鄧懿心 宋玉階

(武漢科技大學(xué)信息科學(xué)與工程學(xué)院 武漢 430081)

?

無(wú)線火災(zāi)傳感網(wǎng)絡(luò)故障診斷在工業(yè)建筑的應(yīng)用

鄧懿心 宋玉階

(武漢科技大學(xué)信息科學(xué)與工程學(xué)院 武漢 430081)

本文使用粗糙集中一種改進(jìn)的基于差別矩陣和屬性選擇的屬性約簡(jiǎn)算法，對(duì)故障樣本數(shù)據(jù)進(jìn)行約簡(jiǎn)，得到最小約簡(jiǎn)集，結(jié)合使用新舊版本的BP神經(jīng)網(wǎng)絡(luò)，對(duì)工業(yè)建筑節(jié)點(diǎn)故障進(jìn)行檢測(cè)，仿真實(shí)驗(yàn)結(jié)果得到采用RS-new BP神經(jīng)網(wǎng)絡(luò)比old BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)減少了61次，正確率提高了7.11%。

節(jié)點(diǎn)故障診斷 屬性約簡(jiǎn) RS-new BP神經(jīng)網(wǎng)絡(luò)

0 引言

近年來(lái)，工業(yè)火災(zāi)成為火災(zāi)發(fā)展的新動(dòng)向。由于工業(yè)建筑內(nèi)部復(fù)雜，火災(zāi)形式具有多樣性，火情發(fā)展速度很快，特殊工業(yè)建筑內(nèi)還會(huì)有爆炸的危險(xiǎn)，這些特點(diǎn)決定了工業(yè)建筑火災(zāi)撲救難度大，造成的損失也大，因此采用科學(xué)有效的方法預(yù)防火災(zāi)發(fā)生顯得至關(guān)重要。傳統(tǒng)的有線火災(zāi)自動(dòng)報(bào)警技術(shù)布線復(fù)雜、安裝繁瑣、維修困難，很多時(shí)候不適合工業(yè)建筑火災(zāi)預(yù)警，特別是《建筑設(shè)計(jì)防火規(guī)范》(GB 50016—2014)的頒布實(shí)施，對(duì)工業(yè)建筑防火設(shè)計(jì)有了更高的要求。而隨著無(wú)線網(wǎng)絡(luò)通信技術(shù)的快速發(fā)展，將火災(zāi)探測(cè)技術(shù)和無(wú)線通信網(wǎng)絡(luò)相結(jié)合，構(gòu)成無(wú)線傳感網(wǎng)絡(luò)(WSN)[1]，能夠在無(wú)線環(huán)境下探測(cè)火災(zāi)，實(shí)現(xiàn)對(duì)工業(yè)建筑火災(zāi)的預(yù)警，保障工業(yè)建筑安全。在WSN中，無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)故障檢測(cè)在整個(gè)無(wú)線網(wǎng)絡(luò)系統(tǒng)中占據(jù)著重要的地位，無(wú)線傳感網(wǎng)絡(luò)各個(gè)節(jié)點(diǎn)的能量極為有限，在網(wǎng)絡(luò)中工作的傳感器節(jié)點(diǎn)如果因?yàn)槟芰亢谋M則不能進(jìn)行正常的故障診斷工作，導(dǎo)致工業(yè)建筑安全受到威脅。

為了保障工業(yè)建筑無(wú)線火災(zāi)傳感網(wǎng)絡(luò)正常工作，本文通過(guò)將粗糙理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來(lái)對(duì)WSN故障節(jié)點(diǎn)進(jìn)行診斷，降低了無(wú)線網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)在故障檢測(cè)過(guò)程中的能量損耗，通過(guò)智能方式對(duì)工業(yè)建筑中網(wǎng)絡(luò)節(jié)點(diǎn)的故障及時(shí)進(jìn)行診斷和排除，使得各類(lèi)火災(zāi)探測(cè)器能夠正常工作，及時(shí)預(yù)警，提高了WSN節(jié)點(diǎn)故障診斷的效率和正確率。

