一种基于深度学习的无线传感器节点故障诊断方法和装置制造方法及图纸

本发明专利技术公开了基于深度学习的无线传感器节点故障诊断方法和装置，方法包括获得SSDAE模型源域训练集数据；采用源域训练集数据训练得到SSDAE模型；将训练好的SSDAE模型进行迁移得到迁移模型，以目标域故障样本数据训练修正迁移模型，得到最终深度故障诊断模型；采用所述深度故障诊断模型对核动力装置中无线传感器故障进行检测。本发明专利技术充分利用堆叠稀疏自动编码器的特征提取能力，通过在训练集上进行训练得到深层本质特征提取器，对故障数据内在特征进行了深度提取，利于准确进行故障检测和诊断。断。断。

【技术实现步骤摘要】
一种基于深度学习的无线传感器节点故障诊断方法和装置


[0001]本专利技术属于无线传感器网络(WSN)
，具体涉及一种基于深度学习的无线传感器节点故障诊断方法和装置。

技术介绍

[0002]核动力装置中无线传感器对设备运行的过程参数(温度、压力等)进行监测，并以无线传输方式将参数信息送往上层设备，用以核动力装置相关控制、显示、报警以及设备运行状态判定功能，作用非常关键。
[0003]但由于核动力装置中无线传感器所处环境的复杂性、本身结构(包含射频芯片、电池模块等)以及信号传输方式的特殊性，相比常规传感器，无线传感器节点在核动力装置中更易受到各种类型(偏移故障、增益故障、卡死故障、尖峰故障、数据丢失故障、融合误差故障、电池故障、硬件故障等)的故障影响，要保证无线传感器在核动力装置中高质量的完成监测工作，必须对无线传感器可能出现的故障进行及早预测以及检测。

技术实现思路

[0004]为了提高核动力装置特殊复杂环境下，无线传感器网络节点及整个网络的可靠性，提高核动力装置中各运行设备的长期安全性，本专利技术提供了一种基于深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的无线传感器节点故障诊断方法，其特征在于，包括：获得SSDAE模型源域训练集数据；采用源域训练集数据训练得到SSDAE模型；将训练好的SSDAE模型进行迁移得到迁移模型，以目标域故障样本数据训练修正迁移模型，得到最终深度故障诊断模型；采用所述深度故障诊断模型对核动力装置中无线传感器故障进行检测。2.根据权利要求1所述的基于深度学习的无线传感器节点故障诊断方法，其特征在于，还包括在迁移模型的分类层添加“Don't know”故障响应标签，识别所述深度故障诊断模型无法判断的故障类别，通过深入分析故障，将其充实进所述源域训练集数据中，定期迭代更新所述深度故障诊断模型。3.根据权利要求1所述的基于深度学习的无线传感器节点故障诊断方法，其特征在于，获得SSDAE模型源域训练集数据步骤具体为：通过机理故障模型数据以及实验数据获得SSDAE模型训练集数据，即SSDAE源域数据集数据；在获得SSDAE模型源域训练集数据步骤后还包括：对源域训练集数据进行预处理；对预处理后的源域训练集数据进行“噪声”注入处理，以增强训练模型的鲁棒性和适应性。4.根据权利要求1所述的基于深度学习的无线传感器节点故障诊断方法，其特征在于，采用源域训练集数据训练得到SSDAE模型步骤具体包括：采用源域训练集数据进行SSDAE模型预训练；对预训练后的SSDAE模型进行微调。5.根据权利要求4所述的基于深度学习的无线传感器节点故障诊断方法，其特征在于，预训练步骤具体包括以下子步骤：初始化SSDAE网络结构；无监督预训练SDAE；在每次迭代中以梯度下降法更新权值矩阵W和偏置向量b；将当前SDAE隐藏层输出值作为下一个SDAE的输入，重复无监督预训练SDAE，并在每次迭代中以梯度下降法更新权值矩阵W和偏置向量b步骤，直到完成SSDAE网络结构中所有SD...

【专利技术属性】
技术研发人员：邓志光，徐思捷，吕鑫，吴茜，朱毖微，青先国，杨洪润，何正熙，王雪梅，赵阳，卢川，朱加良，何鹏，徐涛，陈静，李小芬，李红霞，叶宇衡，
申请(专利权)人：中国核动力研究设计院，
类型：发明
国别省市：