基于粒子濾波的分布式智能故障診斷系統(tǒng)研究

孟志強(qiáng) 朱志亮 朱建波 張正江 戴瑜興

摘 要：針對(duì)傳統(tǒng)故障診斷系統(tǒng)硬件結(jié)構(gòu)以及故障識(shí)別算法過(guò)于復(fù)雜的問(wèn)題，提出并研究了一種基于粒子濾波的分布式智能故障診斷系統(tǒng).該系統(tǒng)采用ZigBee無(wú)線傳感網(wǎng)絡(luò)實(shí)現(xiàn)系統(tǒng)分布式多變量參數(shù)的實(shí)時(shí)采集，基于粒子濾波算法在線處理各變量數(shù)據(jù)，并基于簡(jiǎn)易模式識(shí)別算法獲得系統(tǒng)真實(shí)狀態(tài)的準(zhǔn)確估計(jì)，實(shí)現(xiàn)系統(tǒng)故障的智能診斷與故障預(yù)示.智能故障診斷系統(tǒng)由ZigBee無(wú)線傳感數(shù)據(jù)采集網(wǎng)絡(luò)、粒子濾波算法、系統(tǒng)狀態(tài)模型和故障模式識(shí)別四部分構(gòu)成.粒子濾波算法基于粒子序貫重要性重采樣和蒙特卡洛方法對(duì)傳感器采集數(shù)據(jù)濾波，抑制或消除干擾及顯著性誤差對(duì)系統(tǒng)狀態(tài)估計(jì)的影響，可避免粒子退化.故障模式識(shí)別就是求取與粒子濾波輸出的系統(tǒng)狀態(tài)估計(jì)曲線殘差之和最小的系統(tǒng)狀態(tài)模型.智能故障診斷系統(tǒng)的實(shí)現(xiàn)和實(shí)例實(shí)驗(yàn)結(jié)果表明該系統(tǒng)能實(shí)現(xiàn)對(duì)象的遠(yuǎn)程監(jiān)測(cè)、對(duì)象狀態(tài)的精確估計(jì)、對(duì)象故障的準(zhǔn)確診斷，拓寬了分布式傳感網(wǎng)絡(luò)的應(yīng)用范圍，并具有成本低、可靠性高、實(shí)時(shí)性好和易實(shí)現(xiàn)的優(yōu)點(diǎn).

關(guān)鍵詞：故障診斷；ZigBee；粒子濾波；模式識(shí)別

中圖分類號(hào)： TP13 文獻(xiàn)標(biāo)志碼：A

Abstract：Due to the shortcomings of traditional fault diagnosis system， such as too complicated hardware system and fault recognition algorithm， a distributed intelligent fault diagnosis system based on particle filter was proposed and studied. Real-time collection of distributed multi-variable parameters was realized by adopting ZigBee wireless sensor network， on-line processes variable data based on particle filter， and precise estimate about real system states were obtained based on simple pattern recognizing algorithm in order to realize the intelligent forecast and diagnose for system fault. The distributed fault diagnosis system includes ZigBee network， particle filter algorithm， system states model and malfunction mode recognition. Particle filter can filter data collected by sensor， suppress and eliminate the interference or significant error that affects the estimate of system states based on sequential importance sampling and Monte-Carlo method. Finding a system state model that has the minimum sum of residuals with an estimate curve about system states from a particle filter is the process of the malfunction mode recognition. Realization of the distributed intelligent fault diagnosis system and the result of the experiment show that the system can realize the remote monitor， accurate state estimation and fault diagnose， and it has the advantage of low cost， high reliability and easy to realize. The work can expand the application range of distributed sensor network and improve the diagnosis level of the fault diagnosis system.