1 粗糙集對(duì)工業(yè)建筑WSN故障約簡(jiǎn)

在大型工業(yè)建筑中，由于建筑內(nèi)部無(wú)線傳感網(wǎng)絡(luò)每個(gè)節(jié)點(diǎn)由電池供電，能量十分有限，單獨(dú)節(jié)點(diǎn)只有有限的處理和存儲(chǔ)能力，而工業(yè)建筑節(jié)點(diǎn)一般達(dá)到幾千個(gè)，建筑內(nèi)網(wǎng)絡(luò)運(yùn)行在動(dòng)態(tài)變化不可靠的環(huán)境中。在工業(yè)建筑WSN故障診斷的過(guò)程中，火災(zāi)預(yù)警無(wú)線傳感器的故障類(lèi)型中有些條件屬性是冗余的，少量簡(jiǎn)單數(shù)據(jù)在故障診斷中沒(méi)有問(wèn)題，隨著數(shù)據(jù)增多，如果不去除冗余條件屬性，那么在故障檢測(cè)過(guò)程中，故障檢測(cè)時(shí)間會(huì)增加，并且要消耗過(guò)多能量，運(yùn)用粗糙集知識(shí)能夠處理不完整和模糊的數(shù)據(jù)[2]，將這些不精確，不完整和不確定的粗糙故障信息進(jìn)行故障信息的約簡(jiǎn)[3]，消去WSN故障信息中非必要的信息，僅僅保留真正有用的部分，保證對(duì)故障信息的檢測(cè)同時(shí)消耗較少的能量，讓工業(yè)建筑中的無(wú)線傳感器能夠工作在正常狀態(tài)。

在工業(yè)建筑WSN故障信息中任意等價(jià)關(guān)系表示一個(gè)屬性和用屬性表示的關(guān)系等價(jià)類(lèi)。設(shè)BI=(X,A)為WSN故障診斷知識(shí)表達(dá)系統(tǒng)，其中X={x1，x2，...，xn}，|X|=n，設(shè)On×n=(cij)n×n為系統(tǒng)的差別函數(shù)，其中cij={a|(a∈A)∧(fa(xi)≠fa(xj))}，?i,j=1,2,…,n。給定一個(gè)知識(shí)庫(kù)K=(U,S)和知識(shí)庫(kù)中的等價(jià)關(guān)系簇，T?S,?G∈T, 如果G是獨(dú)立的，并且IND(G)=IND(T),則稱(chēng)G是T的一個(gè)約簡(jiǎn)，T的全體約簡(jiǎn)為Y(T)。若IND(T-{G})≠I(mǎi)ND(T), 則稱(chēng)G為T(mén)中必要的，T中所有必要的知識(shí)組成的集合稱(chēng)為T(mén)的核，記為COPE(T)，COPE(T)={a|(a∈T)∧(?cij((cij∈On×n)∧(cij={a}))}。信息系統(tǒng)里的核等于信息系統(tǒng)中差別矩陣每個(gè)屬性單元組成的集合。

算法改進(jìn)實(shí)現(xiàn)如下：

(1)計(jì)算故障信息中的差別矩陣On×n(BI)。

(2)根據(jù)第一步得到的差別矩陣On×n(BI)計(jì)算信息系統(tǒng)BI的核CORE(T)，設(shè)B=CORE(T)。

(3)在算法中，對(duì)?a(xi,xj) (i,j=1,2,3,…,n)，如果有a(xi,xj)∩B≠?,則令a(xi,xj)=0。

(4)?a(xi,xj) (i,j=1,2,3,…,n)，如果

a(xi,xj)=0，轉(zhuǎn)到下一步。

(5)統(tǒng)計(jì)當(dāng)前差別矩陣中每個(gè)屬性出現(xiàn)的次數(shù)，選出出現(xiàn)次數(shù)最多的那個(gè)屬性，加入到集合B中，即B?(B∪a),轉(zhuǎn)到第(3)步。

