基于卷积神经网络的无线传感器故障诊断算法制造技术

本发明专利技术涉及一种基于卷积神经网络的无线传感器故障诊断算法，步骤如下：1）构建由1个基站、1个移动小车以及若干个可充电无线传感器节点构成的无线传感器网络系统模型；2）在基站构建依序连接有输入层、隐含层、全连接层和输出层的卷积神经网络；3）利用移动小车收集所有节点的感知数据并传输到基站存储，并转化成矩阵形式；4）将矩阵形式的感知数据输入到卷积神经网络中进行训练和自身学习，通过卷积层卷积核提取数据特征、池化层对数据特征进行压缩、全连接层连接最后两层、输出层输出最终数据分类结果；5）卷积神经网络根据数据分类结果将每一类对应着相应的传感器故障类型进行故障诊断，通过输出层输出节点诊断状态。

【技术实现步骤摘要】
基于卷积神经网络的无线传感器故障诊断算法
本专利技术涉及无线传感器
，尤其涉及一种基于卷积神经网络的无线传感器故障诊断算法。
技术介绍
无线传感器网络是由若干无线传感器节点通过自组织的形式构成，一个无线传感器节点主要由传感器模块、CPU模块、无线通信模块和电源模块4部分组成，其中，传感器模块主要用来感知数据，CPU模块的作用是处理、计算数据，无线通信模块保证传感器节点与其他传感器节点进行通信，电源模块携带有限的能量为传感器节点提供能量。由于无线传感器节点具有体积小，易部署，价格便宜等特点被广泛的应用到生活的方方面面，随着无线传感器计算能力和存储能力的增强，无线传感器网络被部署到大型区域进行数据的感知和环境的检测或者部署到人类难以进入的环境进行监测。当无线传感器节点发生故障时，会导致监测数据异常。无线传感器网络中节点的故障可分为硬故障和软故障，硬故障是指传感器节点中某些硬件出现问题不能够感知数据或者不能够进行节点间的通信，软故障是指由于某些原因，节点感知的数据出现异常，但节点能够进行正常的通信。软故障根据数据异常情况又可分为永久性软故障，间歇性软故障和瞬时故障。据此，无线传感器网络中的节点诊断状态有：(1)正常节点：是指节点的感知数据一直处于正常的范围，且感知数据随时间的变化发生变化；(2)硬故障节点：节点不能通信，因此接收不到节点的感知数据；(3)永久性软故障节点：是指节点的感知数据在一段时间内一直偏离正常的感测范围；(4)间歇性故障节点：是指一段时间内节点的部分感知数据偏离正常的范围；(5)瞬时故障节点：是指一段时间内，节点的某几个感测数据偏离正常的范围，但其他的感测数据依旧正常。现有的无线传感器故障诊断算法大体上可分为集中式和分布式。集中式故障诊断算法是将网络中所有传感器节点的感知数据通过多跳的方式传输到基站，基站通过对节点数据的分析得到节点的故障诊断状态。现有技术中，基于时间序列的故障诊断算法根据传感器现有的感知数据预测下一时间的感知数据，若预测值和传感器的真实值相差无几，则说明节点状态正常，否则故障。随着神经网络的发展，神经网络因其较高的分类准确度被应用到故障诊断中，例如RakeshRanjanSwain和PabitraMohankhilar等专利技术人利用神经网络对传感数据进行分类从而对传感器节点进行分类，达到故障诊断的目的。虽然，集中式故障诊断算法能达到较高的故障诊断精度，但由于传感器节点需要经由多跳将自身传感数据传输到基站，则靠近基站的节点能量会被迅速的消耗，从而使整个网络瘫痪。而分布式故障诊断算法的提出解决了这一问题。Jiang等专利技术人提出的分布式故障诊断算法通过对比传感器自身感知数据和邻居节点感知数据的相似性来判断传感器节点的诊断状态，传感器节点不再需要将感知数据传输到基站，只需和邻居节点进行数据交换即可，减少了能量的损耗，但每个节点都需要和邻居节点进行信息交换依旧消耗过多的能量，为此，还有文献提出了基于分簇的故障诊断算法，将无线传感器进行分簇，由簇头根据节点相似性对簇内节点进行故障诊断，使得每个节点只需和簇头进行一次信息交换即可，进一步减少信息的交换（由于簇头需要接收簇内成员的信息，且需要进行簇内节点的状态监测，簇头能量消耗较快，因此需要多次分簇选择合适的簇头，提高了算法的复杂度）。虽然，分布式故障诊断算法缓解了网络节点能量消耗过快问题，但算法对邻居节点的要求多高，当邻居节点故障数过高时，故障诊断易出错，所以分布式故障诊断算法无法对故障率较高的无线传感网络中的节点进行准确的故障检测。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种设计合理，结构简单，故障诊断精确度高，能量消耗少的基于卷积神经网络的无线传感器故障诊断算法。为实现上述目的，本专利技术采用以下技术方案：基于卷积神经网络的无线传感器故障诊断算法，其包括以下步骤：1）构建无线传感器网络系统模型，无线传感器网络系统模型由基站、移动小车以及静止布设于监测区域的若干个可充电无线传感器节点构成；2）在基站构建卷积神经网络，卷积神经网络的结构为依序连接的输入层、隐含层、全连接层和输出层，其中，隐含层由至少一组依序连接的卷积层和池化层构成；3）利用移动小车收集无线传感器网络中所有节点的感知数据并传输到基站，基站存储所有节点的感知数据，并转化成矩阵的形式输入到卷积神经网络中；4）通过输入层将矩阵形式的感知数据输入到构建的卷积神经网络中进行训练，卷积神经网络经过自身的学习，通过卷积层的卷积核提取数据特征，通过池化层对数据特征进行压缩，以减小数据特征、简化网络计算复杂度和提取主要特征，并通过全连接层连接最后两层，通过输出层输出最终的数据分类结果；5）卷积神经网络根据数据分类结果，将每一类对应着相应的传感器故障类型进行故障诊断，并通过输出层输出节点诊断状态。作为优选，步骤2）中利用移动小车收集无线传感器网络中所有节点的感知数据的步骤如下：(1)挑选锚节点：移动小车第一次遍历无线传感器网络中的节点时收集所有节点的剩余能量，并传输到基站，基站通过对剩余能量的分析，挑选需要进行能量补充的节点作为锚节点；(2)规划路径：基站根据挑选的锚节点，通过最短路径问题规划移动小车的移动路径，找到一条最短的路径，以减少移动小车的能量消耗、缩短移动时间和减缓数据传输延迟；(3)确定非锚点的传输路径：利用线性规划算法，通过综合考虑流量守恒、能量平衡和链接容量来最大化网络效用来规划网络中非锚节点的传输路径；(4)充电与数据收集：非锚节点在移动小车到达该锚节点之前，将自身传感数据和剩余能量通过规划好的传输路径传输到锚节点，移动小车经由规划的最短路径遍历所有的锚节点，对锚节点充电并收集所有锚节点存储的非锚节点的传感数据和节点剩余能量，发送到基站。作为优选，步骤2）中所述的隐含层由依序连接的卷积层、池化层、卷积层和池化层构成。作为优选，步骤4）中传感器故障类型的分类算法有决策树分类算法、贝叶斯分类算法、人工神经网络分类算法、k-近邻分类算法或者支持向量机分类算法。本专利技术采用以上技术方案，其主要由基于移动小车的数据收集和能量补充，以及基于卷积神经网络的故障诊断算法两部分构成，使其在保证无线传感器网络中节点的使用寿命的同时能够将网络中所有节点的感知数据都传输到基站，以便基站接收到数据后，通过基于深度学习中的卷积神经网络(ConvolutionalNeuralNetwork，CNN)分类算法对数据进行处理和分类，根据卷积神经网络的分类作用，通过训练卷积神经网络完成对传感器节点的分类，从而达到对传感器节点进行故障诊断的目的。附图说明现结合附图对本专利技术作进一步阐述：图1为本专利技术无线传感器网络系统模型。具体实施方式如图1所示，本专利技术的基于卷积神经网络的无线传感器故障诊断算法，其包括以下步骤：1）构建无线传感器网络系统模型，无线传感器网络系统模型由1个基站、1个移动小车以及静止布设于监测区域的若干个可充电无线传感器节点构成；2）在基站构建卷积神经网络，卷积神经网络的结构为依序连接的输入层、隐含层、全连接层和输出层，其中，隐含层由至少一组依序连接的卷积层和池化层构成；3）利用移动小车收集无线传感器网络中所有节点的感知数据并传输到基站，基站存储所有节点的感知数据，并转化成矩阵的本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的无线传感器故障诊断算法，其特征在于：其包括以下步骤：1）构建无线传感器网络系统模型，无线传感器网络系统模型由基站、移动小车以及静止布设于监测区域的若干个可充电无线传感器节点构成；2）在基站构建卷积神经网络，卷积神经网络的结构为依序连接的输入层、隐含层、全连接层和输出层，其中，隐含层由至少一组依序连接的卷积层和池化层构成；3）利用移动小车收集无线传感器网络中所有节点的感知数据并传输到基站，基站存储所有节点的感知数据，并转化成矩阵的形式输入到卷积神经网络中；4）通过输入层将矩阵形式的感知数据输入到构建的卷积神经网络中进行训练，卷积神经网络经过自身的学习，通过卷积层的卷积核提取数据特征，通过池化层对数据特征进行压缩，以减小数据特征、简化网络计算复杂度和提取主要特征，并通过全连接层连接最后两层，通过输出层输出最终的数据分类结果；5）卷积神经网络根据数据分类结果，将每一类对应着相应的传感器故障类型进行故障诊断，并通过输出层输出节点诊断状态。