Key words：fault detection； ZigBee； particle filter； pattern recognition

隨著世界各國(guó)工業(yè)化進(jìn)程不斷加快，工業(yè)生產(chǎn)中的設(shè)備規(guī)模越來(lái)越大、系統(tǒng)也愈加復(fù)雜[1]，對(duì)系統(tǒng)運(yùn)行可靠性、安全性的要求愈趨嚴(yán)格.實(shí)時(shí)監(jiān)測(cè)系統(tǒng)運(yùn)行狀態(tài)，并實(shí)現(xiàn)故障在線診斷是提高系統(tǒng)可靠性和安全性行之有效的辦法，國(guó)內(nèi)外學(xué)者對(duì)此展開了廣泛的研究，并取得了大量的研究成果，有些成果在電網(wǎng)、工廠、交通等領(lǐng)域得到了應(yīng)用.

基于系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)監(jiān)測(cè)的故障診斷技術(shù)與方法研究主要包含數(shù)據(jù)采集和診斷算法兩大方面：

1）狀態(tài)監(jiān)測(cè)技術(shù)：田壘等人利用多傳感器檢測(cè)構(gòu)成輸油泵機(jī)組的狀態(tài)監(jiān)測(cè)系統(tǒng) [2]；王碩等人對(duì)風(fēng)光互補(bǔ)發(fā)電的數(shù)據(jù)進(jìn)行采集監(jiān)測(cè)[3]；楊惠采集溫度和濕度的數(shù)據(jù)來(lái)監(jiān)測(cè)工農(nóng)業(yè)生產(chǎn)[4]；Anita等人提出基于無(wú)線局域網(wǎng)協(xié)議的數(shù)據(jù)采集系統(tǒng)，通過(guò)測(cè)量大氣中的環(huán)境參數(shù)來(lái)監(jiān)測(cè)自然災(zāi)害[5]；姬志國(guó)采用RS-485通訊接口、Modbus通信協(xié)議，實(shí)現(xiàn)電力系統(tǒng)運(yùn)行的遠(yuǎn)程監(jiān)測(cè)和控制[6]等.但現(xiàn)有大部分系統(tǒng)僅能完成原始的數(shù)據(jù)采集和集中，基本未考慮數(shù)據(jù)采集的可靠性，缺乏有效的濾波和故障診斷算法支撐，不能對(duì)系統(tǒng)故障進(jìn)行有效的診斷和預(yù)示.

2）故障診斷算法研究：目前國(guó)內(nèi)外在此領(lǐng)域做了大量基礎(chǔ)性的研究和開創(chuàng)性的應(yīng)用.主要基于振動(dòng)信息、電流、頻率特性、溫度變化、液體粘度等故障信號(hào)，伊利諾伊大學(xué)He教授多年來(lái)圍繞故障診斷和預(yù)測(cè)、統(tǒng)計(jì)信號(hào)分析等問(wèn)題做了卓有成效的工作[7]，文獻(xiàn)[8]指出西安交通大學(xué)在基于多小波分析的機(jī)械設(shè)備早期故障預(yù)示方面取得了一系列成果，楊宇等人提出了基于EMD（Empirical Mode Decomposition）和VPMCD（Variable Predictive Model based Class Discriminate）的故障診斷方法，并應(yīng)用于滾動(dòng)軸承的故障診斷[9]，避免了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和類型、支持向量機(jī)核函數(shù)及其參數(shù)的選擇問(wèn)題.

研究與分析上述研究成果可以看出，這些成果大多沒(méi)有考慮數(shù)據(jù)采集過(guò)程的干擾，采集系統(tǒng)的結(jié)構(gòu)不夠簡(jiǎn)潔，故障診斷算法復(fù)雜且計(jì)算量較大，在實(shí)時(shí)性要求較高的系統(tǒng)中不能很好地應(yīng)用.

