Resumen

El diagnóstico de fallos es una garantía para el funcionamiento fiable de las redes de sensores inalámbricos heterogéneas, y una predicción precisa de los fallos puede mejorar eficazmente la fiabilidad de las redes de sensores inalámbricos. En primer lugar, se resumen la clasificación de los fallos de los nodos y los métodos habituales de diagnóstico de fallos de las redes de sensores inalámbricas heterogéneas. Después, aprovechando el corto tiempo de aprendizaje, el menor número de ajustes de parámetros y la buena capacidad de generalización de la máquina de aprendizaje extremo del núcleo (KELM), los datos de muestra recogidos de los fallos de hardware del nodo sensor se introducen en la máquina de aprendizaje extremo del núcleo entrenada y realiza la identificación de fallos de varios módulos de hardware del nodo sensor. El coeficiente de regularización C y el parámetro de kernel s en KELM como parámetros del modelo, afectarán a la precisión del modelo de diagnóstico de fallos de la máquina de aprendizaje extremo de kernel. Se propone un método para el diagnóstico de fallos en nodos sensores de redes de sensores inalámbricas heterogéneas basado en la máquina de aprendizaje extremo de kernel optimizada por el algoritmo de colonia de abejas artificial mejorado (IABC-KELM). El algoritmo propuesto tiene mayor capacidad para resolver problemas de diagnóstico de fallos por regresión, mejor rendimiento de generalización y mayor velocidad de cálculo. Los resultados experimentales muestran que el algoritmo propuesto mejora la precisión del diagnóstico de fallos de hardware de los nodos sensores y puede aplicarse mejor al diagnóstico de fallos de hardware de nodos de redes de sensores inalámbricas heterogéneas.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:redes heterogéneas de sensores inalámbricos, kernel extreme learning machine, kelm, métodos comunes de diagnóstico de fallos, algoritmo mejorado de colonia artificial de abejas, diagnóstico de fallos de hardware de nodos, problemas de diagnóstico de fallos por regresión, fallo de hardware de nodos sensores, predicción precisa de fallos, mejor rendimiento de generalización
• Keywords:heterogeneous wireless sensor networks, kernel extreme learning machine, kelm, common fault diagnosis methods, improved artificial bee colony algorithm, node hardware fault diagnosis, regression fault diagnosis problems, sensor node hardware failure, accurate fault prediction, better generalization performance