(6)輸出求得的的屬性約簡(jiǎn)B，算法結(jié)束。

通過(guò)改進(jìn)的基于差別矩陣和屬性選擇的屬性約簡(jiǎn)算法可以容易地得到信息系統(tǒng)的核和屬性的約簡(jiǎn)，保證工業(yè)建筑WSN故障信息的約簡(jiǎn)。

2 粗糙神經(jīng)網(wǎng)絡(luò)WSN故障診斷分析

2.1 工業(yè)建筑故障診斷網(wǎng)絡(luò)的確定

工業(yè)建筑故障診斷網(wǎng)絡(luò)結(jié)構(gòu)如下圖1所示，其中x1，x2，…，xn為工業(yè)建筑故障檢測(cè)樣本，經(jīng)過(guò)粗糙集處理后輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，簡(jiǎn)稱(chēng)RS-BP。最終輸出結(jié)果對(duì)故障類(lèi)型進(jìn)行診斷。

圖1 工業(yè)建筑故障診斷網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2 粗糙集和人工神經(jīng)網(wǎng)絡(luò)的結(jié)合

工業(yè)建筑WSN在故障診斷過(guò)程中，故障有多樣性和相關(guān)性，而對(duì)于各種不同故障進(jìn)行決策具有不完整和模糊性。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是具有較強(qiáng)的自組織、容錯(cuò)和推廣能力，但對(duì)于數(shù)據(jù)中信息的重要程度和信息中的冗余信息，人工神經(jīng)網(wǎng)絡(luò)不能夠分辨。粗糙集可以對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)約，區(qū)分出數(shù)據(jù)的重要程度，但是抗干擾能力差，容錯(cuò)和推廣能力相當(dāng)軟弱，且只能處理量化數(shù)據(jù)等問(wèn)題。采用粗糙集和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式[4]，先用粗糙集對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，去除數(shù)據(jù)中冗余信息，簡(jiǎn)化人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)處理后的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以有效地檢測(cè)出工業(yè)建筑WSN中的故障類(lèi)型。粗糙神經(jīng)網(wǎng)絡(luò)故障診斷框圖如圖2所示。

圖2 粗糙神經(jīng)網(wǎng)絡(luò)故障診斷框圖

3 工業(yè)建筑WSN故障診斷仿真實(shí)驗(yàn)

3.1 故障診斷系統(tǒng)設(shè)計(jì)

某大型工業(yè)建筑基于無(wú)線傳感網(wǎng)絡(luò)的火災(zāi)預(yù)警故障診斷系統(tǒng)，建筑有N個(gè)區(qū)域，每個(gè)區(qū)域采用無(wú)線溫濕度火災(zāi)探測(cè)傳感器，無(wú)線溫濕度傳感器由SHT11型溫濕傳感器和MC13213中央處理器構(gòu)成，傳感器和中央處理器之間的通信，采用的是Chipcon公司的CC1000無(wú)線通信芯片，傳感器的節(jié)點(diǎn)由中央處理器、無(wú)線通信芯片CC1000、火災(zāi)傳感器、能量模塊4個(gè)部分組成。工業(yè)建筑中火災(zāi)預(yù)警WSN采用確定性覆蓋，在傳感器節(jié)點(diǎn)位置已知的情況下對(duì)傳感器的故障信息進(jìn)行檢測(cè)。

網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為樹(shù)形結(jié)構(gòu)，采用Zigbee協(xié)議棧組織數(shù)據(jù)傳輸網(wǎng)絡(luò)，并將采集到的溫濕度信息通過(guò)中心節(jié)點(diǎn)，發(fā)送至檢測(cè)服務(wù)器，實(shí)現(xiàn)對(duì)建筑內(nèi)區(qū)域的監(jiān)控。感知節(jié)點(diǎn)距離檢測(cè)的區(qū)域最近，作用是對(duì)故障數(shù)據(jù)進(jìn)行采集，通過(guò)無(wú)線網(wǎng)絡(luò)傳到匯聚節(jié)點(diǎn)，匯聚節(jié)點(diǎn)根據(jù)設(shè)定程序接受到實(shí)際的故障征兆，并診斷感知節(jié)點(diǎn)的故障類(lèi)型，完成對(duì)故障類(lèi)型的判別。