針對(duì)上述問(wèn)題和不足，本文使用ZigBee無(wú)線傳感技術(shù)實(shí)現(xiàn)大系統(tǒng)分布式運(yùn)行狀態(tài)的數(shù)據(jù)采集，使用粒子濾波算法對(duì)傳感器數(shù)據(jù)進(jìn)行數(shù)字濾波處理，實(shí)現(xiàn)狀態(tài)的精確估計(jì)，通過(guò)實(shí)時(shí)性強(qiáng)的簡(jiǎn)易故障模式識(shí)別算法實(shí)現(xiàn)智能故障診斷，并構(gòu)建了一套分布式智能故障診斷系統(tǒng)，該系統(tǒng)能實(shí)時(shí)顯示采集數(shù)據(jù)、狀態(tài)曲線、診斷結(jié)果等信息.該系統(tǒng)的實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法與技術(shù)的有效性.

1 故障診斷原理

1.1 故障診斷流程

故障診斷的基本過(guò)程包含3個(gè)階段：首先建立系統(tǒng)正常和所有可能不同故障模式的數(shù)學(xué)模型；其次對(duì)系統(tǒng)進(jìn)行監(jiān)測(cè)，包括采用各種檢測(cè)、測(cè)量、監(jiān)視、分析和判別的方法，獲得系統(tǒng)的真實(shí)狀態(tài)——正常狀態(tài)和故障狀態(tài)；然后對(duì)故障模式進(jìn)行識(shí)別和預(yù)測(cè)，指導(dǎo)設(shè)備的管理和維修.

實(shí)際系統(tǒng)在運(yùn)行過(guò)程中可能出現(xiàn)大量的干擾，導(dǎo)致常規(guī)故障診斷系統(tǒng)對(duì)系統(tǒng)真實(shí)狀態(tài)的誤判.為了得到系統(tǒng)運(yùn)行的真實(shí)狀態(tài)，本文對(duì)傳感器檢測(cè)數(shù)據(jù)使用粒子濾波算法進(jìn)行濾波.然后，計(jì)算濾波輸出曲線與系統(tǒng)所有可能模型及觀測(cè)方程輸出曲線之間的殘差.殘差最小的濾波輸出曲線所對(duì)應(yīng)的模型即為系統(tǒng)所處的狀態(tài).

本文提出的故障診斷系統(tǒng)整體構(gòu)架如圖1所示，故障診斷流程如下：

1）建立系統(tǒng)正常狀態(tài)與不同故障狀態(tài)的模型；

2）基于ZigBee網(wǎng)絡(luò)采集各類數(shù)據(jù)；

3）基于粒子濾波算法實(shí)現(xiàn)系統(tǒng)狀態(tài)的精確估計(jì)；

4）根據(jù)3）得到的狀態(tài)判斷系統(tǒng)所處模式.

1.2 數(shù)據(jù)濾波

鑒于會(huì)出現(xiàn)傳感器突然失效或環(huán)境偶然干擾等情況，為了得到更精確的系統(tǒng)狀態(tài)，本文對(duì)傳感器采集數(shù)據(jù)使用粒子濾波算法進(jìn)行濾波.

粒子濾波是一種基于遞推貝葉斯估計(jì)和蒙特卡洛方法的濾波方法[10-11]，Gordon 等人提出的自舉濾波（ Bootstrap Filter，BF） 算法[12]和使用重采樣步驟奠定了粒子濾波算法的基礎(chǔ)，其基本思想是通過(guò)一組粒子來(lái)估計(jì)系統(tǒng)的狀態(tài).

在采樣粒子確定的情況下，讓所有粒子均依照系統(tǒng)狀態(tài)空間模型運(yùn)動(dòng)，如式（1）和式（2），并且向前傳遞，通過(guò)蒙特卡羅方法處理貝葉斯估計(jì)中的積分運(yùn)算[13]，對(duì)樣本中的粒子進(jìn)行序貫重要性采樣，樣本中對(duì)預(yù)測(cè)值貢獻(xiàn)大的粒子被賦予更大的權(quán)重，樣本中對(duì)預(yù)測(cè)值貢獻(xiàn)小的粒子被賦予較小的權(quán)重.為了避免粒子退化問(wèn)題，增加重采樣過(guò)程，即使用（0，1）均勻分布產(chǎn)生隨機(jī)數(shù)，若隨機(jī)數(shù)落到某個(gè)粒子上，則該粒子就會(huì)被復(fù)制一次，權(quán)重大的粒子被選中的概率自然也大，從而得到系統(tǒng)狀態(tài)的最小均方差估計(jì).當(dāng)粒子數(shù)量趨于無(wú)窮時(shí)，可以逼近任意概率分布的系統(tǒng)狀態(tài)，從而可以估計(jì)出系統(tǒng)任意時(shí)刻的樣本狀態(tài).

