物联网节点设备异常状态在线监测方法研究
发布时间：2021-01-04 02:43
随着物联网产业应用的迅速发展,监测物联网节点设备的异常状态以保障系统可靠性与环境安全成为物联网技术研究的新方向。物联网传感器节点异常来源于传感器自身故障与部署环境发生特定事件两方面原因。而现有的物联网工作状态监测方法主要针对节点采样数据的异常检测或仅针对节点设备故障的诊断。因此,研究包含异常节点检测和异常来源识别两部分的节点异常状态监测方法,使物联网系统针对异常状态科学决策,从而提高信息可信度,具有重要的现实意义。本文在当前基于模式识别的异常检测方法的基础上,提出物联网节点设备异常状态在线监测方法。结合物联网数据的时空相关性,应用聚类方法与模糊逻辑系统分别实现物联网节点异常的在线检测与节点异常类型的在线识别。论文的研究工作由国家重点研发计划项目（No.2018YFC0808302）支持,本文的主要研究内容和工作成果包括:（1）针对物联网节点异常状态检测问题,提出了基于聚类的物联网节点异常在线检测方法。研究了一种复合的时间序列相似度度量准则,采用改进的全局密度参数自适应确定的基于密度的聚类方法。利用物联网数据的时间相关性,通过训练阶段和检测阶段实现了针对单个传感器分别进行的异常状态检测。...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
014-2020年中国物联网市场规模物联网的系统架构通常分为感知层、网络层和应用层，感知层位于三层结构
第五章基于无标物联网数据集的实验验证54态检测与异常状态来源确认方法的实验验证。由于是在实际物联网应用的数据集的基础上叠加人工异常模式，得到的含异常节点的新数据集仍具有物联网应用场景下的数据特性，如数据的时间相关性与空间相关性，因此比直接仿真含异常节点的物联网数据集更能够反映真实场景。根据物联网系统传感器数据的常见异常类型，本实验共人为模拟常值型、漂移型、冲击型、偏置型和周期型五种传感器数据异常模式。其中，(a)常值型异常是指传感器的观测值近似为一个常值，不能随采样对象的变化而变化；(b)漂移型异常指传感器的输出数据以某一速率偏离原观测时间序列，它的误差函数可表示为式（5-1）所示，其中0t为出现异常的时刻，k是增益系数。(c)冲击型异常指传感器的输出在很短时间内发生冲击突变而后又很快复原回原观测时间序列；(d)偏置型异常是指在一时间段内传感器观测值出现显著的阶跃平台；(e)周期型异常指传感器观测值非常不稳定，可以表示为叠加了一定频率的周期振荡，误差函数可表示为式（5-2）所示，其中0a,na,(1,2,3...)nn为常数。()t0e=kt-t(5-1)01sin()tnnne=aanwt(5-2)图5-6人为模拟的传感器数据异常模式
第五章基于无标物联网数据集的实验验证56陡峭点位置，算法自适应选择的全局密度参数为：邻域半径Eps=1.9，邻域中包含对象的最小个数MinPts=13。将得到的聚类结果经过PCA主成分分析法（PrincipalComponentAnalysis）映射到二维空间如图5-7所示，需要注意的是由于降维处理PCA的映射尺寸并不能完全反映多维度空间样本点的真实距离。训练阶段的聚类结果共得到1个簇，与理论分析的结果一致。结果包含27个核心点和2个非核心点的簇内点以及1个簇外点，本实验将该簇外点作为噪声点不予关注。图5-7训练阶段的聚类结果5.3.3.2检测阶段通过训练阶段获得了路网中单个传感器节点观测区域内的一个合理的环境特征集，将人为注入异常模式的检测数据集3D中该节点每天的时间片段数据作为新的样本点。由于人为叠加了异常模式，该节点有可能是正常节点或异常节点。节点的检测时间序列中有可能出现随机个数异常的时间片段，即异常的样本点。将这10个待检测样本点与训练聚类结果中的核心点集CorePts27中的每个核心点按照聚类的全局密度参数进行遍历比较，如果有样本点不在任意一个核心点的邻域范围内，判定该样本点代表时间片段是异常的。实验的单个节点的异常时间片段的检测阶段结果分别如图5-8所示和图5-9所示，图5-9是将PCA结果局部放大的效果图。另外，本实验利用传统的DBSCAN聚类算法同样实现了针对上述同一个传感器节点的异常状态在线检测方法中的训练阶段和检测阶段。根据3.3.2中的距离曲
