基于LSTM的水声网络数据实时故障检测及恢复方法

技术特征：
1.基于lstm的水声网络数据实时故障检测及恢复方法，其特征在于包括以下步骤：1)由随机部署在水下的n个水声传感器节点和水面1个sink节点组成的水声网络，将n个传感器节点均匀分为k个簇，每个簇共n＝n/k个成员节点，簇内以节点最短距离之和最小者为簇头，记作m
i
(i＝1,2,3,
…
,k)；另外，每个簇头m
i
收集各自簇成员节点m
ij
数据并汇总传输给sink节点；其中，i为某一固定值；j＝1,2,3,
…
,n；2)将开始进行故障检测的时刻设为t，将t时刻之前的数据集作为训练集；调整时间步长step的数值，将训练集划分为移动等长序列输入lstm，通过迭代训练得出优化后的预测数据与感知数据的均方根误差rmse，同时得到优化的lstm网络模型；具体步骤如下：2.1)预设时间步长step，将成员节点的感知数据序列data
ijt
作为训练集，i、j均为某一固定值；t＝0,1,
…
,t-1，将其划分成以时间步长step为每行固定长度的移动等长数据序列输入lstm训练，通过迭代得出优化后的预测数据与感知数据的均方根误差rmse，同时得到优化的lstm网络模型；将连续时刻的感知数据序列划分成以时间步长step为每行固定长度的移动等长数据序列的方法，是将一维序列划分成每行step个元素、每列首元素时刻间隔为1的序列；即，针对一整体数据序列data
t
(t＝1,2,3,...t-1)，将data
t
(t＝1,2,3,...step)作为移动等长序列的第1行，data
t
(t＝2,3,4,...step 1)作为移动等长序列的第2行，依次类推，划分成以时间步长step为每行固定长度的移动等长数据序列；2.2)考虑不同时间步长step对预测结果的影响，调整时间步长step的数值，重复步骤2.1)的操作，得出不同时间步长所对应的预测数据与感知数据的均方根误差rmse；其中，均方根误差rmse的物理含义为预测数据与感知数据之间的拟合程度，用来衡量预测的精确程度；均方根误差值越小，预测精度越高；综合考虑实际情况并选择最合适的时间步长step，训练得出进一步优化的lstm网络模型；3)基于步骤2.2)训练得出优化后的lstm网络模型，将检测时刻前step个时刻的数据输入网络模型，预测并得出检测时刻的预测数据；计算检测时刻的感知数据与预测数据的相对误差绝对值，并将其与阈值比较来判断感知数据的故障状态；4)基于步骤3)的数据故障状态判断结果，对故障数据进行及时恢复；若检测时刻的感知数据无误，则保留该感知数据；但是，若检测时刻的感知数据是故障的，则将预测数据代替该存在故障的感知数据。2.如权利要求1所述基于lstm的水声网络数据实时故障检测及恢复方法，其特征在于在步骤3)中，感知数据基于步骤2.2)训练得到的lstm网络模型实现实时检测并及时恢复，具体如下：3.1)基于步骤2.2)训练得出优化后的lstm网络模型，将训练集划分成移动等长序列x
tr
输入网络模型并预测，进而输出预测数据集y
ptr
；计算训练集相应时刻的感知数据y
tr
与预测数据y
ptr
的相对误差绝对值|relerror1|，取|relerror1|最大值作为阈值v
th
；
v
th
＝|relerror1|
max
阈值v
th
表示为因预测导致的感知数据与预测数据的最大偏差程度，当检测时刻的感知数据与预测数据的相对误差绝对值超出阈值，即认为节点感知数据自身故障所导致与预测数据偏差程度太大；3.2)基于步骤2.2)训练得出优化的lstm网络模型，将检测时刻前step个时刻的数据输入网络模型预测，并得出检测时刻的预测数据y
pte
，计算此刻的感知数据y
te
与预测数据y
pte
的相对误差绝对值|relerror2|；若此刻的|relerror2|小于或等于步骤3.1)确定的v
th
，则认为此刻的感知数据无误；相反，若此刻的|relerror2|大于v
th
，则认为此刻的感知数据为故障状态；故障状态；

技术总结
基于LSTM的水声网络数据实时故障检测及恢复方法，涉及水声网络。将LSTM应用于水声网络的每个节点处，基于LSTM对节点最初的感知数据进行训练得到优化的LSTM网络模型，将检测时刻前一定长度的数据输入模型并预测检测时刻的感知数据，进而计算真实感知数据与预测值的相对误差，最后通过相对误差的绝对值与阈值相比较而判断此刻感知数据是否存在故障，并且及时以预测值替换存在故障的感知数据而达到故障恢复的作用。避免簇头或基站搜集数据时数据传输耗时而导致故障检测的延时，实现对节点数据故障的实时检测；同时，也实现对水声网络节点感知数据故障的及时恢复机制，保证网络传输数据的可靠性。数据的可靠性。数据的可靠性。


技术研发人员：陈友淦 周娜娜 涂申奥 张文翔 卢鸽 王栩琛 吴剑明 许肖梅
受保护的技术使用者：厦门大学
技术研发日：2022.05.25
技术公布日：2022/9/2