2 分布式智能故障診斷系統(tǒng)

本文使用CC2530設(shè)計(jì)采集節(jié)點(diǎn)來(lái)獲取診斷對(duì)象的物理參數(shù)，基于ZigBee構(gòu)建分布式智能故障診斷系統(tǒng).TI 公司系統(tǒng)級(jí)SOC芯片CC2530內(nèi)嵌C8051CPU核，支持IEEE802.15.4、ZigBee和RF4CE標(biāo)準(zhǔn)，且具有超低的功耗.ZigBee采集節(jié)點(diǎn)將采集的數(shù)據(jù)通過(guò)無(wú)線傳感網(wǎng)絡(luò)傳輸至系統(tǒng)主機(jī)進(jìn)行顯示、保存、數(shù)據(jù)濾波，并調(diào)用故障診斷算法完成故障診斷.分布式故障診斷數(shù)據(jù)采集系統(tǒng)總框圖如圖2所示.

2.1 網(wǎng)絡(luò)通信模型

在 ZigBee 網(wǎng)絡(luò)中定義了三種邏輯設(shè)備類型：協(xié)調(diào)器（Coordinator），路由器（Router）和終端設(shè)備（End-Device）.協(xié)調(diào)器是網(wǎng)絡(luò)的第一個(gè)設(shè)備，完成信道和網(wǎng)絡(luò)ID（也稱之為PAN ID，即Personal Area Network ID） 選擇，并啟動(dòng)整個(gè)網(wǎng)絡(luò)[14].路由器的主要功能是允許其他設(shè)備加入網(wǎng)絡(luò)，實(shí)現(xiàn)協(xié)調(diào)器與終端設(shè)備的通訊.一個(gè)ZigBee網(wǎng)絡(luò)由一個(gè)協(xié)調(diào)器、多個(gè)路由器和多個(gè)終端設(shè)備組成.圖3是一個(gè)簡(jiǎn)單的ZigBee 網(wǎng)絡(luò)示意圖，其中黑色圈為協(xié)調(diào)器，空心圈為路由器，灰色圈網(wǎng)格節(jié)點(diǎn)為終端設(shè)備.

2.2 數(shù)據(jù)傳輸原理

終端設(shè)備中各類傳感器定時(shí)采集數(shù)據(jù)，采集的數(shù)據(jù)均以規(guī)定的報(bào)文格式進(jìn)行封裝，再通過(guò)無(wú)線方式發(fā)送給協(xié)調(diào)器.在不采集數(shù)據(jù)時(shí)，芯片休眠以降低功耗，待下次采集時(shí)再喚醒.因此，使用定時(shí)方式控制數(shù)據(jù)采集和芯片喚醒.終端設(shè)備傳感器的數(shù)據(jù)采集流程如圖4所示.

整個(gè)系統(tǒng)的控制核心是協(xié)調(diào)器節(jié)點(diǎn)，它需要獲取終端節(jié)點(diǎn)的網(wǎng)絡(luò)地址，判斷其是否聯(lián)網(wǎng)，若聯(lián)網(wǎng)則接受終端采集節(jié)點(diǎn)傳送過(guò)來(lái)的數(shù)據(jù)，否則等待其聯(lián)網(wǎng)；再對(duì)網(wǎng)絡(luò)進(jìn)行管理與控制，分析各個(gè)節(jié)點(diǎn)的ID和數(shù)據(jù)傳輸方向，為節(jié)點(diǎn)配置本網(wǎng)絡(luò)中可用的無(wú)線信道和網(wǎng)絡(luò)標(biāo)識(shí)，由于協(xié)調(diào)器位于距PC機(jī)較近位置，故基于RS232協(xié)議通過(guò)串口將接收的數(shù)據(jù)信息傳輸至電腦進(jìn)行下一步處理.協(xié)調(diào)器的數(shù)據(jù)流程如圖5所示.

