張 鵬，杜文祥，邸希元

(哈爾濱理工大學(xué)自動化學(xué)院，黑龍江 哈爾濱 150080)

0 引言

現(xiàn)如今針對WSN故障檢測的研究方法可以歸類為：定量、定性。文獻[1-2]即為定量方法：文獻[1]基于前饋神經(jīng)網(wǎng)絡(luò)對故障進行檢測，通過神經(jīng)網(wǎng)絡(luò)對WSN故障進行分類，可以診斷復(fù)合故障；文獻[2]使用了一種基于不確定性的分布式故障診斷方法，缺失的數(shù)據(jù)通過訓(xùn)練來彌補，提高了故障檢測的準(zhǔn)確性。文獻[3-5]為定性方法：文獻[3]通過WSN中相鄰節(jié)點之間的時間、空間相關(guān)性來對節(jié)點進行故障檢測；文獻[4]通過對節(jié)點之間決策信息的傳播進行比較實現(xiàn)故障檢測；文獻[5]通過重構(gòu)決策屬性以及支持向量機訓(xùn)練來對WSN進行故障檢測。

但以上定量、定性方法在對含有擾動的WSN進行故障檢測時都存在些許不足，無法直觀地判斷數(shù)據(jù)波動是由擾動引起還是故障引起，并且定性的方法以及定量方法當(dāng)條件不充足或數(shù)據(jù)量不充足時對故障診斷結(jié)果會產(chǎn)生誤差。本文針對此問題，提出了含有擾動的無線傳感器網(wǎng)絡(luò)故障檢測方法：既包含定性又包含定量知識的置信規(guī)則庫模型(BRB-r)。

1 問題描述

WSN通過散播在大范圍內(nèi)的感知節(jié)點收集監(jiān)測信息，對WSN故障檢測問題進行研究，首先要對WSN節(jié)點是否出現(xiàn)故障進行判斷檢測，由于擾動的存在，若我們檢測到數(shù)據(jù)波動出現(xiàn)異常則能夠確定WSN節(jié)點可能出現(xiàn)故障。為完成以上目的進行如下定義：

(1)

(2)

故障檢測是通過對WSN收集的數(shù)據(jù)進行分析實現(xiàn)的，根據(jù)WSN數(shù)據(jù)的時間空間相關(guān)特性找出可能存在問題的數(shù)據(jù)。由于WSN收集監(jiān)測數(shù)據(jù)時存在噪聲擾動，這會讓收集的數(shù)據(jù)不完全可信，此問題通過構(gòu)建BRB-r解決。其中函數(shù)f為輸入數(shù)據(jù)集轉(zhuǎn)換到輸出檢測結(jié)果的過程。R為轉(zhuǎn)換過程中的參數(shù)合集。

2 基于BRB-r的故障檢測模型

本文對含有擾動的WSN故障檢測問題進行研究，在處理觀測數(shù)據(jù)時存在數(shù)據(jù)不可靠問題，傳統(tǒng)的BRB沒有考慮數(shù)據(jù)的不可靠因素，若在數(shù)據(jù)不完全可信的情況下還將它作為輸入會導(dǎo)致BRB出現(xiàn)建模精度的問題等，因此引入BRB-r模型來處理數(shù)據(jù)不可靠的問題。

BRB-r本質(zhì)是一種專家系統(tǒng)，由一定數(shù)量的置信規(guī)則構(gòu)成。它融合了屬性可靠性以及傳統(tǒng)BRB所擁有的屬性權(quán)重，屬性可靠性是從觀測數(shù)據(jù)中獲得的屬性的固有特性，能夠準(zhǔn)確地表示數(shù)據(jù)信息的屬性。并且從WSN的工作原理中分析可知，WSN節(jié)點收集的觀測數(shù)據(jù)中存在數(shù)據(jù)相關(guān)特性，具體表現(xiàn)為：時間相關(guān)性，空間相關(guān)性以及屬性相關(guān)性。在對WSN收集到的數(shù)據(jù)進行研究時，可以通過這些相關(guān)特性提取前提屬性，從而進行下一步研究。

1) 時間相關(guān)前提屬性表現(xiàn)為均值、均方值、方差、標(biāo)準(zhǔn)差、偏度、峰度；

2) 空間相關(guān)前提屬性表現(xiàn)為殘差；

3) 屬性相關(guān)前提屬性表現(xiàn)為比例關(guān)系。

通過提取數(shù)據(jù)的前提屬性來建立前提屬性到故障檢測的對應(yīng)關(guān)系。傳統(tǒng)BRB模型中存在屬性權(quán)重，它可以表示該屬性的相對重要性，但是屬性權(quán)重與屬性可靠性相比屬于比較主觀的方面，我們考慮屬性權(quán)重以及屬性可靠性等方面的因素，將BRB-r的第k條規(guī)則定義為：

其中，r1,r2,…,rM表示M個屬性的可靠性，經(jīng)過證實在屬性完全可靠時BRB-r模型就是經(jīng)典BRB模型，在WSN故障檢測中DN表示輸出結(jié)果(正?；蚬收?。

