基于IWSN的工业设备监测系统研究与实现

发布时间：2022-02-28 21:18

　　使用有线网络的传统工业设备监测系统有许多缺点,例如布线复杂,系统不灵活,环境影响严重,电缆维护成本高。针对这些缺点本文设计和开发基于工业无线传感器网络（Industrial Wireless Sensor Network,IWSN）的工业设备监测系统,从而保证工业设备监测数据的实时获取,为用户远程实时查看工业设备参数带来方便。本文重点研究工业设备监测系统的故障预测算法,进而实现设备的预警功能,为科学管理工业设备提供可靠依据。本文重点研究工业设备的故障预警,采用的预警模型是动态布谷鸟搜索算法优化的BP神经网络,进而对工业无线传感器网络收集到的工业设备运行参数信息进行分析预测。为了加速网络的收敛速度和尽量避免出现陷入局部极小值的问题,本文采用动态布谷鸟搜索算法对BP神经网络的结构进行优化。针对优化算法完全随机化的缺点本文提出了动态布谷鸟搜索算法,动态布谷鸟搜索算法改进了步长和发现概率,把适应度函数值的变化趋势引入到步长更新公式中,平衡了搜索速度和精度,算法初期全局搜索大步长,算法后期局部搜索小步长。同时在全局最优解被发现的过程中,提高了解适应度好的后代保留概率,改善了偏好随机游走的不确定性... 

【文章来源】：沈阳理工大学辽宁省

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的研究背景与目的意义
    1.2 国内外研究现状
        1.2.1 工业无线传感器网络研究现状
        1.2.2 设备监测技术研究现状
        1.2.3 设备故障诊断研究现状
    1.3 论文的主要工作
    1.4 论文的组织结构
第2章 布谷鸟搜索算法的研究与改进
    2.1 布谷鸟搜索算法的基本原理
        2.1.1 布谷鸟巢寄繁殖行为
        2.1.2 莱维飞行
    2.2 布谷鸟搜索算法的数学模拟
        2.2.1 布谷鸟搜索算法的数学模型
        2.2.2 布谷鸟搜索算法的参数选择
    2.3 布谷鸟搜索算法的基本流程
    2.4 布谷鸟搜索算法的研究现状
    2.5 改进的动态布谷鸟搜索算法
        2.5.1 改进算法的基本思想
        2.5.2 动态布谷鸟搜索算法的基本步骤
    2.6 动态布谷鸟搜索算法性能仿真测试
    2.7 本章小结
第3章 DCS优化的BP网络预测模型构建与仿真
    3.1 预测技术在故障预警中的应用
        3.1.1 基于可靠性的预测方法
        3.1.2 基于失效物理模型的预测方法
        3.1.3 基于数据驱动的预测方法
    3.2 人工神经网络
        3.2.1 神经网络概述
        3.2.2 神经元模型
        3.2.3 神经网络模型分类
        3.2.4 神经网络的学习方法
    3.3 BP神经网络
        3.3.1 BP神经网络结构
        3.3.2 BP神经网络学习规则
        3.3.3 BP神经网络在实际应用中存在的问题
    3.4 基于DCS算法优化的BP神经网络预测模型
    3.5 工业设备故障预警模型的整体设计及仿真结果
    3.6 本章小结
第4章 工业设备监测系统的设计与实现
    4.1 系统总体设计
    4.2 系统功能分层设计
    4.3 传感子网硬件平台
        4.3.1 传感器节点硬件平台
        4.3.2 网关硬件平台
    4.4 中间件的设计与实现
        4.4.1 数据请求模块
        4.4.2 数据解析模块
        4.4.3 节点管理模块
        4.4.4 设备报警模块
    4.5 远程实时监测系统的设计与实现
        4.5.1 实时数据可视化模块
        4.5.2 历史数据查询模块
        4.5.3 远程预警配置模块
        4.5.4 设备故障预测模块
        4.5.5 用户权限管理模块
        4.5.6 系统备份和恢复模块
    4.6 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢


【参考文献】：
期刊论文
[1]工业设备远程监控系统关键技术[J]. 吴占军.  电子世界. 2018(18)
[2]WebSocket技术在工业设备数据实时监测中的应用[J]. 张文,牟艳,高振兴,刘志丰.  计算机与现代化. 2017(11)
[3]新一代电源质量监控技术——帮助工业设备保持良好状态[J]. Swarnab Banerje,Niranjan Chandrappa.  今日电子. 2017(05)
[4]面向Android的工业设备远程监控系统设计[J]. 赵炯,周影.  机电工程. 2016(12)
[5]基于物联网与计算机技术的工业设备监控系统[J]. 张光.  计算机与数字工程. 2016(10)
[6]基于模糊神经网络的智能家居监测系统[J]. 吴雅琴,谭媚心,李惠君,冀利飞.  福建电脑. 2016(04)
[7]基于BP神经网络的铁路客运设备故障监测模型设计与研究[J]. 程清波.  铁路计算机应用. 2016(02)
[8]布谷鸟搜索算法优化BP神经网络的网络流量预测[J]. 杜振宁.  电子技术应用. 2015(03)
[9]基于DSP和粒子群优化的神经网络的齿轮箱故障监测系统设计[J]. 潘铭哲,潘宏侠,李莎.  煤矿机械. 2014(12)
[10]基于神经网络的抽油机远程监控信息延时的预测研究[J]. 姚向新,李晓彤.  机电信息. 2014(30)

硕士论文
[1]基于WSN的温室大棚环境监测系统研究与实现[D]. 朱广华.沈阳理工大学 2018
[2]面向工业设备监控的无线传感器网络系统设计[D]. 邹军华.大连理工大学 2012



本文编号：3645597