【技术实现步骤摘要】
本专利技术涉及无线传感器网络故障检测，具体为一种基于深度学习的无线传感器网络故障检测方法。
技术介绍
1、无线传感器网络是由大量的微型传感器节点组成的网络系统，这些传感器节点通常分布在特定的监测区域内，通过无线通信方式相互连接，共同完成对目标区域的监测任务，广泛应用于环境监测、工业控制、智能家居等领域。在无线传感器网络的运行过程中，由于各种原因(如硬件故障、环境干扰、能量耗尽等)，可能会出现各种故障，例如，节点失效、通信中断、数据异常等。这些故障可能会导致无线传感器网络的性能下降，覆盖范围缩小，甚至无法正常工作。因此，实现对无线传感器网络故障检测是无线传感器网络运行维护中非常重要的一步，也是保证无线传感器网络可靠性的关键一步。
2、但现有的在对无线传感器网络故障进行检测时，大都是基于传统的故障诊断方法，其检测效率低，且准确性不高。同时，现有的在无线传感器网络故障实际检测中，无法及时分析无线传感器网络存在的潜在问题，导致无法做到对无线传感器网络的故障检测的全面性，加大了无线传感器网络运行效率低和难以做到故障有效定位。
3、为了解决上述缺陷，现提供一种技术方案。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的无线传感器网络故障检测方法，以解决上述背景提出的问题。
2、本专利技术的目的可以通过以下技术方案实现：一种基于深度学习的无线传感器网络故障检测方法，包括以下步骤：
3、s1、数据采集：采集目标无线传感器网络中各节点对应的
4、s2、节点硬件状态检测分析：对目标无线传感器网络中各节点对应的节点硬件状态参数进行监测，并由此对目标无线传感器网络中各节点对应的节点硬件状态评估指数进行分析，得到目标无线传感器网络中各节点对应的节点硬件状态评估指数；
5、优选地，对目标无线传感器网络中各节点对应的节点硬件状态评估指数进行分析，得到目标无线传感器网络中各节点对应的节点硬件状态评估指数，具体分析方式如下：
6、实时监测获取一段时间内目标无线传感器网络中各节点对应传感器输出数据，记为i表示为各节点的编号，i＝1，2，...，n，n表示为节点编号的总数，j表示为各传感器输出数据的编号，j＝1，2，...，m，m表示为传感器输出数据编号的总数，并对其进行平均值计算，得到一段时间内目标无线传感器网络中各节点对应传感器输出数据平均值，记为sji，依据公式计算出一段时间内目标无线传感器网络中各节点对应传感器输出数据标准差σi，同时依据公式计算出一段时间内目标无线传感器网络中各节点对应传感器输出数据变异系数νi，并实时获取一段时间内目标无线传感器网络中各节点对应传感器输出数据跳动次数，记为ni，并将三项数据进行公式化分析，依据设定的数字模型：由此得到一段时间内目标无线传感器网络中各节点对应传感器输出数据稳定指数wpi，其中，e表示为自然常数，σ、ν、n分别表示为设定的参考输出数据标准差、参考输出数据变异系数、参考输出数据跳动次数，a1、a2、a3分别表示为设定的输出数据标准差、输出数据变异系数、输出数据跳动次数对应传感器输出数据稳定指数的占比权重；
7、实时监测获取一段时间内目标无线传感器网络中各节点对应cpu使用率峰值，记为同时实时获取一段时间内目标无线传感器网络中各节点对应各监测时间点的内存占有率，并从中分别提取最大内存占有率和最小内存占有率，分别记为同时提取最大内存占有率和最小内存占有率对应的监测时间点，进而获取最大内存占有率和最小内存占有率对应的监测间隔时长，记为t，依据公式计算出一段时间内目标无线传感器网络中各节点对应内存占用率变化率ζi；
8、实时监测获取一段时间内目标无线传感器网络中各节点对应各次任务响应时长和各次任务执行时长，并对其进行均值计算，得到一段时间内目标无线传感器网络中各节点对应任务平均响应时长和任务平均执行时长，分别记为依据设定的公式计算出一段时间内目标无线传感器网络中各节点对应任务执行效率xli，t响应'、t执行'分别表示为设定的参考任务平均响应时长、参考任务平均执行时长，δt响应、δt执行分别表示为设定的参考任务平均响应时长差、参考任务平均执行时长差，a4、a5分别表示为设定的任务平均响应时长、任务平均执行时长对应任务执行效率的占比权重；
