一个新的混合极端学习基于机器的诊断模型用于水产养殖中的传感器节点故障
Bing Shi1, Zelin Gao2, Tianheng Pu2
1School of Mechanical Engineering and Rail Transit, Changzhou University, Changzhou, 213164, China. shibing@cczu.edu.cn.
Scientific reports
|August 14, 2025
概括
在无线传感器网络中,准确的故障诊断至关重要. 这项研究引入了使用粒子群优化的增强极端学习机器模型,在识别传感器节点故障时达到99%以上的准确性.
科学领域:
- 计算机科学 计算机科学
- 电气工程 电气工程
- 人工智能的人工智能
背景情况:
- 无线传感器网络 (WSN) 中的传感器节点容易受到环境影响,导致数据偏差和故障.
- 准确识别和分类传感器节点故障对于可靠的数据监测和决策至关重要.
- 现有的故障诊断方法在复杂的WSN环境中往往难以达到准确性和效率.
研究的目的:
- 为WSNs中的传感器节点开发一个先进的故障诊断模型.
- 使用混合方法提高传感器节点故障的分类准确性.
- 为应对在WSN数据中识别和分类各种故障类型的挑战.
主要方法:
- 一种混合极端学习机器 (ELM) 模型被开发用于传感器节点故障诊断.
- 使用粒子群优化 (PSO) 来优化ELM的关键参数,包括惯性重量 (ω) 和学习因子 (c).
- 混合内核函数的参数和惩罚系数 (C) 也被优化,以提高分类性能.
主要成果:
- 开发的诊断模型在来自密集水产养殖监测系统的数据集上实现了99.30%的平均分类准确性.
- 为了训练和验证模型,将不同比例的故障数据 (5%,10%,15%,20%) 纳入数据集.
- 与其他现有的诊断算法相比,拟议的模型显示出优越的故障分类准确性.
结论:
- 通过PSO优化的混合ELM模型,有效地诊断WSN中的传感器节点故障.
- 改进后的模型显著提高了故障分类的准确性,确保了更可靠的数据,减少了潜在的损失.
- 这种方法为环境监测系统,特别是水产养殖系统的故障诊断提供了可靠的解决方案.
