深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于复合神经网络的GIS局放故障类型识别

气体绝缘金属封闭开关设备(GIS)局部放电故障类型识别是故障预警和制定检修计划的重要基础,对维护电力设备的安全稳定运行意义重大.在此背景下,首先分析常见的几种GIS故障类型;然后,在超高频传感器采集到的图谱信号处理和分类上,由于卷积神经网络(CNN)和深度置信网络(DBN)融合而成的复合神经网络模型可以快速实现有效特征信号的提取和故障类型准确分类,因此该文融合CNN和DBN,建立复合神经网络的主体结构,并利用该网络进行GIS局部放电故障类型识别;最后进行实验验证.结果表明该复合神经网络模型识别故障的准确性最高可达99％.     

基于深度自编码网络的实验室WSN数据压缩算法

针对无线传感器网络节点冗余和数据重叠的问题,提出一种基于深度自编码网络的实验室WSN数据压缩算法来减少传感器通信和计算开销.使用K-means算法将传感器节点划分为不同的簇,使用深度神经网络对相同簇中节点采集的数据进行压缩编码与分类,从而减小数据规模.使用贝叶斯估计算法对压缩编码后的数据特征进行融合.仿真测试与实验结果表明,所提出的算法能明显减少数据量,相比于Megrez算法与E-CPDA算法的数据融合精度分别提升了4.2%和19%,同时能够增加无线传感器网络的生命周期.     

无线传感器网络数据融合算法研究

数据融合的目的是减少节点的传输数据量,减少网络中总能量的消耗.针对这个问题,利用Kalman滤波进行目标状态估计,将分批估计算法应用于无线传感网的数据融合中,通过对监测同一对象的多个传感器所采集的数据进行综合,以达到提高数据精度和可信度的目的.同时实验获得的大量仿真数据证明了算法的可行性.提出了多传感器多目标分批估计融合算法,对监测不同对象的多个传感器所采集的数据进行融合.     

基于PCA-RBF神经网络的WSN数据融合轴承故障诊断

为了减少基于无线传感器网络（WSN）的轴承故障诊断系统数据传输总量和网络负载同时提高故障诊断准确性,提出一种采用主元分析（PCA）与径向基（RBF）神经网络结合轴承数据的融合与故障诊断算法.首先建立基于LEACH协议的3层融合模型,然后簇首节点采用PCA对大量多传感器数据降维,最后Sink节点采用RBF对数据进行决策级融合.仿真结果表明：该算法3个成员节点各上传10个数据包,簇头节点融合后剩余4个,融合率为86.7%,每组故障识别准确率大于85%.该算法具有很好的识别率和高压缩率,能够很好应用于煤矿设备故障监测.     

基于元胞自动机的同构无线传感网络生命周期仿真与分析

提出一种基于元胞自动机理论的同构无线传感网络生命周期仿真模型.在分析传感器网络主要属性、部署方式、能量消耗模型、拓扑结构与通信以及休眠/唤醒机制等因素的基础上,该模型首先给出了同构无线传感网络的元胞自动机表示方法,然后定义了同构无线传感网络动态演化过程中的能量更新规则和状态更新规则.试验表明,该模型能够对同构无线传感网络的整个生命周期内传感器状态变化、网络覆盖与拓扑变化以及网络的运行周期进行有效仿真.     

无线传感器网络的攻击威胁及安全机制探析

分析了无线传感器网络中常见的攻击和威胁,提出了一系列维护无线传感器网络正常、高效通信的安全机制,特别是对无线传感器网络中的安全路由、密钥管理策略和安全数据融合等安全技术作出了详实的分析和比较,为无线传感器网络安全性能的提高奠定了理论基础,具有一定的借鉴意义和参考价值.最后,结合物联网技术的兴起和不断发展,指明了无线传感器网络安全的进一步研究方向.     

基于感知数据的无线传感网被动诊断方法

由于硬件与网络资源的极度受限,无线传感器网络(WSN)的故障诊断成为该领域内的一个研究难点.针对现有诊断方法网络开销大、方法复杂等缺陷,提出了一种基于感知数据的故障诊断(DSD)方法.以部署在实际森林环境中的GreenOrbs系统收集的大量感知数据为基础,通过分析感知数据特征分类的方法,建立与网络故障之间的对应关系,以自主学习的方式不断演化故障知识库,确定故障类型.实验结果表明,与其他诊断方法相比,DSD具有网络通信负担小、资源消耗低、诊断效率高等优点,并支持在大规模WSN的实际部署.     

一种基于相关分析的多元回归数据估计方法

针对无线传感器网络中数据估计方法存在输入变量较多、估计计算复杂度较高和估计效率低等缺点,提出了基于相关分析的多元回归估计方法.对无线传感器网络监测的数据序列进行相关分析,找出与当前数据相关性较强的其他历史监测数据,采用这些历史监测数据进行多元回归建模和估计.在保证估计精度的前提下,降低估计的计算复杂度,提高无线传感器网络中缺失监测数据估计的效率.实际无线传感器网络采集数据的实验分析结果表明,该方法具有较高的估计效率和较小的估计误差,能够有效地估计无线传感器网络中缺失的传感数据,具有一定的应用价值.     

基于云模型和熵权法的无线传感器网络鲁棒性研究

结合无线传感器网络的特点,提出了运用云模型对无线传感器网络鲁棒性进行研究的方法,构建了评估指标体系和基于云模型的评估模型,采用熵权法对评估指标的权重进行处理.仿真实验证明,该方法能够有效解决鲁棒性评估过程中的人为因素、随机性及模糊性等问题,为无线传感器网络鲁棒性的研究提供了新的思路和方法.