9、依据公式计算出一段时间内目标无线传感器网络中各节点对应处理器性能指数cxi，其中，symax'、ζ'、xl'分别表示为设定的参考cpu使用率峰值、参考内存占用率变化率、参考任务执行效率，a6、a7、a8分别表示为设定的cpu使用率峰值、内存占用率变化率、任务执行效率对应处理器性能指数的占比权重；
10、实时监测获取一段时间内目标无线传感器网络中各节点对应信号强度均值、信号噪声比和数据包错误率，分别将其标记为xdi、xbi、sci，依据公式计算出一段时间内目标无线传感器网络中各节点对应通信信号质量指数zpi，xd'、xb'、sc'分别表示为设定的参考信号强度均值、参考信号噪声比、参考数据包错误率，b1、b2、b3分别表示为设定的信号强度均值、信号噪声比、数据包错误率对应通信信号质量指数的占比权重；
11、依据公式计算出一段时间内目标无线传感器网络中各节点对应节点硬件状态评估指数φi，b4、b5、b6分别表示为设定的传感器输出数据稳定指数、处理器性能指数、通信信号质量指数对应节点硬件状态评估指数的占比权重。
12、s3、节点能量供应检测分析：对目标无线传感器网络中各节点对应的能量供应参数进行监测，并由此对目标无线传感器网络中各节点对应的能量供应评估指数进行分析，得到目标无线传感器网络中各节点对应的能量供应评估指数。
13、优选地，对目标无线传感器网络中各节点对应的能量供应评估指数进行分析，得到目标无线传感器网络中各节点对应的能量供应评估指数，具体分析方式为：
14、实时监测获取一段时间内各时间监测点的节点电池剩余电量，并从中分别提取第一个时间监测点的节点电池剩余电量和最后一个监测时间点的节点电池剩余电量，分别记为同时提取第一个时间监测点和最后一个监测时间点，进而获取第一个时间监测点和最后一个监测时间点对应的监测间隔时长，记为δt，依据公式计算出一段时间内目标无线传感器网络中各节点对应电池剩余电量下降速度变化率
15、实时监测获取一段时间内目标无线传感器网络中各节点对应的电池各次充电的充电时长、充电电量、充电均值温度和充电均值电压，分别标记为f表示为各次充电的编号，f＝1,2,...,g，g表示为充电的编号的总数；
16、将目标无线传感器网络中各节点对应的电池各次充电的充电电量与设定的各充电电量对应的参考充电时长进行匹配，得到目标无线传感器网络中各节点对应的电池各次充电的参考充电时长，记为
17、依据公式...
【技术保护点】
1.一种基于深度学习的无线传感器网络故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无线传感器网络故障检测方法，其特征在于，所述对目标无线传感器网络中各节点对应的节点硬件状态评估指数进行分析，具体分析方式如下：
3.根据权利要求1所述的一种基于深度学习的无线传感器网络故障检测方法，其特征在于，所述对目标无线传感器网络中各节点对应的能量供应评估指数进行分析，具体分析方式为：
4.根据权利要求1所述的一种基于深度学习的无线传感器网络故障检测方法，其特征在于，所述对目标无线传感器网络对应的网络通信参数进行分析，具体分析方式为：
5.根据权利要求1所述的一种基于深度学习的无线传感器网络故障检测方法，其特征在于，所述基于目标无线传感器网络中各节点对应的节点硬件状态评估指数和节点能量供应评估指数以及目标无线传感器网络对应的网络通信评估指数对目标无线传感器网络对应的故障类型进行分析，具体分析方式如下：
【技术特征摘要】
1.一种基于深度学习的无线传感器网络故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的无线传感器网络故障检测方法，其特征在于，所述对目标无线传感器网络中各节点对应的节点硬件状态评估指数进行分析，具体分析方式如下：
3.根据权利要求1所述的一种基于深度学习的无线传感器网络故障检测方法，其特征在于，所述对目标无线传感器网络中各节点对应的能量供应评估指数进行分析，具体分析方式为：
...【专利技术属性】
技术研发人员：宋永献，阎妍，陈权，郑雪年，张磊，王博，方元霖，
申请(专利权)人：南京晓庄学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。