基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

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.     

一种无线传感器网络节点的故障检测算法

在无线传感器网络(WSN)中,容易因为故障节点存在冗余的故障属性、噪声数据以及数据可靠性等问题,从而产生传输错误数据,这将极大地消耗WSN节点中能量和带宽,向用户形成错误的决策。为此,提出了基于蚁群算法和BP神经网络模型的WSN节点故障检测方法。通过使用蚁群算法,使用户通过寻找优化路径来定位WSN节点的位置,通过这种随机搜索算法以及蚁群算法的搜索策略使用户对WSN故障节点的位置进行总体把握。然后又基于BP神经网络模型对获取的WSN故障节点信息进一步学习,在数据训练过程中,依据WSN故障节点预测误差,并进一步调整网络的权值和阈值,增加了故障诊断的精度。采用的算法对检测WSN故障节点具有较好的性能,使无线传感器网络的服务质量大大提高,增强了系统的稳定性,实验结果验证了算法的可行性和有效性。     

基于粗糙集理论和贝叶斯决策的WSN节点的故障诊断

提出了一种无线传感器网络(WSN)节点故障诊断的新方法,首先基于Rough Set理论的区分矩阵和区分函数得到故障诊断决策的属性简约;然后通过贝叶斯决策理论对WSN各个节点的功能模块进行故障定位以及维修决策.仿真实验表明,该方法在WSN节点故障诊断时通信代价小,能量消耗低,诊断正确率高,因而具有在能量有限的WSN节点中应用的可能性.     

利用置信规则库构建WSN节点故障检测模型

在无线传感器网络(wireless sensor network, WSN)节点故障检测领域的研究过程中,故障检测准确率会受节点数据的不确定性和专家知识模糊性的影响。针对这一问题,本文提出了一种基于置信规则库(belief rule base, BRB)的WSN节点故障检测方法。首先,根据WSN工作原理及节点工作特性描述WSN节点故障检测过程;然后,从空间和时间2个维度对节点数据提取特征,建立基于空间和时间相关性的WSN节点故障检测模型;最后,利用Intel Lab Data无线传感器数据集进行案例研究以验证模型的有效性。结果证明,本文方法能够统筹利用专家知识和节点数据实现WSN节点故障检测。     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

SDG故障诊断规则的知识约简

符号有向图(SDG)是揭示流程系统深层知识的定性模型,用于描述流程系统的状态变量及其变量间的故障信息传递关系.当系统的状态变量过多,运用SDG故障诊断算法生成的故障规则过于庞大,推理困难.粒矩阵的知识约简算法能有效约简冗余属性.因此,将粒矩阵的知识约简算法引入SDG故障诊断,以电站除氧器系统为例,使用粒矩阵的知识约简算法约简主要故障的故障规则,简化规则中的冗余节点,提高故障诊断效率,最后验证了约简后的故障诊断规则的正确和有效.     

基于故障定位集的无线传感器网络故障检测

由于无线传感器网络(WSN)节点的位置分布广,网络出现故障后如何进行故障检测以实现功能的恢复显得尤其困难,因此,探索快速有效的网络故障检测方法对于大规模WSN的可靠应用很有必要;基于最小故障定位集,提出了一种新的故障定位和故障检测方法;该方法在WSN分布式结构模型基础上,将网络节点与节点间的连接关系以图的方式进行描述,利用最短路径分析方法,来对WSN中出现的故障进行定位和检测;应用分析表明,该算法可以快速有效实现WSN故障定位与检测.     

TEP故障诊断方法研究

针对TEP(Tennessee Eastman Process)的故障诊断问题,分别采用PCA主元分析法与粒计算属性约简算法对TEP的52个变量在15种故障情况下的实测数据分别进行处理。结果显示采用PCA主元分析方法可以将其中的14个对各种故障情况都无影响或影响微弱的变量排除,而采用基于粒计算的属性约简算法。对预处理后的数据进行属性约简,可以将条件属性约简至24个即排除28个条件属性,表明该方法对TEP故障诊断的有效性。     

