机械振动无线传感器网络多级分层高精度同步采集方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    51375514
  • 项目类别:
    面上项目
  • 资助金额:
    80.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    E0511.机械测试理论与技术
  • 结题年份:
    2017
  • 批准年份:
    2013
  • 项目状态:
    已结题
  • 起止时间:
    2014-01-01 至2017-12-31

项目摘要

The multistage stratified high precision synchronous acquisition method for mechanical vibration wireless sensor networks is proposed, in order to satisfy demands of high precision synchronous acquisition in mechanical vibration monitoring, and solve key issues existed in mechanical vibration wireless sensor networks, such as accurate clock synchronization, temporal and spatial jitter, critical multi-hop cumulative synchronization deviation and so on. The research stratagem of this proposed method is as follows. A theoretical system of multistage stratified synchronous acquisition in mechanical vibration wireless sensor networks, which has clock synchronization algorithm, temporal and spatial jitter suppression, multi-hop synchronous acquisition routing protocol and vibration signal adaptive reconfiguration together, will be proposed to form the new principle and the new methods for high precision synchronous acquisition of mechanical vibration based on wireless sensor network. A novel method of time synchronization in mechanical vibration wireless sensor networks based on beacon timing compensation will be proposed to achieve high precision clock synchronization of wireless sensor nodes. A new multi-hop synchronous acquisition routing protocol used in mechanical vibration wireless sensor network will be proposed based on Taylor expansion, to improve the multi-hop synchronous collection precision. Finally, a mechanical vibration monitoring system prototype based on wireless sensor network with high synchronization accuracy will be developed and system performance will be evaluated. The synchronous acquisition method on proposed has important theoretical and practical values, and also for enrichment and development of the mechanical vibration monitoring theory and technology.
提出机械振动无线传感器网络多级分层高精度同步采集方法,目的是满足机械振动监测中高精度同步采集的要求,解决机械振动无线传感器网络时钟精确同步、时间和空间抖动、多跳累积同步误差严重等关键问题。该方法研究思路为:提出集时钟同步算法、时间和空间抖动抑制、全网多跳同步采集路由协议及振动信号自适应重构于一体的多级分层的机械振动无线传感器网络同步采集理论体系,形成机械振动无线传感器网络高精度同步采集的新理论和新方法;提出信标时序补偿的机械振动无线传感器网络时钟同步新方法,实现机械振动无线传感器网络多节点高精度时钟同步;提出基于泰勒展开的机械振动无线传感器网络多跳同步采集路由新协议,提高机械振动无线传感器网络的多跳同步采集精度。最后研发基于无线传感器网络的机械振动高精度同步监测系统原型,进行系统性能评估。该方法可丰富和发展机械振动监测理论和技术,具有重要的理论和实用价值。

结项摘要

机械振动无线传感器网络存在各节点间时钟同步精度低、触发不同步、采样间隔抖动、同步误差累积严重等问题,难以保证各节点同步采集。针对机械振动无线传感器网络高精度同步采集的难题,项目按计划进行了机械振动无线传感器网络跨层同步采集方法研究,研究了无线传感器网络高精度时钟同步、同步触发空间抖动控制、节点采样时间抖动控制以及多跳同步采集精度保持等关键科学问题。.提出了集网络构建、时钟同步、同步触发、同步采集等功能于一体的机械振动无线传感器网络跨层高精度同步采集理论,建立了机械振动无线传感器网络跨层高精度同步采集理论架构。.提出了基于模糊层次分析的机械振动无线传感器网络均衡拓扑构建方法,研究了基于集中关联时序分配方法的信标冲突避免方法。提出了机械振动无线传感器网络单跳跨层时钟同步方法,并基于信标传输延时补偿方法,扩展跨层时钟同步方法,解决多跳采集网络的高精度时钟同步问题。.提出了基于SFD信号的机械振动无线传感器网络单跳跨层触发方法;提出了基于信标传输延时补偿的机械振动无线传感器网络多跳同步触发方法,实现多跳高精度同步触发;提出了基于SFD跨层捕获的机械振动无线传感器网络多跳累积误差补偿方法,降低多跳网络中因晶振频率偏移导致的同步误差。.针对数据采集过程中同步采集精度逐渐降低的问题,提出了晶振频率偏移补偿的同步采集累积误差控制方法,抑制采集过程中晶振频率偏移导致的采集误差;提出了基于同步信息跨层实时跟踪的同步采集累积误差控制方法,动态补偿采集误差,进一步提高同步采集精度;提出基于回归分析的跨层同步采集多跳累积误差控制方法,抑制多跳网络中因随机误差导致的同步累积误差。.研发了机械振动无线传感器网络同步采集系统,包括跨层同步采集节点、网关节点、路由节点以及上位机软件等,并进行系统性能评估和测试应用。.项目研究达到了预期目标,该研究丰富和发展了机械振动监测理论和技术,具有重要的理论和实用价值。.