【参考文献】：
期刊论文
[1]基于数据流时空特征的WSN异常检测及异常类型识别[J]. 邓丽,刘庆连,邬群勇,杨水荣. 传感技术学报. 2019(09)
[2]基于时间序列数据的无线传感器网络的异常检测方法[J]. 彭能松,张维纬,张育钊,黄焯,郑力新. 传感技术学报. 2018(04)
[3]基于BIRCH-LKD的在站车辆中时异常检测算法[J]. 张晓栋,董宝田,陈光伟. 北京理工大学学报. 2017(11)
[4]基于约简策略与自适应SVDD的无线传感网络离群检测方法[J]. 魏畅,李光辉. 传感技术学报. 2017(09)
[5]基于改进DBSCAN算法的变压器不良漏抗参数辨识[J]. 孙小磊,郑华,李晖,王智冬,李隽,王佳明. 电力系统自动化. 2017(09)
[6]时间序列数据挖掘的相似性度量综述[J]. 陈海燕,刘晨晖,孙博. 控制与决策. 2017(01)
[7]基于多模态数据流的无线传感器网络异常检测方法[J]. 费欢,肖甫,李光辉,孙力娟,王汝传. 计算机学报. 2017(08)
[8]一种有效的传感器故障诊断方法[J]. 单玉刚,王宏. 计算机工程与应用. 2012(02)
[9]高维数据聚类方法综述[J]. 贺玲,蔡益朝,杨征. 计算机应用研究. 2010(01)
[10]基于数据分区的DBSCAN算法[J]. 周水庚,周傲英,曹晶. 计算机研究与发展. 2000(10)
硕士论文
[1]基于相似性度量的高速公路短时交通流聚类与预测研究[D]. 王致远.北京交通大学 2019
[2]基于时间序列相似性度量的机场噪声监测点交互预测研究[D]. 刘晨晖.南京航空航天大学 2018
[3]无线传感数据时空相关性的研究[D]. 常城.大连理工大学 2016
[4]流数据聚类挖掘算法研究[D]. 周东滨.吉林大学 2006
本文编号：2955988
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
014-2020年中国物联网市场规模物联网的系统架构通常分为感知层、网络层和应用层，感知层位于三层结构
第五章基于无标物联网数据集的实验验证54态检测与异常状态来源确认方法的实验验证。由于是在实际物联网应用的数据集的基础上叠加人工异常模式，得到的含异常节点的新数据集仍具有物联网应用场景下的数据特性，如数据的时间相关性与空间相关性，因此比直接仿真含异常节点的物联网数据集更能够反映真实场景。根据物联网系统传感器数据的常见异常类型，本实验共人为模拟常值型、漂移型、冲击型、偏置型和周期型五种传感器数据异常模式。其中，(a)常值型异常是指传感器的观测值近似为一个常值，不能随采样对象的变化而变化；(b)漂移型异常指传感器的输出数据以某一速率偏离原观测时间序列，它的误差函数可表示为式（5-1）所示，其中0t为出现异常的时刻，k是增益系数。(c)冲击型异常指传感器的输出在很短时间内发生冲击突变而后又很快复原回原观测时间序列；(d)偏置型异常是指在一时间段内传感器观测值出现显著的阶跃平台；(e)周期型异常指传感器观测值非常不稳定，可以表示为叠加了一定频率的周期振荡，误差函数可表示为式（5-2）所示，其中0a,na,(1,2,3...)nn为常数。()t0e=kt-t(5-1)01sin()tnnne=aanwt(5-2)图5-6人为模拟的传感器数据异常模式
