張 鵬，杜文祥，邸希元

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

0 引言

現(xiàn)如今針對(duì)WSN故障檢測(cè)的研究方法可以歸類為：定量、定性。文獻(xiàn)[1-2]即為定量方法：文獻(xiàn)[1]基于前饋神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行檢測(cè)，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)WSN故障進(jìn)行分類，可以診斷復(fù)合故障；文獻(xiàn)[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(guò)訓(xùn)練來(lái)彌補(bǔ)，提高了故障檢測(cè)的準(zhǔn)確性。文獻(xiàn)[3-5]為定性方法：文獻(xiàn)[3]通過(guò)WSN中相鄰節(jié)點(diǎn)之間的時(shí)間、空間相關(guān)性來(lái)對(duì)節(jié)點(diǎn)進(jìn)行故障檢測(cè)；文獻(xiàn)[4]通過(guò)對(duì)節(jié)點(diǎn)之間決策信息的傳播進(jìn)行比較實(shí)現(xiàn)故障檢測(cè)；文獻(xiàn)[5]通過(guò)重構(gòu)決策屬性以及支持向量機(jī)訓(xùn)練來(lái)對(duì)WSN進(jìn)行故障檢測(cè)。

但以上定量、定性方法在對(duì)含有擾動(dòng)的WSN進(jìn)行故障檢測(cè)時(shí)都存在些許不足，無(wú)法直觀地判斷數(shù)據(jù)波動(dòng)是由擾動(dòng)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(shí)對(duì)故障診斷結(jié)果會(huì)產(chǎn)生誤差。本文針對(duì)此問(wèn)題，提出了含有擾動(dòng)的無(wú)線傳感器網(wǎng)絡(luò)故障檢測(cè)方法：既包含定性又包含定量知識(shí)的置信規(guī)則庫(kù)模型(BRB-r)。

1 問(wèn)題描述

WSN通過(guò)散播在大范圍內(nèi)的感知節(jié)點(diǎn)收集監(jiān)測(cè)信息，對(duì)WSN故障檢測(cè)問(wèn)題進(jìn)行研究，首先要對(duì)WSN節(jié)點(diǎn)是否出現(xiàn)故障進(jìn)行判斷檢測(cè)，由于擾動(dòng)的存在，若我們檢測(cè)到數(shù)據(jù)波動(dòng)出現(xiàn)異常則能夠確定WSN節(jié)點(diǎn)可能出現(xiàn)故障。為完成以上目的進(jìn)行如下定義：

(1)

(2)

故障檢測(cè)是通過(guò)對(duì)WSN收集的數(shù)據(jù)進(jìn)行分析實(shí)現(xiàn)的，根據(jù)WSN數(shù)據(jù)的時(shí)間空間相關(guān)特性找出可能存在問(wèn)題的數(shù)據(jù)。由于WSN收集監(jiān)測(cè)數(shù)據(jù)時(shí)存在噪聲擾動(dòng)，這會(huì)讓收集的數(shù)據(jù)不完全可信，此問(wèn)題通過(guò)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(cè)結(jié)果的過(guò)程。R為轉(zhuǎn)換過(guò)程中的參數(shù)合集。

2 基于BRB-r的故障檢測(cè)模型

本文對(duì)含有擾動(dòng)的WSN故障檢測(cè)問(wèn)題進(jìn)行研究，在處理觀測(cè)數(shù)據(jù)時(shí)存在數(shù)據(jù)不可靠問(wèn)題，傳統(tǒng)的BRB沒(méi)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(huì)導(dǎo)致BRB出現(xiàn)建模精度的問(wèn)題等，因此引入BRB-r模型來(lái)處理數(shù)據(jù)不可靠的問(wèn)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(cè)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(diǎn)收集的觀測(cè)數(shù)據(jù)中存在數(shù)據(jù)相關(guān)特性，具體表現(xiàn)為：時(shí)間相關(guān)性，空間相關(guān)性以及屬性相關(guān)性。在對(duì)WSN收集到的數(shù)據(jù)進(jìn)行研究時(shí)，可以通過(guò)這些相關(guān)特性提取前提屬性，從而進(jìn)行下一步研究。