3.2 故障征兆分類(lèi)

根據(jù)設(shè)計(jì)的工業(yè)建筑火災(zāi)故障診斷預(yù)警系統(tǒng)，結(jié)合WSN節(jié)點(diǎn)在故障檢測(cè)的實(shí)際應(yīng)用，采集到的數(shù)據(jù)通過(guò)無(wú)線發(fā)送模塊發(fā)送。在仿真實(shí)驗(yàn)中把WSN的故障類(lèi)型分為5種，分別是沒(méi)有發(fā)生故障，能量不足故障，CC1000故障，MC13213故障和SHT11故障。結(jié)合粗糙集知識(shí)，建立無(wú)線火災(zāi)傳感器節(jié)點(diǎn)故障診斷知識(shí)系統(tǒng)，K=(T,C)，C=W∪V，知識(shí)系統(tǒng)的2個(gè)屬性子集分別是W和V，條件屬性是W，結(jié)果屬性是V，論域?yàn)門(mén)，把WSN故障檢測(cè)節(jié)點(diǎn)反饋的各種不同信息作為故障征兆，故障征兆的屬性值設(shè)為1和0(1代表故障發(fā)生；0代表系統(tǒng)運(yùn)行正常，沒(méi)有發(fā)生故障)。wi和vi分別表示條件屬性和結(jié)果屬性的子集，即{wi}?W,{vi}?V,其中i=1,2,…,n。

工業(yè)建筑WSN故障類(lèi)型和征兆列于表1 。工業(yè)建筑WSN節(jié)點(diǎn)故障檢測(cè)決策表如表2所示。

表1 工業(yè)建筑WSN故障類(lèi)型和征兆

注：w1為測(cè)試節(jié)點(diǎn)是否周期循環(huán)傳輸數(shù)據(jù)；w2為匯聚節(jié)點(diǎn)是否收到測(cè)試節(jié)點(diǎn)發(fā)送的數(shù)據(jù)信息；w3為測(cè)試節(jié)點(diǎn)是否能中斷循環(huán)發(fā)送警報(bào)命令；w4為測(cè)試節(jié)點(diǎn)是否能進(jìn)行通訊；w5為測(cè)試節(jié)點(diǎn)的參數(shù)是否超過(guò)正常設(shè)定的閥值；w6為發(fā)射頻率改變后，測(cè)試節(jié)點(diǎn)對(duì)發(fā)出的詢(xún)問(wèn)命令是否有響應(yīng)；w7為檢測(cè)節(jié)點(diǎn)發(fā)出的數(shù)據(jù)是否有誤碼產(chǎn)生；w8為檢測(cè)節(jié)點(diǎn)的溫度值是否異于正常值；w9為檢測(cè)節(jié)點(diǎn)的濕度值是否異于正常值。

表2 工業(yè)建筑WSN節(jié)點(diǎn)故障檢測(cè)決策表

由于表1中5種故障類(lèi)型對(duì)應(yīng)的故障征兆相互之間有重疊，通過(guò)表2可以看出，目前建立的節(jié)點(diǎn)故障檢測(cè)決策表還是有部分冗余性，為了簡(jiǎn)化BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，使得神經(jīng)網(wǎng)絡(luò)計(jì)算得到優(yōu)化，利用改進(jìn)的基于差別矩陣和屬性選擇的屬性約簡(jiǎn)算法，對(duì)表2進(jìn)行約簡(jiǎn)，根據(jù)算法的約簡(jiǎn)規(guī)則，在保留了具有和原來(lái)的決策表相同的對(duì)故障檢測(cè)的分類(lèi)能力的前提下，去除掉冗余的條件屬性，得到最簡(jiǎn)化的條件屬性約簡(jiǎn){w2，w4，w5，w6}，如表3所示。