FISDR:一种新的故障注入无线传感器网络性能评估系统

在无线传感器网络WSN中,可靠性和容错性是评价WSN稳定性的重要指标。在WSN的实际应用中常会发生很多故障(Fault)和干扰,采用故障注入FI技术可以向WSN人为地注入这些故障和干扰,通过观察注入故障后网络的反应来评价网络的可靠性和容错性,从而对网络机制进行改进来提高网络的可靠性和稳定性。本文提出的FISDR是一种采用故障注入的WSN性能评估系统,基于软件故障注入方法,采用一对一的方式通过特殊接口与WSN节点连接,向WSN节点注入故障命令。该系统一是可以有效地向WSN注入各种实际应用时可能遇到的故障和干扰并观察网络运行的状况;二是可以接收包括WSN节点和其它各种设备通过特殊接口发来的数据,并将其存储;三是配有上位机软件对网络拓扑结构进行监控、对传输成功率进行统计并对存储的大量信息进行分析,从而对WSN网络及其可靠性做出评价。本系统在一栋五层办公楼分别用数十个WSN节点和FISDR节点做实验,实验内容包括使用FISDR向WSN注入大规模的故障并统计网络的反应状况,验证FISDR故障注入的效果,从而对FISDR的性能进行测试和分析。实验结果表明,FISDR可以有效地向WSN注入各种故障以评价其可靠性,在测试WSN及其可靠性评价方面有很高的应用价值。     

基于径向基神经网络和正则化极限学习机的多标签学习模型*

相比径向基(RBF)神经网络,极限学习机(ELM)训练速度更快,泛化能力更强.同时,近邻传播聚类算法(AP)可以自动确定聚类个数.因此,文中提出融合AP聚类、多标签RBF(ML-RBF)和正则化ELM(RELM)的多标签学习模型(ML-AP-RBF-RELM).首先,在该模型中输入层使用ML-RBF进行映射,且通过AP聚类算法自动确定每一类标签的聚类个数,计算隐层节点个数.然后,利用每类标签的聚类个数通过K均值聚类确定隐层节点RBF函数的中心.最后,通过RELM快速求解隐层到输出层的连接权值.实验表明,ML-AP-RBF-RELM效果较好.     

An optimized extreme learning machine-based novel model for bearing fault classification

This work addresses the rolling element bearing (REB) fault classification problem by tackling the issue of identifying the appropriate parameters for the extreme learning machine (ELM) and enhancing its effectiveness. This study introduces a memetic algorithm (MA) to identify the optimal ELM parameter set for compact ELM architecture alongside better ELM performance. The goal of using MA is to investigate the promising solution space and systematically exploit the facts in the viable solution space. In the proposed method, the local search method is proposed along with link-based and node-based genetic operators to provide a tight ELM structure. A vibration data set simulated from the bearing of rotating machinery has been used to assess the performance of the optimized ELM with the REB fault categorization problem. The complexity involved in choosing a promising feature set is eliminated because the vibration data has been transformed into kurtograms to reflect the input of the model. The experimental results demonstrate that MA efficiently optimizes the ELM to improve the fault classification accuracy by around 99.0% and reduces the requirement of hidden nodes by 17.0% for both data sets. As a result, the proposed scheme is demonstrated to be a practically acceptable and well-organized solution that offers a compact ELM architecture in comparison to the state-of-the-art methods for the fault classification problem.     

改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究

针对传统极限学习机的输入权值矩阵和隐含层偏差是随机给定进而可能会导致在乳腺肿瘤的辅助诊断应用研究中存在精度明显不足的情况,提出用改进鱼群算法优化ELM方法。在完成对乳腺肿瘤有效的辅助诊断的过程中,本研究工作充分利用ELM能快速地完成训练过程且具有很好的泛化能力的特点,并结合用改进鱼群算法对ELM的隐含层偏差进行优化,构造出了乳腺肿瘤与从乳腺肿瘤样本数据中提取的10个特征向量之间的非线性映射关系。将本文提出的乳腺肿瘤识别方法的仿真结果与AFSA-ELM方法、ELM方法、LVQ方法、BP方法的仿真结果分别从识别准确率、假阴性率、学习速度三个方面做对比分析,仿真结果表明,本文所提方法对乳腺肿瘤诊断具有较高的分类识别准确率、假阴性率以及较快的学习速率。     