1) 時(shí)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(guò)提取數(shù)據(jù)的前提屬性來(lái)建立前提屬性到故障檢測(cè)的對(duì)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(duì)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(gè)屬性的可靠性，經(jīng)過(guò)證實(shí)在屬性完全可靠時(shí)BRB-r模型就是經(jīng)典BRB模型，在WSN故障檢測(cè)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(lái)對(duì)第k條規(guī)則的激活權(quán)重進(jìn)行計(jì)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(guò)融合了屬性可靠性的BRB-r模型處理，構(gòu)建BRB-r模型時(shí)使用ER算法對(duì)規(guī)則進(jìn)行組合具體計(jì)算如下：

(9)

(10)

βn表示第n個(gè)檢測(cè)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(jìn)行，BRB-r的建模精度由均方誤差(MSE)表示，T表示觀測(cè)數(shù)據(jù)量，outputactual表示系統(tǒng)實(shí)際輸出。計(jì)算方法如下：

(12)

3 仿真實(shí)驗(yàn)

使用第2章構(gòu)建的BRB-r模型以及Intel實(shí)驗(yàn)室Intel Lab Data的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，驗(yàn)證BRB-r在含有擾動(dòng)的情況下故障檢測(cè)的有效性。首先根據(jù)DBSCAN聚類分析方法以及傳感器節(jié)點(diǎn)在實(shí)驗(yàn)室中的空間位置對(duì)節(jié)點(diǎn)進(jìn)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(gè)BRB-r故障檢測(cè)模型，結(jié)構(gòu)如圖1所示。

圖1 故障檢測(cè)模型圖Fig.1 Fault detection model diagram

圖1中x1，x2分別為空間殘差、時(shí)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(cè)結(jié)果。

根據(jù)實(shí)驗(yàn)所使用的前提屬性時(shí)間標(biāo)準(zhǔn)差以及空間殘差設(shè)置參考點(diǎn)和參考值。x1的參考值設(shè)定為：負(fù)值大(S)，負(fù)值小(SL)，零(Z)，正值較小(XS)，正值較大(XLS)，正值大(XXS)等6個(gè)參考點(diǎn)，描述為：

x1k∈{S,SL,Z,XS,XLS,XXS}

(13)

x2的參考值點(diǎn)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(gè)參考點(diǎn)，描述為：

x2k∈{XS,XLS,LLS,XXS,LXS}

(14)

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

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

表2 x1參考點(diǎn)以及參考值

表3 x2參考點(diǎn)以及參考值

根據(jù)參考值以及參考點(diǎn)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(diǎn)選擇的個(gè)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(cè)結(jié)果D之間關(guān)系進(jìn)行確定，并根據(jù)此置信度表對(duì)故障檢測(cè)結(jié)果D進(jìn)行實(shí)驗(yàn)研究，實(shí)驗(yàn)結(jié)果如圖3所示。

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

圖3橫坐標(biāo)表示實(shí)驗(yàn)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(duì)比實(shí)驗(yàn)

使用BRB模型對(duì)WSN故障檢測(cè)進(jìn)行分析與BRB-r模型實(shí)驗(yàn)進(jìn)行對(duì)比驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 故障檢測(cè)效果對(duì)比Fig.4 Comparison of fault detection effects

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

表5 實(shí)驗(yàn)結(jié)果對(duì)比

(17)

4 結(jié)論

本文提出了含有擾動(dòng)的無(wú)線傳感器網(wǎng)絡(luò)故障檢測(cè)方法。該方法包含了定性知識(shí)以及定量知識(shí)，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(duì)故障檢測(cè)研究的影響。仿真實(shí)驗(yàn)結(jié)果表明，BRB-r模型能夠在WSN處于擾動(dòng)狀態(tài)下對(duì)WSN是否出現(xiàn)故障進(jìn)行判斷，相較于BRB模型檢測(cè)準(zhǔn)確率更高，穩(wěn)定性實(shí)用性更強(qiáng)。在后續(xù)研究中會(huì)對(duì)出現(xiàn)故障的故障類型進(jìn)行分類研究，提高本故障檢測(cè)方法的實(shí)際應(yīng)用價(jià)值。