(3)

(4)

(5)

(6)

(7)

式(7)中，ak表示第k條規(guī)則的屬性權(quán)重以及屬性可靠性的匹配度，Tk表示第k條規(guī)則中的屬性數(shù)。接下來對第k條規(guī)則的激活權(quán)重進行計算如式(8)：

(8)

式(8)中，θk是第k條規(guī)則的規(guī)則權(quán)重，L表示BRB-r 模型中定義的規(guī)則的數(shù)量，并且規(guī)則權(quán)重在0到1之間，所有規(guī)則的規(guī)則權(quán)重之和為1。

噪聲引起的不可靠數(shù)據(jù)通過融合了屬性可靠性的BRB-r模型處理，構(gòu)建BRB-r模型時使用ER算法對規(guī)則進行組合具體計算如下：

(9)

(10)

βn表示第n個檢測結(jié)果Dn的置信度。綜合表示L條規(guī)則生成的BRB-r輸出結(jié)果為：

S(x·)={(Dn,βn);n=1,2,…,N}

(11)

BRB-r模型的整體優(yōu)化則使用CMA-ES算法進行，BRB-r的建模精度由均方誤差(MSE)表示，T表示觀測數(shù)據(jù)量，outputactual表示系統(tǒng)實際輸出。計算方法如下：

(12)

3 仿真實驗

使用第2章構(gòu)建的BRB-r模型以及Intel實驗室Intel Lab Data的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)集進行實驗，驗證BRB-r在含有擾動的情況下故障檢測的有效性。首先根據(jù)DBSCAN聚類分析方法以及傳感器節(jié)點在實驗室中的空間位置對節(jié)點進行分類。結(jié)果如表1所示。

表1 聚類結(jié)果

前提屬性選擇完畢后構(gòu)建一個BRB-r故障檢測模型，結(jié)構(gòu)如圖1所示。

圖1 故障檢測模型圖Fig.1 Fault detection model diagram

圖1中x1，x2分別為空間殘差、時間標(biāo)準(zhǔn)差。x3表示BRB-r產(chǎn)生的輸出結(jié)果，也就是故障檢測結(jié)果。

根據(jù)實驗所使用的前提屬性時間標(biāo)準(zhǔn)差以及空間殘差設(shè)置參考點和參考值。x1的參考值設(shè)定為：負值大(S)，負值小(SL)，零(Z)，正值較小(XS)，正值較大(XLS)，正值大(XXS)等6個參考點，描述為：

x1k∈{S,SL,Z,XS,XLS,XXS}

(13)

x2的參考值點設(shè)置為：零(XS)，正值較小(XLS),正值較大(LLS)，正值大(XXS),正值極大(LXS)等3個參考點，描述為：

x2k∈{XS,XLS,LLS,XXS,LXS}

(14)

根據(jù)圖2所示時間相關(guān)性和式(14)選擇參考點參考值如表2、表3所示。

圖2 時間相關(guān)性分析Fig.2 Time correlation analysis

表2 x1參考點以及參考值

表3 x2參考點以及參考值

根據(jù)參考值以及參考點的設(shè)置構(gòu)建BRB-r模型其中每一條規(guī)則為：

根據(jù)參考點選擇的個數(shù)給出如下置信度表4。

表4 初始置信度

構(gòu)建上述置信度表，將不同的前提屬性x1，x2與故障檢測結(jié)果D之間關(guān)系進行確定，并根據(jù)此置信度表對故障檢測結(jié)果D進行實驗研究，實驗結(jié)果如圖3所示。

圖3 BRB-r故障檢測結(jié)果Fig.3 BRB-r fault detection results

圖3橫坐標(biāo)表示實驗樣本數(shù)，縱坐標(biāo)表示正常數(shù)據(jù)以及故障數(shù)據(jù)的區(qū)間。

3.1 對比實驗

使用BRB模型對WSN故障檢測進行分析與BRB-r模型實驗進行對比驗證，實驗結(jié)果如圖4所示。

圖4 故障檢測效果對比Fig.4 Comparison of fault detection effects

根據(jù)式(17)計算出BRB-r模型以及BRB模型的故障檢測結(jié)果，如表5所示,其中TL表示正確檢測的樣本數(shù)量，ALL表示樣本總體數(shù)量。

表5 實驗結(jié)果對比

(17)

4 結(jié)論

本文提出了含有擾動的無線傳感器網(wǎng)絡(luò)故障檢測方法。該方法包含了定性知識以及定量知識，融合了屬性可靠性以及屬性權(quán)重，可以更加完美地解決外界不可靠因素對故障檢測研究的影響。仿真實驗結(jié)果表明，BRB-r模型能夠在WSN處于擾動狀態(tài)下對WSN是否出現(xiàn)故障進行判斷，相較于BRB模型檢測準(zhǔn)確率更高，穩(wěn)定性實用性更強。在后續(xù)研究中會對出現(xiàn)故障的故障類型進行分類研究，提高本故障檢測方法的實際應(yīng)用價值。