项目成果

期刊论文数量(22)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(3)
Bearing performance degradation assessment based on time-frequency code features and SOM network
基于时频码特征和SOM网络的轴承性能退化评估
  • DOI:
    10.1088/1361-6501/aa56c9
  • 发表时间:
    2017-02
  • 期刊:
    Measurement Science and Technology
  • 影响因子:
    2.4
  • 作者:
    Zhang Yan;Tang Baoping;Han Yan;Deng Lei
  • 通讯作者:
    Deng Lei
High accuracy synchronous acquisition algorithm of multi-hop sensor networks for machine vibration monitoring
机器振动监测多跳传感器网络高精度同步采集算法
  • DOI:
    10.1016/j.measurement.2017.01.036
  • 发表时间:
    2017
  • 期刊:
    Measurement
  • 影响因子:
    5.6
  • 作者:
    Xiao Xin;Tang Baoping;Deng Lei
  • 通讯作者:
    Deng Lei
FT细化校正阶次全息谱分析方法
  • DOI:
    --
  • 发表时间:
    2014
  • 期刊:
    振动与冲击
  • 影响因子:
    --
  • 作者:
    汪华平;汤宝平;韩延;秦毅
  • 通讯作者:
    秦毅
Development of high synchronous acquisition accuracy wireless sensor network for machine vibration monitoring
用于机器振动监测的高同步采集精度无线传感器网络的开发
  • DOI:
    10.1016/j.measurement.2015.01.021
  • 发表时间:
    2015-04-01
  • 期刊:
    MEASUREMENT
  • 影响因子:
    5.6
  • 作者:
    Huang, Qingqing;Tang, Baoping;Deng, Lei
  • 通讯作者:
    Deng, Lei
An accurate 3-D fire location method based on sub-pixel edge detection and non-parametric stereo matching
基于亚像素边缘检测和非参数立体匹配的精确3D火灾定位方法
  • DOI:
    10.1016/j.measurement.2013.12.022
  • 发表时间:
    2014-04-01
  • 期刊:
    MEASUREMENT
  • 影响因子:
    5.6
  • 作者:
    Song, Tao;Tang, Baoping;Deng, Lei
  • 通讯作者:
    Deng, Lei

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法
  • DOI:
    10.19650/j.cnki.cjsi.j1905063
  • 发表时间:
    2019
  • 期刊:
    仪器仪表学报
  • 影响因子:
    --
  • 作者:
    孔子迁;邓蕾;汤宝平;韩延
  • 通讯作者:
    韩延
强背景噪声条件下自适应图卷积神经网络的航空发动机附件机匣故障诊断方法
  • DOI:
    10.19650/j.cnki.cjsi.j2107732
  • 发表时间:
    2021
  • 期刊:
    仪器仪表学报
  • 影响因子:
    --
  • 作者:
    余晓霞;汤宝平;魏静;邓蕾
  • 通讯作者:
    邓蕾
时钟同步调度的多跳机械振动WSN多信道传输法
  • DOI:
    10.16450/j.cnki.issn.1004-6801.2019.06.006
  • 发表时间:
    2019
  • 期刊:
    振动.测试与诊断
  • 影响因子:
    --
  • 作者:
    汤宝平;周沿江;肖鑫;邓蕾
  • 通讯作者:
    邓蕾
动态增殖流形学习算法在机械故障诊断中的应用
  • DOI:
    --
  • 发表时间:
    2014
  • 期刊:
    振动与冲击
  • 影响因子:
    --
  • 作者:
    宋涛;汤宝平;邓蕾
  • 通讯作者:
    邓蕾
控冷终止温度对钒氮微合金化高强钢筋组织的影响
  • DOI:
    --
  • 发表时间:
    2013
  • 期刊:
    热加工工艺
  • 影响因子:
    --
  • 作者:
    邓蕾;曹建春;王东;陈伟
  • 通讯作者:
    陈伟

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

邓蕾的其他基金

数模深度融合增强的航空发动机附件传动系统健康评估研究
  • 批准号:
  • 批准年份:
    2022
  • 资助金额:
    54 万元
  • 项目类别:
    面上项目
数模深度融合增强的航空发动机附件传动系统健康评估研究
  • 批准号:
    52275087
  • 批准年份:
    2022
  • 资助金额:
    54.00 万元
  • 项目类别:
    面上项目
协同深度学习的风电机组传动系统早期故障有效可靠预示方法研究
  • 批准号:
    51775065
  • 批准年份:
    2017
  • 资助金额:
    60.0 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码