2.3 系統(tǒng)主機(jī)

系統(tǒng)主機(jī)程序和顯示界面采用C#語(yǔ)言編寫，能夠清晰直觀地監(jiān)測(cè)各類所需數(shù)據(jù).重點(diǎn)監(jiān)測(cè)數(shù)據(jù)配有實(shí)時(shí)曲線圖，并保存在指定位置，輔助監(jiān)測(cè)數(shù)據(jù)僅顯示當(dāng)前數(shù)值.當(dāng)某個(gè)數(shù)據(jù)的值高于設(shè)定閾值時(shí)，數(shù)據(jù)旁的綠燈將變?yōu)榧t燈以示警.主機(jī)界面如圖6所示.

界面中串口接收波特率需與協(xié)調(diào)器發(fā)送速率一致，默認(rèn)為115 200 bps.

通過(guò)串口接收到的傳感器采集數(shù)據(jù)并不是真正的數(shù)值本身，而是包含了一系列幀頭、包長(zhǎng)度、控制命令等信息的數(shù)據(jù)包.數(shù)據(jù)包及解析規(guī)則如表1、表2所示.

因此，主機(jī)需要對(duì)數(shù)據(jù)包進(jìn)行解析，將接收到的數(shù)據(jù)包緩存在數(shù)組中，按照上述規(guī)則，通過(guò)程序?qū)?shù)據(jù)包進(jìn)行分類處理，最終得到所需要的數(shù)據(jù)并顯示在界面的對(duì)應(yīng)位置.

例如，主機(jī)接受數(shù)據(jù)包如下：

0x02 0x0F 0xB9 0x46 0xF1 0xF1 0x86 0x01 0x00 0x00 0x41 0x3C 0x2B 0x33 0x1D 0x1E 0x0F 0xB0

Byte10的數(shù)據(jù)為0x41，判斷出該數(shù)據(jù)包來(lái)自第一個(gè)節(jié)點(diǎn)，再根據(jù)第一個(gè)節(jié)點(diǎn)所包含的傳感器類型，解析出部分我們所需要監(jiān)測(cè)的數(shù)據(jù).在第一節(jié)點(diǎn)中我們所需要的數(shù)據(jù)包括電壓、芯片溫度、煙霧和酒精濃度，分別為Byte11～14位.根據(jù)表1及表2數(shù)據(jù)包規(guī)則和解析規(guī)則，得到表3所示的數(shù)據(jù)解析.

3 實(shí)例驗(yàn)證

3.1 系統(tǒng)建模

本試驗(yàn)系統(tǒng)實(shí)物照片如圖7所示，該系統(tǒng)由1個(gè)協(xié)調(diào)器，2個(gè)路由器以及多個(gè)終端構(gòu)成，終端設(shè)備由電壓、溫度、壓力、可燃?xì)怏w、酒精濃度以及氣壓檢測(cè)等模塊組成.

這里終端設(shè)備取硬件系統(tǒng)中電壓模塊對(duì)本文所設(shè)計(jì)的方案性能進(jìn)行實(shí)例驗(yàn)證，其模型如圖8所示.輸入電壓E為1～5 V內(nèi)變化、周期為8 s的三角波，由芯片編程產(chǎn)生.測(cè)量變量為R3兩端的電壓U，通過(guò)電壓的采集、主機(jī)軟件的數(shù)據(jù)處理來(lái)驗(yàn)證對(duì)于預(yù)設(shè)故障的診斷.