基于模糊神经网络的WSN无线数据收发单元故障诊断

在一些无线传感器网络(Wireless Sensor Network,WSN)安全监测系统中,节点长时间传输大量数据,导致无线数据收发单元容易出现功率下降和功率放大器(Power Amplifier,PA)被烧毁的现象,而此类故障的诊断方法一般比较复杂且低效。针对上述问题,在分析WSN单元级故障诊断的基础上,利用无线数据收发单元的电流模型,提出了一种基于模糊神经网络的无线数据收发单元故障诊断方法。首先,根据无线数据收发单元中发射消耗的电流与温度和供电电压的关系,建立电流模型;然后,利用聚类算法确定模糊神经网络模型结构,结合混合学习算法优化模糊规则的前件参数和后件参数;最后,提取训练完的模糊神经网络参数,以建立WSN节点故障诊断模型。实验结果表明,提出的无线数据收发单元故障诊断方法的计算量小,诊断准确度高;与高斯过程回归模型相比,其计算量降低了22.4%,诊断准确度提高了17.5%。     

自适应狼群算法优化ELM的模拟电路故障诊断

为了能够更加高效地检测和诊断模拟电路中的故障元件,提出了自适应狼群算法优化极限学习机的方法。该方法采用自适应遗传算法对特征参数进行选择,从而生成最优特征子集,然后利用最优特征子集构造样本输入极限学习机ELM网络对故障进行分类。针对极限学习机的输入层和隐含层之间的连接权值、隐含层的偏差都将会使其学习速度和分类正确率受到影响的问题,采用本文方法对它们进行优化并选择相应的最优值,提高了极限学习机网络训练的稳定性与故障诊断的成功率。通过2个典型模拟电路的诊断实例,给出了这些方法的具体实现过程,故障诊断率均在99%以上。仿真结果表明使用该方法进行模拟电路故障诊断时具有良好的正确率和稳定性。     

Model selection of extreme learning machine based on multi-objective optimization

As a novel learning algorithm for single-hidden-layer feedforward neural networks, extreme learning machines (ELMs) have been a promising tool for regression and classification applications. However, it is not trivial for ELMs to find the proper number of hidden neurons due to the nonoptimal input weights and hidden biases. In this paper, a new model selection method of ELM based on multi-objective optimization is proposed to obtain compact networks with good generalization ability. First, a new leave-one-out (LOO) error bound of ELM is derived, and it can be calculated with negligible computational cost once the ELM training is finished. Furthermore, the hidden nodes are added to the network one-by-one, and at each step, a multi-objective optimization algorithm is used to select optimal input weights by minimizing this LOO bound and the norm of output weight simultaneously in order to avoid over-fitting. Experiments on five UCI regression data sets are conducted, demonstrating that the proposed algorithm can generally obtain better generalization performance with more compact network than the conventional gradient-based back-propagation method, original ELM and evolutionary ELM.     

基于深度学习算法的无线传感器异常数据检测

提出了基于深度学习的异常数据检测的方法,精准检测到无线传感器异常数据并直观展现检测结果。基于无线传感器网络模型分簇原理,通过异常数据驱动的簇内数据融合机制,去除无线传感器网络中的无效数据,获取无线传感器网络有效数据融合结果。构建了具有4层隐含层的深度卷积神经网络,将预处理后的无线传感器网络数据作为模型输入,通过隐含层完成数据特征提取和映射后,由输出层输出异常数据检测结果。实验证明：该方法可有效融合不同类型数据,且网络节点平均能耗较低;包含4层隐含层的深度卷积神经网络平均分类精度高达98.44%,1000次迭代后隐含层的训练损失均趋于0,可实现无线传感器异常数据实时、直观、准确检测。     

An integrated PSO for parameter determination and feature selection of ELM and its application in classification of power system disturbances

This paper presents a performance enhancement scheme for the recently developed extreme learning machine (ELM) for classifying power system disturbances using particle swarm optimization (PSO). Learning time is an important factor while designing any computational intelligent algorithms for classifications. ELM is a single hidden layer neural network with good generalization capabilities and extremely fast learning capacity. In ELM, the input weights are chosen randomly and the output weights are calculated analytically. However, ELM may need higher number of hidden neurons due to the random determination of the input weights and hidden biases. One of the advantages of ELM over other methods is that the parameter that the user must properly adjust is the number of hidden nodes only. But the optimal selection of its parameter can improve its performance. In this paper, a hybrid optimization mechanism is proposed which combines the discrete-valued PSO with the continuous-valued PSO to optimize the input feature subset selection and the number of hidden nodes to enhance the performance of ELM. The experimental results showed the proposed algorithm is faster and more accurate in discriminating power system disturbances.