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...     

局域网故障诊断的仿真研究

关于保障局网安全性,研究局域网故障诊断问题.局域网故障诊断方法忽略了网络节点的相关性,导致网络故障诊断正确率低,误差大.为了准确、快速有效地排除网络故障,提出一种启发式的局域网的故障诊断方法.启发式算法根据网络节点的相关性建立局域网故障诊断树,对网络故障相关性最大的节点进行组合,由报警节点,建立相关故障集合.根据局域网拓扑结构,设定故障搜索范围并结合相关故障集合,对故障诊断树进行推理并找到局域网故障节点.仿真结果表明,相对于现有的局域网故障诊断方法,启发式算法提高了网络故障诊断准确率,提高诊断的效率.     

无线传感器网络无标度容错拓扑的连锁故障诊断算法

针对随机节点故障所引发的连锁故障问题,为了尽可能地降低连锁故障对无线传感器网络所造成的损害,提出了一种无线传感器网络无标度容错拓扑的连锁故障诊断算法,该算法基于单一节点故障时负载重新分配给相邻节点的情况,提出一种连锁故障下的负载再分配模型,分析了单一节点故障时所产生的连锁故障规模。采用相邻节点的连锁故障诊断算法来研究传感器网络的负载参数和连锁故障规模之间的关系,尽可能地减少连锁故障所带来的节点损失。仿真结果表明,该算法有效地抑制了由于负载过大所引发的连锁负载效应,在减少网络节点的损失上起到了较好的效果。     

无线传感器网络中的传感器节点分组控制策略

研究无线传感器网络(WSNs)的传感器节点分组控制策略和软件实现方法。针对WSNs通信问题和分布监测的实际需求,制定传感器节点分组控制策略、单元组的模块化控制流程以及故障处理方法,保证多节点监测独立性、相关节点采集同步性以及数据传输可靠性。在程序实现方面,建立通信接口层、消息分发层、策略控制层组成的软件架构,实现WSNs远程控制软件,并进行了多传感器节点控制和数据传输可靠性的测试实验。     

非线性系统故障诊断与容错控制技术

在分析非线性系统故障诊断与容错控制技术特点的基础上,研究了该技术在国内外的研究进展和主要方法.同时,比较了几种常见故障诊断和容错控制方法的特点.最后总结了非线性系统故障诊断与容错控制领域亟待解决的几个重点和难点问题,并对该研究领域的发展趋势进行了展望.     

双时滞系统的故障诊断和动态最优容错控制

对含有状态时滞和控制时滞的线性时滞系统, 研究系统发生不可直接测量的传感器故障和执行故障时的故障诊断和最优容错控制问题. 首先基于时滞系统的线性变换, 利用Riccati矩阵方程和Sylvester方程设计了故障情况下的最优容错控制律, 并证明了最优容错控制律的存在唯一性. 然后通过构造一种新的含有故障的增广系统的降维状态观测器, 实现了故障的实时在线诊断和系统状态的观测, 解决了最优容错控制的物理不可实现问题. 最后利用故障诊断的结果给出了物理可实现的动态最优容错控制律. 仿真实例验证了故障诊断方法和动态最优容错控制方法的可行性和有效性.     

基于感知数据时域特征的WSNs故障被动诊断方法

由于大规模无线传感器网络的动态拓扑性及资源受限,无线传感网的故障诊断成为该领域内的一个难点。现有的诊断方法消耗大量通信带宽和节点资源,给资源有限的网络带来繁重的负担。本文提出一种利用感知数据时域特征来检测故障以及对故障进行分类的被动诊断方法（TDSD）。首先运用一维离散Gabor变换对感知数据进行特征提取与分析,进而结合SOM神经网络对数据进行诊断与分类,判断当前网络状态并找出故障原因。实验结果表明,与其它方法相比,此方法具有网络通信负担小、诊断准确率高及分类效果好等优点,对节点故障和网络故障诊断都具有较高的诊断精度。     

含控制时滞系统的实时故障诊断和最优容错控制

研究含有控制时滞的线性系统的故障诊断方法和最优容错控制问题.给出了最优容错控制律的存在唯一性条件,提出了最优容错控制律的设计算法.通过构造增广的降维状态观测器,设计了在线诊断故障的故障诊断器并同时实现了系统状态的观测,解决了最优容错控制的物理不可实现问题.利用观测器的输出得到物理可实现的动态最优容错控制律.仿真实例验证了故障诊断方法和动态最优容错控制律的有效性.     