系統(tǒng)可建立以下3種模式：

3.2 系統(tǒng)測(cè)試

系統(tǒng)各模塊完成連接后上電，初始化后通過(guò)串口傳輸數(shù)據(jù)至主機(jī)，各項(xiàng)數(shù)據(jù)在系統(tǒng)界面實(shí)時(shí)顯示.系統(tǒng)采樣周期設(shè)為1 s，實(shí)驗(yàn)測(cè)試了100組數(shù)據(jù)，并預(yù)設(shè)在第50時(shí)刻時(shí)將電阻R2斷開模擬故障模式1.同時(shí)為了驗(yàn)證粒子濾波算法的實(shí)用可靠性，在第15和72時(shí)刻對(duì)系統(tǒng)進(jìn)行人為干擾，即在對(duì)應(yīng)時(shí)刻產(chǎn)生較大電壓來(lái)進(jìn)行干擾模擬測(cè)試，對(duì)比濾波前后的差異.由于需要10個(gè)時(shí)刻點(diǎn)才能更好地進(jìn)行故障模式識(shí)別，故判別模式與真實(shí)模式的對(duì)比從第11時(shí)刻開始.

圖9所示為得到的所有系統(tǒng)狀態(tài)曲線.圖10為前40個(gè)時(shí)刻的狀態(tài)曲線.圖11為35～60時(shí)刻的狀態(tài)曲線.

圖中“True”表示為真實(shí)狀態(tài)，“PF”為濾波后的狀態(tài)，“ES”為測(cè)量狀態(tài)，Mod1～3分別表示正常模式、故障模式1、故障模式2對(duì)應(yīng)的模型曲線.

圖12為濾波前和濾波后各時(shí)刻系統(tǒng)模式判別對(duì)比圖，圖中縱坐標(biāo)“1”表示正常模式，“2”表示故障模式1，“3”表示故障模式2.表4為真實(shí)狀態(tài)與診斷狀態(tài)的對(duì)比.

由圖9～11可以看出，粒子濾波算法在過(guò)濾干擾和系統(tǒng)狀態(tài)跟蹤方面的顯著優(yōu)勢(shì).在有干擾的情況下，傳感器數(shù)據(jù)不準(zhǔn)確，而經(jīng)過(guò)粒子濾波算法后，能很好地過(guò)濾掉這種干擾實(shí)現(xiàn)精確估計(jì)，并能通過(guò)模式識(shí)別算法實(shí)時(shí)動(dòng)態(tài)顯示當(dāng)前所處模式.由圖12和表4的數(shù)據(jù)可進(jìn)一步看出增加粒子濾波算法的優(yōu)勢(shì).濾波前，在52～57及72～84時(shí)刻均出現(xiàn)了誤判為故障模式2的情況；濾波后，僅在第52～57時(shí)刻，即剛出現(xiàn)故障的短時(shí)間內(nèi)將故障模式1誤判為故障模式2，然后系統(tǒng)通過(guò)自調(diào)節(jié)能迅速跟蹤并正確識(shí)別出故障.總體看來(lái)，模式識(shí)別方法簡(jiǎn)易、有效、可行.同時(shí)，對(duì)比濾波前后故障模式的判別結(jié)果可知濾波后的效果明顯優(yōu)于濾波前.

4 結(jié) 論

目前大部分針對(duì)工業(yè)現(xiàn)場(chǎng)設(shè)備的故障診斷系統(tǒng)未對(duì)采集數(shù)據(jù)的可靠性進(jìn)行分析，部分學(xué)者為了得到精確數(shù)據(jù)，采取硬件去噪，但是成本較高.本文基于ZigBee無(wú)線傳感網(wǎng)絡(luò)技術(shù)構(gòu)成分布式數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)采集各類數(shù)據(jù)，通過(guò)粒子濾波算法進(jìn)行數(shù)據(jù)處理消除各種干擾，實(shí)現(xiàn)對(duì)象狀態(tài)的精確估計(jì)，并對(duì)濾波后狀態(tài)進(jìn)行故障模式匹配和識(shí)別，最終在上位機(jī)實(shí)時(shí)顯示狀態(tài)檢測(cè)和故障診斷結(jié)果.實(shí)驗(yàn)證明該系統(tǒng)可達(dá)到預(yù)期效果，并具有成本低、可靠性高、實(shí)時(shí)性好和易實(shí)現(xiàn)的優(yōu)點(diǎn).