【技术特征摘要】
1.基于卷积神经网络的无线传感器故障诊断算法，其特征在于：其包括以下步骤：1）构建无线传感器网络系统模型，无线传感器网络系统模型由基站、移动小车以及静止布设于监测区域的若干个可充电无线传感器节点构成；2）在基站构建卷积神经网络，卷积神经网络的结构为依序连接的输入层、隐含层、全连接层和输出层，其中，隐含层由至少一组依序连接的卷积层和池化层构成；3）利用移动小车收集无线传感器网络中所有节点的感知数据并传输到基站，基站存储所有节点的感知数据，并转化成矩阵的形式输入到卷积神经网络中；4）通过输入层将矩阵形式的感知数据输入到构建的卷积神经网络中进行训练，卷积神经网络经过自身的学习，通过卷积层的卷积核提取数据特征，通过池化层对数据特征进行压缩，以减小数据特征、简化网络计算复杂度和提取主要特征，并通过全连接层连接最后两层，通过输出层输出最终的数据分类结果；5）卷积神经网络根据数据分类结果，将每一类对应着相应的传感器故障类型进行故障诊断，并通过输出层输出节点诊断状态。2.根据权利要求1所述的基于卷积神经网络的无线传感器故障诊断算法，其特征在于：步骤2）中利用移动小车收集无线传感器网络中所有节点的感知数据的步骤如下：(1)挑选锚节点...

【专利技术属性】
技术研发人员：陈志德，马梦莹，龚平，郑金花，许力，黄欣沂，
申请(专利权)人：福建师范大学，
类型：发明
国别省市：福建,35