优化目标可变的容错三维拓扑控制算法

为了使无线网络满足连通性、节能、干扰较小和容错等要求,采用对节点发送功率进行适当调整的拓扑控制技术是一种十分有效的方法。现实中的Ad Hoc网络应用场景的通信情况复杂多变,网络的优化目标也可能随之发生改变。提出一种更加贴近真实环境的容错三维拓扑控制算法-OVFSS,在拓扑容错的前提下,该算法在干扰对网络影响较大时能将干扰优化到最小,在干扰影响较小时能较好地考虑节能。     

一种基于苯环结构的WSNs故障检测算法

节点故障是无线传感器网络(WSNs)研究中的一个重要问题。由于WSNs规模大,节点能量受限,加之传感器制作工艺等方面的原因,使得节点发生故障的概率较高。针对WSNs中的节点故障问题,提出一种基于苯环结构的节点故障检测算法。该算法利用苯环结构的对称性,减少邻居节点的数目从而达到降低故障检测能耗的目的,同时延长了网络的生存周期。采用OMNeT++建立仿真环境,对算法性能进行测试。测试结果表明:该算法较其他算法具有较低的能量消耗和较高的网络连通性及可扩展性。     

Decentralized fault detection and isolation in wireless structural health monitoring systems using analytical redundancy

One of the most critical issues when deploying wireless sensor networks for long-term structural health monitoring (SHM) is the correct and reliable operation of sensors. Sensor faults may reduce the quality of monitoring and, if remaining undetected, might cause significant economic loss due to inaccurate or missing sensor data required for structural assessment and life-cycle management of the monitored structure. This paper presents a fully decentralized approach towards autonomous sensor fault detection and isolation in wireless SHM systems. Instead of physically installing multiple redundant sensors in the monitored structure (“physical redundancy”), which would involve substantial penalties in cost and maintainability, the information inherent in the SHM system is used for fault detection and isolation (“analytical redundancy”). Unlike traditional centralized approaches, the analytical redundancy approach is implemented distributively: Partial models of the wireless SHM system, implemented in terms of artificial neural networks in an object-oriented fashion, are embedded into the wireless sensor nodes deployed for monitoring. In this paper, the design and the prototype implementation of a wireless SHM system capable of autonomously detecting and isolating various types of sensor faults are shown. In laboratory experiments, the prototype SHM system is validated by injecting faults into the wireless sensor nodes while being deployed on a test structure. The paper concludes with a discussion of the results and an outlook on possible future research directions.     

基于低复杂度最大空闲矩形的非线性传感器故障诊断方法

针对现存的很多传感器故障诊断方法假设前提多以及复杂度高的问题,提出一种分布式诊断方法来识别无线传感器网络(WSN)中的非线性故障。首先,对局部传感器的输出值进行分析,得到一系列特征值;然后,在交叉误差函数的基础上,将传感器非线性故障诊断等效为最大空闲矩形(LER)问题。并使用提出的低复杂度最大空闲矩形算法予以解决;最后,通过定义一个阈值来诊断有故障的传感器,且不需要使用参考传感器就可以检测一般非线性故障。仿真实验使用了双音谐波信号激励和白噪声信号激励,比较了双线性和指数非线性两种情况下的性能。相比集中式故障诊断方法,提出的算法节省了大量数据传输功率,且获得了非线性模型正常区域边界的准确值。相比最优LER算法,提出的低复杂度LER算法检测性能与之相似,但复杂度更低。     

基于模糊Petri网的无线顺序控制系统的故障诊断

通过分析基于无线传感器网络的顺序控制系统,给出它的故障传播规则。针对模糊Petri网在故障诊断中的置信度模糊推理算法的不足,进行了添加阈值判断的改进。运用改进后的模糊Petri网推理算法对无线顺序控制系统进行故障诊断,计算控制器故障发生的概率,得出其中控制逻辑重新发送概率最大,理论结果与现场实际测试结果基本一致。     