參考文獻(xiàn)

[1] 許穎麗. 從“兩化融合”到“中國(guó)制造2025”[J].上海信息化， 2015（1）：24-27.

XU Y L. From “two integration” to “made in China”[J].Shanghai Informatization，2015（1）： 24-27. （In Chinese）

[2] 田壘，劉軍輝，孫向東，等.狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)在輸油泵機(jī)組中的應(yīng)用[J].當(dāng)代化工，2015（3）：567-569.

TIAN L， LIU J H， SUN X D， et al. Application of condition monitoring and fault diagnosis system in oil pump unit[J]. Chemical Engineering， 2015 （3）： 567-569. （In Chinese）

[3] 王碩，李曉樂(lè)，向睿，等.風(fēng)光互補(bǔ)發(fā)電數(shù)據(jù)采集監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)[J].信息與電腦，2011（7）：23-25.

WANG S，LI X L， XIANG R， et al. The design of the monitoring system for the integrated power generation data collection[J].China Computer & Communication， 2011（7）：23-25.（In Chinese）

[4] 楊惠.基于ZigBee技術(shù)的數(shù)據(jù)采集系統(tǒng)的設(shè)計(jì)[J].工業(yè)儀表與自動(dòng)化裝置， 2016（2）：54-57.

YANG H. Design of data acquisition system based on ZigBee technology[J]. Industrial Instrumentation and Automation，2016 （2）： 54-57.（In Chinese）

[5] ANITA， SINGH R， CHOUDHURY S， et al. Wireless disaster monitoring and management system for dams[J]. Procedia Computer Science，2015， 48：381-386.

[6] 姬志國(guó). 智能電力監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)機(jī)電工程學(xué)院， 2009.

JI Z G. Design and implementation of intelligent power monitoring system[D].Xian： School of Mechanical and Electrical Engineering， Xi'an Electronic and Science University， 2009.（In Chinese）

[7] HE M， HE D， QU Y. A new signal processing and feature extraction approach for bearing fault diagnosis using AE sensors[J]. Journal of Failure Analysis & Prevention，2016，16（5）：1-7.

[8] CHEN J， LI Z， PAN J， et al. Wavelet transform based on inner product in fault diagnosis of rotating machinery： a review[J]. Mechanical Systems & Signal Processing，2016，70：1-35.

[9] 楊宇， 王歡歡， 曾鳴，等.基于變量預(yù)測(cè)模型的模式識(shí)別方法在滾動(dòng)軸承故障診斷中的應(yīng)用[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2013，40（3）：36-40.

YANG Y， WANG H H， ZENG M， et al. Application of pattern recognition approach based on VPMCD in roller bearing fault diagnosis[J].Journal of Hunan University（Natural Sciences），2013， 40（3）：36-40.（In Chinese）

[10]METROPOLIS N， ULAM S. The Monte Carlo method[J]. Journal of the American Statistical Association，1949，44（247）：335.

[11]LEE H.A Bayesian approach to problems in stochastic estimation and control[J]. IEEE Transactions on Automatic Control， 1964，9（4）：333-339.

[12]GORDON N J， SALMOND D J， SMITH A F M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J]. IEE Proceedings F-Radar and Signal Processing， 1993， 140（2）：107-113.

[13]SMITH A F M， GELFAND A E. Bayesian statistics without tears： a sampling-resampling perspective[J]. American Statistician， 1992， 46（2）：84-88.

[14]李兵. 基于ZigBee的無(wú)線嵌入式設(shè)備的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué)， 2007.

LI B. Design and implementation of wireless embedded devices based on ZigBee[D]. Beijing： Beijing University of Posts and Telecommunications，2007. （In Chinese）