答辩博士：杨星
指导老师：舒磊教授
论文题目：基于物联网的太阳能杀虫灯故障诊断方法研究
答辩委员会：
主席：
汪小旵教授/博导 皇冠
委员：
韩光洁 教授/博导 河海大学
周长兵 教授/博导 中国地质大学（北京）
万加富 教授/博导 华南理工大学
倪 军 教授/博导 皇冠
秘书：
李凯亮 助理研究员 皇冠
答辩时间：2023年9月25日10时
答辩地点：皇冠浦口校区育贤楼C302
论文简介：
作为一种典型的农业虫害防治设备，频振式太阳能杀虫灯通过诱虫光源吸引害虫，高压金属网杀灭害虫，具有成本低、无污染、能源自给的优点。在结合物联网技术后，太阳能杀虫灯可用于收集杀虫数量、气象、土壤墒情、设备状态等信息并据此实现设备的智能化。由于通常被部署于野外，基于物联网的太阳能杀虫灯易受到老化、破坏等因素的影响，进而导致故障的发生。为了保障基于物联网的太阳能杀虫灯的正常运行，需要研究相应的故障诊断方法。本文从提升诊断准确性、减少能量消耗以及简化诊断模型的角度出发，针对基于物联网的太阳能杀虫灯的组件构成，研究故障诊断方法。本文的研究内容主要包含和结论如下：
（1）提出一种基于布尔值滑动窗口的太阳能杀虫灯故障自诊断方法
为了减少原始数据传输导致的能量消耗，本文提出一种故障自诊断方法，该方法主要针对故障规则较为明确的故障进行诊断。首先，本文利用故障字典方法，将故障类型和对应特征向量组成键值对，从而对故障相关特征进行阈值判断。其次，提出布尔值滑动窗口以存储每一个故障类型的最近8个布尔值故障状态。试验结果表明，本文所提出方法具有模型轻量化（86B模型大小）、模型精度高（平均准确率为99.14%，平均误报率为9.56%，平均漏报率为4.92%）和不增加过多能耗（在Arduino上运行仅额外增加0.39%能耗）的特点，适用于基于物联网的太阳能杀虫灯的故障自诊断。
（2）提出一种基于相关性分析的太阳能杀虫灯分布式故障诊断方法
为了进一步探究失配故障的根本原因，本文提出一种分布式故障诊断方法。相比于传统的分布式故障诊断方法，所设计方法采用残差累计和比较的方式减少对邻居节点数量的需求。试验结果表明本文所提出方法能够准确地诊断故障自诊断报出的三种失配故障，且对设定阈值的依赖性较低。此外，所提出方法仅需传输单字节的编号或工作状态信息，可减少分布式故障诊断时节点间信息交互所产生的通信能耗。最后，在Arduino上的实际运行结果表明，所提出方法在运行时仅额外消耗0.27%的功率。综上，本文所提出分布式故障诊断方法能够有效的应用于基于物联网的太阳能杀虫灯这种节点密度较低且计算资源与能量有限的场景。
（3）提出一种基于深度可分离卷积的太阳能杀虫灯传感器异常数据诊断方法
因为基于物联网的太阳能杀虫灯组件的故障诊断依赖于传感器数据的可靠性，所以本文提出一种一维卷积神经网络方法以诊断太阳能杀虫灯传感器异常数据。首先，考虑到诊断模型轻量化的需求，本文采用深度可分离卷积作为模型的主要框架，依据试验结果确定三层深度可分离卷积作为网络主干在诊断准确性和模型大小中具有较好的权衡效果。其次，为了激励故障相关特征以及抑制异常无关特征，本文设计了时间通道联合注意力模块。试验结果表明，所提出方法在不同数据异常率情况下均能得到最佳的诊断准确率。此外，所提出方法部署于树莓派中的模型大小（351KB）及能耗（4.33W）适中，适用于基于物联网的太阳能杀虫灯传感器异常数据的诊断。
（4）开发了研究平台与故障诊断系统
为了将所提出三种故障诊断方法应用于基于物联网的太阳能杀虫灯中，本文设计了相应的研究平台。针对高压金属网放电可能对物联网模块产生电磁干扰进而影响数据采集与传输的问题，本文在电路设计时在电路板留下大量孔洞，以减少电磁干扰对电路板中的电子元器件的影响。根据试验数据，本文将物联网设备与高压金属网设置为至少间隔25厘米。虽然该距离仅针对本文试验中所使用设备，但是亦可为相似场景提供试验思路。此外，本文集成了上述三种故障诊断方法并开发了故障诊断系统。应用结果表明该方法能够准确地诊断故障且用户能够方便的从系统界面查看基于物联网的太阳能杀虫灯的故障状态。
主要创新点如下：
（1）针对基于物联网的太阳能杀虫灯计算资源和能量有限的特点，本文通过故障字典方法和物元理论构建该设备的故障规则，提出布尔值滑动窗口方法以多次判断故障相关特征值并以布尔值形式存储，在减少误检率的同时实现故障诊断方法的轻量化设计。试验结果表明所提出方法在99%以上诊断准确率的基础上仅占用了不足100B的参数，为对比方法的二分之一至几十分之一。
（2）针对失配故障无法通过节点自身信息探究根本原因，本文从工作特征及不同节点的故障相关特征值分布差异进行区分，对节点间用于分布式故障诊断所需交互的数据进行无量纲化处理。此外，残差累计和对比的方式被采用以替代传统的阈值检测方法，适用于失配故障且有助于减少故障诊断于对设定阈值的依赖性。试验结果表明所提出方法的平均诊断准确率为 95.59%，相较于对比方法至少高30%。此外，该方法可将分布式故障诊断所需数据交互的传输量降为四分之一且在诊断时仅增加0.27%的能量消耗。
（3）针对传感器故障时异常数据特征不显著的问题，本文提出将深度学习中的深度可分离卷积技术作为诊断模型主干以减少模型参数与计算量，并提出一种时间通道联合注意力模块用于激励异常相关特征，从而实现传感器异常数据的精准诊断。试验结果表明所提出方法的平均F1-score为97.6%，比其他方法至少高0.58%。此外，该方法的模型参数量和能耗适中，能够部署于配备了较高算力的节点中，如高配版基于物联网的太阳能杀虫灯的树莓派中。
