个振动信号作为一个节点,根据所关心的物理问题,按适当的方式将各个节点连接成网;其次,对网络中相邻的每对节点做交叉小波变换,得到时频相干谱,借助小波领袖来估计时频相干谱的多分形谱,用曲线拟合的方法来提取多分形谱的形态特征;最后,利用特征融合与维数约简方法,对已得到的所有特征进行融合和降维,从而得到整个网络的最终特征。该方法给出了一个提取多振动信号时频相干多分形特征的框架,并在某高射机枪自动机的裂纹故障诊断中取得了成功应用,具有广泛的适用范围。     

基于奇异值融合的机械设备盲信息提取

针对机械设备的故障特征信息提取问题,提出了基于奇异值融合的机械盲信息提取方法。首先,由机械振动测量信号分离振动源信号,并进行包络解调组成包络信号矩阵,进而进行奇异值分解,提取矩阵的奇异值均值和奇异值熵作为故障特征信息;然后,针对分离矩阵直接进行奇异值分解,提取奇异值作为故障特征信息;最后,将包络信号矩阵奇异值均值、奇异值熵和分离矩阵奇异值进行特征层信息融合作为机械设备的故障特征信息。将该方法应用于液压齿轮泵可以有效地提取机械设备盲特征信息。     

Fault feature extraction of a rotor system based on local mean decomposition and Teager energy kurtosis

Feature extraction is the most important step for machine fault diagnosis, but useful features are very difficult to extract from the vibration signals, especially for intelligent fault diagnosis based on data-driven technique. An integral method for fault feature extraction based on local mean decomposition (LMD) and Teager energy kurtosis (TEK) is proposed in this paper. The raw vibration signals are first processed via LMD to produce a group of product functions (PFs). Then, the Teager energies are computed using the derived PFs. Subsequently, each Teager energy data set is directly used to calculate the corresponding TEK. A vibration experiment was performed on a rotor-bearing rig with rub-impact fault to validate the proposed method. The experimental results show that the proposed method can extract different TEKs from the mechanical vibration signals under two different operating conditions. These TEKs can be employed to identify the normal and rub-impact fault conditions and construct a numerical-valued machine fault decision table, which proves that the proposed method is suitable for fault feature extraction of the rotor-bearing system.     

基于三层信息融合的提升机制动系统故障诊断

为了充分利用矿井提升机运行过程中的监测历史数据,判定故障原因并进行准确定位,将信息融合技术引入提升机的故障诊断中,提出了一种基于三层多源信息融合的故障诊断方法。该方法依据主成分分析法(principal component analysis,简称PCA)建立主元模型,对原始完备数据集进行降维去噪,实现特征提取,完成数据层的融合;特征层采用具有记忆功能的Elman神经网络作为融合算法,不断调整权值对数据层各信息源提取出来的特征进行训练,通过压缩融合信息量完成时间上的融合;决策层使用DS(dempster-shafer,简称DS)证据理论对特征层训练输出的信息进行融合,判定故障原因,实现了空间上的融合;最后依据PCA故障诊断原理,定位故障发生的部位,完成诊断过程。该融合方法通过对监测系统所测信息的合理选择、综合与利用,对其进行空间和时间上的融合互补。试验结果表明,该方法能够充分利用大量历史数据对系统进行诊断,可以显著提高系统的可靠性。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

Data compression in wireless sensors network using MDCT and embedded harmonic coding

One of the major applications of wireless sensors networks (WSNs) is vibration measurement for the purpose of structural health monitoring and machinery fault diagnosis. WSNs have many advantages over the wired networks such as low cost and reduced setup time. However, the useful bandwidth is limited, as compared to wired networks, resulting in relatively low sampling. One solution to this problem is data compression which, in addition to enhancing sampling rate, saves valuable power of the wireless nodes. In this work, a data compression scheme, based on Modified Discrete Cosine Transform (MDCT) followed by Embedded Harmonic Components Coding (EHCC) is proposed to compress vibration signals. The EHCC is applied to exploit harmonic redundancy present is most vibration signals resulting in improved compression ratio. This scheme is made suitable for the tiny hardware of wireless nodes and it is proved to be fast and effective. The efficiency of the proposed scheme is investigated by conducting several experimental tests.     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

基于自动编码器数据降维的滚动轴承故障诊断研究

针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编...     

Fault diagnosis of rotating machine by thermography method on support vector machine

Feature-based classification techniques consist of data acquisition, preprocessing, feature representation, feature calculation, feature selection, and classifiers. They are useful for online, real-time condition monitoring and fault diagnosis / features, which are now available with the development of information technologies and various measurement techniques. In this paper, an intelligent feature-based fault diagnosis is suggested, developed, and compared with vibration signals and thermal images. Fault diagnosis is performed using thermal imaging along with support vector machine (SVM) classification to simulate machinery faults, resulting in an accuracy level comparable to vibration signals. The observed results show that fault diagnosis using thermal images for rotating machines can be applied to industrial areas as a novel intelligent fault diagnostic method with plausible accuracy. It can be also proposed as a unique non-contact method to analyze rotating systems in mass production lines within a short time.