分簇式无线传感器网络节点故障诊断算法研究

无线传感器网络(WSNs)分布式节点故障诊断算法是一种可用于WSNs节点的故障诊断算法,通过整个网络内邻居节点之间的数据融合诊断出故障节点.但分布式算法的计算量十分巨大,浪费了大量的节点能源,而且分布式算法中使用自定义的全局阈值会降低诊断精度,分簇式的节点故障诊断算法应用LEACH-DFD算法,通过簇头节点完成故障检测...     

基于邻居节点预状态的无线传感器网络故障诊断算法

针对无线传感器网络（WSN）故障节点率高于50%时故障检测率降低的问题,提出一种基于邻居节点预状态及邻居节点数据的无线传感器节点故障诊断算法。首先利用节点自身历史数据对节点状态进行初步预判断;然后结合节点间相似性和邻居节点的预状态对节点状态进行最终的判断;最后利用移动传感器节点将故障节点信息通过最优路径发送给基站,有效地减少了通信次数。仿真实验在100 m×100 m的方形区域内模拟WSN。实验结果表明,与传统的分布式故障诊断（DFD）算法相比,诊断精度提升了9.84个百分点,并且当节点故障率高达50%时,该算法仍能达到95%的诊断精度。在实际应用中,所提算法在提高故障诊断精度的同时,能有效地减少能量消耗、延长网络寿命。     

基于时空特性的无线传感器网络节点故障诊断方法

无线传感器网络中故障节点会产生并传输错误数据,这将消耗节点的能量和带宽,同时会形成错误的决策。利用节点感知数据的空间相似性,提出了节点故障诊断的算法,通过对邻节点所感知的传感数据进行比较,从而确定检测节点的状态,并将测试状态向网络中其他相邻节点进行扩散。对于网络中存在的节点瞬时故障,通过时间冗余的检测方法,降低故障诊断的虚警率。该算法对实现故障节点的检测具有较好的性能,实验结果验证了算法的可行性和有效性。     

基于粗集的WSN节点故障诊断算法研究

本文运用粗糙集及其数据约简理论设计一种改进的启发式WSN节点故障诊断算法来消除冗余,精简节点故障诊断决策表.结果表明,改进后的算法能够实现更准确和更高效的WSN节点的故障检测.     

基于不完全故障数据的分布式系统故障诊断方法

在分布式系统中,系统的规模庞大,结构复杂,这使得故障数据的收集十分困难;为了对分布式系统进行故障诊断,文章提出了一种基于不完全故障数据的故障诊断方法;首先,应用非对称比较方法进行系统的故障诊断;其次,将系统的故障诊断转化为一个二分类问题;最后,根据系统运行的部分症状数据,应用线性支持向量机模型对系统中的节点状态进行分类;模拟实验表明,文章提出的方法能有效的识别出系统中的故障;此外为了进一步提高该方法的执行效率,可以采用系统的部分症状数据将故障节点限定在一定的范围内。     

基于粒子群算法优化支持向量机汽车故障诊断研究

汽车故障检测和诊断技术一直是国内外研究热点问题。支持向量机用于汽车故障诊断时,其多分类组合决策对分类正确率及诊断时间有很大影响,为了有效提高汽车系统故障诊断的效率和精度,提出了一种基于粒子群算法优化层次支持向量机汽车故障诊断检测方法。针对分解支持向量机具有测试时间短、结构难以确定的特点,利用粒子群算法,依据最大间隔距离原则优化层次支持向量机模型,使每个节点的支持向量机具有最大分类间隔,减少了误差积累,从而优化了多级二叉树结构的SVM,实现故障的分级诊断。仿真实验结果表明,提出的算法在所有参比模型中精度最高,能高效地对汽车系统的故障进行检测与定位,具有较强的泛化能力,同时缩短了故障诊断时间。     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

无线传感器网络中节点故障诊断方法的研究

无线传感器网络中故障节点会产生并传输错误数据,这将消耗节点的能量和带宽,同时会形成错误的决策。利用节点感知数据的空间相似性,提出了节点故障诊断的算法,通过对邻节点所感知的传感数据进行比较,从而确定检测节点的状态,并将测试状态向网络中其他相邻节点进行扩散。该算法对实现故障节点的检测具有较好的性能,实验结果验证了算法的可行性和有效性。     

WSN中故障诊断性能与平均节点度研究

在基于无线传感器网络的结构健康监测中,故障节点产生并传输的错误数据将消耗节点的能量和带宽,同时会形成结构健康监测的错误决策。针对该问题,提出一种节点故障诊断算法,利用节点感知传感数据的空间相似性,通过对邻节点所感知的传感数据进行比较,确定检测节点的状态,将测试状态向网络中其他相邻节点进行扩散,实现网络中全部节点的故障检测。同时介绍在不同平均节点度下改善故障诊断率的方法。实验结果表明,该算法能够获得较好的性能。     

基于随机森林算法的英语自动翻译设备运行态势监测方法

针对传统英语翻译服务机器人故障诊断准确率低,导致机器人设备运行监测效果变差,安全性降低的问题。基于随机森林和梯度提升树算法,将两者相结合得到RF-GBDT故障特征选择算法;然后基于GRU神经网络,提出一种改进的故障诊断混合模型,通过此模型实现翻译设备故障准确诊断和运行态势监测。试验结果表明,从39维向量至29维向量的特征选择中,提出的RF-GBDT算法运算效率提高了30%及以上。算法应用发现,提出的RF-GBDT算法的故障诊断率最高可达92.5%,相较于未进行特征选择的算法,本算法可有效提升故障诊断率。对比于其他故障诊断模型,提出的GRU混合模型的诊断准确率高达94.3%,故障诊断精度明显更高,诊断效果更好,可提升英语翻译机器人的安全性。