第五章基于无标物联网数据集的实验验证56陡峭点位置，算法自适应选择的全局密度参数为：邻域半径Eps=1.9，邻域中包含对象的最小个数MinPts=13。将得到的聚类结果经过PCA主成分分析法（PrincipalComponentAnalysis）映射到二维空间如图5-7所示，需要注意的是由于降维处理PCA的映射尺寸并不能完全反映多维度空间样本点的真实距离。训练阶段的聚类结果共得到1个簇，与理论分析的结果一致。结果包含27个核心点和2个非核心点的簇内点以及1个簇外点，本实验将该簇外点作为噪声点不予关注。图5-7训练阶段的聚类结果5.3.3.2检测阶段通过训练阶段获得了路网中单个传感器节点观测区域内的一个合理的环境特征集，将人为注入异常模式的检测数据集3D中该节点每天的时间片段数据作为新的样本点。由于人为叠加了异常模式，该节点有可能是正常节点或异常节点。节点的检测时间序列中有可能出现随机个数异常的时间片段，即异常的样本点。将这10个待检测样本点与训练聚类结果中的核心点集CorePts27中的每个核心点按照聚类的全局密度参数进行遍历比较，如果有样本点不在任意一个核心点的邻域范围内，判定该样本点代表时间片段是异常的。实验的单个节点的异常时间片段的检测阶段结果分别如图5-8所示和图5-9所示，图5-9是将PCA结果局部放大的效果图。另外，本实验利用传统的DBSCAN聚类算法同样实现了针对上述同一个传感器节点的异常状态在线检测方法中的训练阶段和检测阶段。根据3.3.2中的距离曲
【参考文献】：
期刊论文
[1]基于数据流时空特征的WSN异常检测及异常类型识别[J]. 邓丽,刘庆连,邬群勇,杨水荣. 传感技术学报. 2019(09)
[2]基于时间序列数据的无线传感器网络的异常检测方法[J]. 彭能松,张维纬,张育钊,黄焯,郑力新. 传感技术学报. 2018(04)
[3]基于BIRCH-LKD的在站车辆中时异常检测算法[J]. 张晓栋,董宝田,陈光伟. 北京理工大学学报. 2017(11)
[4]基于约简策略与自适应SVDD的无线传感网络离群检测方法[J]. 魏畅,李光辉. 传感技术学报. 2017(09)
[5]基于改进DBSCAN算法的变压器不良漏抗参数辨识[J]. 孙小磊,郑华,李晖,王智冬,李隽,王佳明. 电力系统自动化. 2017(09)
[6]时间序列数据挖掘的相似性度量综述[J]. 陈海燕,刘晨晖,孙博. 控制与决策. 2017(01)
[7]基于多模态数据流的无线传感器网络异常检测方法[J]. 费欢,肖甫,李光辉,孙力娟,王汝传. 计算机学报. 2017(08)
[8]一种有效的传感器故障诊断方法[J]. 单玉刚,王宏. 计算机工程与应用. 2012(02)
[9]高维数据聚类方法综述[J]. 贺玲,蔡益朝,杨征. 计算机应用研究. 2010(01)
[10]基于数据分区的DBSCAN算法[J]. 周水庚,周傲英,曹晶. 计算机研究与发展. 2000(10)
硕士论文
[1]基于相似性度量的高速公路短时交通流聚类与预测研究[D]. 王致远.北京交通大学 2019
[2]基于时间序列相似性度量的机场噪声监测点交互预测研究[D]. 刘晨晖.南京航空航天大学 2018
[3]无线传感数据时空相关性的研究[D]. 常城.大连理工大学 2016
[4]流数据聚类挖掘算法研究[D]. 周东滨.吉林大学 2006
本文编号：2955988
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2955988.html