基于免疫危险理论的无线传感器网络节点故障诊断

针对无线传感器网络的故障特点以及故障诊断的自学习问题,本文提出一种基于免疫危险理论的无线传感器网络节点故障诊断算法。该方法利用危险触发阈值来识别危险源,用遗传算法生成抗体库,基于K近邻分类法构建多抗体故障检测器并进行故障分类,通过追踪故障数据变化更新抗体库。实验仿真证明,该算法与其他无线传感器网络故障诊断算法相比,在训练数据较少的情况下,诊断准确率更高,效率更好,耗用硬件计算资源更少,并具备动态更新特性。     

基于累积和控制图的分布式传感网络故障诊断

由于无线气象传感网具有资源受限及分布式等特点,传感器节点的故障诊断面临着很大挑战。针对现有诊断方法误报率高、计算冗余量大的问题,提出了一种基于累积和控制图（CUSUM）与邻居协作融合的故障诊断方法。首先,通过累积和控制图分析传感器节点上的历史数据,提高对节点故障判断的灵敏度并且定位出异常时间点;然后,结合网络内邻居节点间的数据交换,通过判断节点的状态诊断出故障节点。实验结果表明,即使在整个网络中在节点故障率高达35%时,算法检测精度仍然高于97.7%,而误报率不超过2%。由此可见,在节点故障概率很高的情况下,此所提法也能得到很高的检测精度和较低的误报率,受节点故障率的影响明显减小。     

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。     

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。     

基于区间观测器的矿井水位传感器故障检测

研究矿井的安全监测问题,根据矿井传感器存在的故障隐患,由于矿井环境复杂,不确定因素干扰,造成检测不准确,严重影响安全性。为了解决检测不精确的问题,提出了一种区间观测器的传感器实时诊断模型。采用故障特征矩阵处理故障检测和隔离之间的接口,矩阵中储存了检测信号和故障之间的相关程度和发生时间,系统的状态特征可从故障信号和故障之间的关系推理得到,故障信号的信息得以有效地利用。对观测到的故障信号,用离散方法处理得到信号发生时间,并进行实验,表明检测方法可用在矿井水位传感器网络中,说明方法比标准的二元故障检测方法更合理。     

REDFLAG: A Run-timE, Distributed, Flexible, Lightweight, And Generic fault detection service for data-driven wireless sensor applications

Increased interest in wireless sensor networks by scientists and engineers is forcing wireless sensor networking research to focus on application requirements. Data is available as never before in many fields of study; practitioners are now burdened with the challenge of doing data-rich research rather than being data-starved. However, in situ sensors can be prone to errors, links between nodes are often unreliable, and nodes may become unresponsive in harsh environments, leaving to researchers the onerous task of deciphering often anomalous data. Presented here is the REDFLAG fault detection service for wireless sensor applications, a Run-timE, Distributed, Flexible, detector of faults, that is also Lightweight And Generic. REDFLAG addresses the two most worrisome issues in data-driven wireless sensor applications: abnormal data and missing data. REDFLAG exposes faults as they occur by using distributed algorithms in order to conserve energy. Simulation results show that REDFLAG is lightweight both in terms of footprint and required power resources while ensuring satisfactory detection and diagnosis accuracy. Being unrestrictive, REDFLAG is generically available to a myriad of applications and scenarios. As a matter of fact, REDFLAG has been applied into a subsurface contaminant transport model to improve the model performance in the presence of erroneous sensor data.     

Sensor fault diagnosis in a chemical process via RBF neural networks

Radial basis function (RBF) neural networks are investigated here for process fault diagnosis. The use of the output prediction error, between a neural network model and a non-linear dynamic process, as a residual for diagnosing actuator, component and sensor faults is analysed. It is found that this residual for a dependent neural model is less sensitive to sensor faults than actuator or component faults. This is confirmed in experiments for a real, multivariable chemical reactor. A scheme is then developed utilising a semi-independent neural model to generate enhanced residuals for diagnosing the sensor faults in the reactor. A second neural-network classifier is developed to diagnose the sensor faults from the residuals generated, and results are presented to demonstrate the satisfactory detection and isolation of sensor faults achieved using this approach.