對(duì)比表2和表3可以看到，冗余屬性w1，w3，w7，w8，w9通過(guò)差別矩陣和屬性選擇的屬性約簡(jiǎn)算法被去除，輸入到神經(jīng)網(wǎng)絡(luò)的向量維數(shù)減少到4維。在使用人工神經(jīng)網(wǎng)絡(luò)對(duì)所建立的工業(yè)建筑WSN節(jié)點(diǎn)故障系統(tǒng)進(jìn)行故障檢測(cè)仿真時(shí)，分別使用新版本的BP神經(jīng)網(wǎng)絡(luò)和舊版本的BP神經(jīng)網(wǎng)絡(luò)對(duì)屬性約簡(jiǎn)前和屬性約簡(jiǎn)后的故障樣本數(shù)據(jù)建立RS-old BP和RS-new BP粗糙神經(jīng)網(wǎng)絡(luò)。舊版本的BP神經(jīng)網(wǎng)絡(luò)中，通過(guò)如下操作建立RS-old BP神經(jīng)網(wǎng)絡(luò)，調(diào)用參數(shù)newff，網(wǎng)絡(luò)的輸入向量的維數(shù)為4，隱含層神經(jīng)元的個(gè)數(shù)是9個(gè)，網(wǎng)絡(luò)的輸出層神經(jīng)元個(gè)數(shù)為3，網(wǎng)絡(luò)的結(jié)構(gòu)為4-9-3，由于網(wǎng)絡(luò)的輸入向量的范圍為[0,1],隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元的傳遞函數(shù)采用的是S型對(duì)數(shù)函數(shù)logsig，訓(xùn)練函數(shù)設(shè)定為trainbr，神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)設(shè)為1 000次，網(wǎng)絡(luò)的誤差為0.001，網(wǎng)絡(luò)的學(xué)習(xí)率為0.01。新版本的BP神經(jīng)網(wǎng)絡(luò)中，建立BP網(wǎng)絡(luò)的參數(shù)改為feedforwardnet，其余網(wǎng)絡(luò)參數(shù)的設(shè)置和舊版本的BP網(wǎng)絡(luò)設(shè)置相同。使用matlab7.12對(duì)所建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，檢測(cè)工業(yè)建筑WSN節(jié)點(diǎn)故障屬性，仿真結(jié)果如表4所示。

表3 約簡(jiǎn)后工業(yè)建筑故障檢測(cè)決策表

表4 仿真結(jié)果

3.3 仿真結(jié)果分析

在工業(yè)建筑WSN節(jié)點(diǎn)故障檢測(cè)中，使用新、舊版本BP神經(jīng)網(wǎng)絡(luò)分別對(duì)經(jīng)過(guò)粗糙集處理前的故障樣本和處理后的故障樣本進(jìn)行訓(xùn)練檢測(cè)，由仿真結(jié)果可知，新版本BP神經(jīng)網(wǎng)絡(luò)的誤差要小于舊版本的訓(xùn)練誤差，這是因?yàn)樵谂f版本的BP神經(jīng)網(wǎng)絡(luò)中，會(huì)將輸入的樣本數(shù)據(jù)60%用于故障數(shù)據(jù)訓(xùn)練，20%用于故障數(shù)據(jù)檢驗(yàn)，20%用于故障數(shù)據(jù)驗(yàn)證，所以造成新版本BP神經(jīng)網(wǎng)絡(luò)的誤差要小于舊版本。通過(guò)對(duì)迭代次數(shù)的對(duì)比可以發(fā)現(xiàn)，使用粗糙神經(jīng)網(wǎng)絡(luò)的RS-new BP系統(tǒng)比old BP系統(tǒng)的迭代次數(shù)，最多減少了23.4%，使用粗糙集的神經(jīng)網(wǎng)絡(luò)，由于約簡(jiǎn)了部分冗余的條件屬性，使得網(wǎng)絡(luò)的結(jié)構(gòu)變得簡(jiǎn)單，訓(xùn)練速度更快。對(duì)比網(wǎng)絡(luò)的故障診斷準(zhǔn)確率可以發(fā)現(xiàn)，4種訓(xùn)練方式都能夠區(qū)分不同類(lèi)型的節(jié)點(diǎn)故障，但由于粗糙集優(yōu)化了神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，使用粗糙集神經(jīng)網(wǎng)絡(luò)正確率比普通神經(jīng)網(wǎng)絡(luò)的故障診斷正確率都要高，RS-new BP比old BP網(wǎng)絡(luò)高出了7.11%。分析表明，粗糙神經(jīng)網(wǎng)絡(luò)能夠?qū)I(yè)建筑WSN節(jié)點(diǎn)的故障進(jìn)行合理的診斷。

