一种WSN-WIM系统传感器自诊断方法-数据采集与处理.DOCVIP

一种WSN-WIM系统传感器自诊断方法 摘要：在WSN-WIM系统中，传感器的校验是一个关键性问题。本文提出一种基于灰色预测理论的传感器故障诊断方法，同时对灰色预测模型进行了优化，避免了由于预测模型中的理论缺陷给第一个传感器的故障诊断带来的错误假定。在WSN-WIM系统环境下的仿真实验中，取得了小于0.3%的平均误差，100%的诊断精度。此外此方法还具有计算量小（计算时间在毫秒级）、实时性强、自适应自诊断能力强等特点，非常适合应用于嵌入式、分布式高速动态多传感器称重系统中。 关键词：多传感器动态称重；动态称重；灰色预测模型； 传感器故障诊断 中图分类号：TP206 文献标识码：A A method of sensor self-diagnosis for WSN-WIM System Abstract: In the WSN - WIM system, the sensor fault diagnosis is a critical issue. This paper proposes a sensor fault diagnosis method based on the grey prediction theory, while the gray prediction model was optimized to avoid the theoretical defect of prediction model to the first sensor fault diagnosis caused by false assumptions. Over simulation experiment of WSN-WIM system , achieved an less than 0.3% average error,and 100% diagnostic accuracy. moreover this method has small computation, Good real-time performance, strong ability of self-adaptability, self-diagnostic and so on. It is very suitable for embedded, distributed high-speed dynamic multi-sensor weighing systems. Key words: MS-WIM; dynamic weighing; grey predictive model; sensor fault diagnosis 0 引言 当前，对车辆的载重动态检测主流方式是轴重称量，即通过测量汽车各轴重，通过累加得出整车重量。在形式和方法上，常见的高速动态称重系统有：桥梁称重系统（B-WIM），基于压电原理的动态称重系统，基于光纤传感器的动态称重系统以及基于多传感器阵列的动态称重（MS-WIM）系统等。文献[5]提出一种WSN-WIM系统，类似于MS-WIM系统优点较为突出[1] [2]，对高速状态有很强适应性；但多传感器的校验是一个关键问题[3]，能否在载荷信号处理前剔除或矫正不良称重节点的重量信息，将直接影响载重检测精度，甚至使检测失效。 基金项目：江西省科技攻关项目（CB200504088）文献[6]提出径向基函数神经网络(RBFNN)传感器诊断的方法，即通过大量离线训练完成预测网络(RBFNN)的构建，并将网络各参数保存在预测网络中，用于在线检测网络，完成传感器故障诊断。但此方法在线训练仍需要一定人工干预，且计算量和数据量都比较大，特别是在同时出现多个传感器故障时，其缺乏自适应自诊断能力。本文通过构建基于无线传感器网络的动态称重系统（WSN-WIM），提出一种基于灰色预测理论的传感器自诊断方法。此方法具有样本小、精度高、计算量非常小、无需人工干预等优点，仿真实验证明其非常适合应用于嵌入式、分布式高速动态称重系统。 基金项目：江西省科技攻关项目（CB200504088） 1 基于无线传感器网络的WIM系统简介 无线传感器网络(Wireless Sensor Networks, WSN)，以其低功耗、低成本、分布式和自组织的特点，而在世界范围内备受广泛关注，成为21世纪学术界研究的焦点技术之一。本文在称重传感器布局上引入无线传感器网络方案也正是考虑到其低功耗、低成本、分布式和自组织等特性，通过这种智能网络节点间的协作完成轴重的检测及传感器故障自诊断。 图1 WSN-WIM系统网络拓扑示意图 图