4 結(jié)論

(1)通過(guò)使用粗糙集BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)工業(yè)建筑WSN故障進(jìn)行診斷可以提高故障診斷的準(zhǔn)確率和迭代速度，減少WSN節(jié)點(diǎn)的能量消耗。

(2)目前采用的是新、舊版本的BP神經(jīng)網(wǎng)絡(luò)對(duì)故障數(shù)據(jù)進(jìn)行檢測(cè)，在今后的學(xué)習(xí)中，還可以采用RBF和elman神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行檢測(cè)，對(duì)比不同神經(jīng)網(wǎng)絡(luò)對(duì)故障數(shù)據(jù)檢測(cè)的迭代次數(shù)和正確率。

(3)通過(guò)分析檢測(cè)結(jié)果，采用無(wú)線傳感網(wǎng)絡(luò)可以對(duì)工業(yè)建筑故障類(lèi)型進(jìn)行判斷，為工作人員提供故障排除依據(jù)，保證工業(yè)建筑現(xiàn)場(chǎng)無(wú)線火災(zāi)傳感器正常工作。

[1]楊鵬，辛麗娜．基于WSN的智能火災(zāi)報(bào)警研究[J].機(jī)械管理開(kāi)發(fā)，2013(2):21-24.

[2]王國(guó)胤．粗糙集理論與知識(shí)獲取[M]．西安: 西安交通大學(xué)出版社，2001.

[3]羅來(lái)鵬，劉二根，王廣超．基于矩陣的最簡(jiǎn)決策規(guī)則獲取[J].計(jì)算機(jī)工程，2008，34(19):41-43.

[4]雷霖，代傳龍.粗糙集-神經(jīng)網(wǎng)絡(luò)集成的WSN節(jié)點(diǎn)故障診斷[J].電子科技大學(xué)學(xué)報(bào)，2008,37(4):565-568.

Application of Wireless Fire Sensor Network Fault Diagnosis in Industrial Buildings

DENG Yixin SONG Yujie

(InstituteofInformationScienceandEngineering,WuhanUniversityofScienceandTechnologyWuhan430081)

In this paper, through using an improved rough set attribute reduction based on discernibility matrix and attribute selection algorithm，the fault sample data is reduced and the minimum reduction set is got. Combined with the old and new versions of BP neural network, the node failures of industrial buildings are tested. The simulation results show that, by using the RS-new BP neural network, the iterations has decreased 61 times compared with the old BP neural network and the accuracy has increased by 7.11%.

node fault diagnosis attribute reduction RS-new BP neural network

鄧懿心，1991年生，碩士研究生，主要研究方向?yàn)橥ㄐ烹娮泳€路、無(wú)線火災(zāi)傳感器網(wǎng)絡(luò)、故障診斷。

2015-10-12)

宋玉階，1958年生，教授，研究方向?yàn)榫W(wǎng)絡(luò)圖論與系統(tǒng)優(yōu)化。