余正軍

(汕頭職業(yè)技術(shù)學院,汕頭 515078)

隨著智能物聯(lián)網(wǎng)(AIoT)的興起,人們對智能化服務的需求也越來越多.無線傳感網(wǎng)(WSN)作為AIoT的關(guān)鍵組成部分,其運行狀態(tài),直接影響AIoT的服務質(zhì)量.然而,WSN 通常部署在環(huán)境惡略的地方.員工無法對WSN 中的所有節(jié)點進行24 小時實時觀察和檢查.但是,一旦WSN 中節(jié)點出現(xiàn)故障,將直接影響系統(tǒng)最終的研判.為此,研究高效可靠的WSN 節(jié)點故障診斷方法尤為重要,它對延長WSN 壽命,保持系統(tǒng)穩(wěn)定和提高系統(tǒng)服務質(zhì)量具有重要的現(xiàn)實意義.目前,WSN節(jié)點故障診斷方法可分為基于統(tǒng)計學原理、故障分類和感知數(shù)據(jù)的時空特性分析三大類.常用的診斷算法,如文獻[1]采用2-回合投票故障診斷算法對故障進行診斷,文獻[2]以ICA 進行故障屬性的約簡,通過樸素貝葉斯進行故障診斷,文獻[3]利用WSN 感知數(shù)據(jù)的時空相關(guān)性原理將診斷正常的候選簇頭的觀測值與簇內(nèi)成員節(jié)點的觀測值比較來對簇內(nèi)成員節(jié)點進行診斷,文獻[4] 以粗糙集進行故障屬性的約簡,通過GAKELM 算法對對故障診斷.這些方法要么存在故障屬性約簡不徹底,要么算法模型的參數(shù)復雜等問題.本文鑒于他們的研究經(jīng)驗,提出一種基于RS-CSA-ELM的WSN 節(jié)點故障診斷方法,以RS 對故障屬性進行約簡,并以CSA 優(yōu)化EML 參數(shù)作為故障診斷模型,完成WSN 節(jié)點故障診斷.該算法仿真結(jié)果表明,此法算法模型參數(shù)設(shè)置簡單、易實現(xiàn),故障診斷的精確度高、誤診率低.

1 WSN 節(jié)點故障分析

1.1 WSN 網(wǎng)絡結(jié)構(gòu)

WSN是一種高度自組織智能型數(shù)據(jù)處理網(wǎng)絡,通過節(jié)點的密集部署,實現(xiàn)數(shù)據(jù)的量化收集、聚合和傳輸操作.典型的WSN 組成分為傳感節(jié)點、中繼節(jié)點、網(wǎng)關(guān)節(jié)點、調(diào)控中心4 個部分.其結(jié)構(gòu)如圖1所示.

1.2 WSN 節(jié)點結(jié)構(gòu)及故障分析

WSN 節(jié)點自身就是一個高內(nèi)聚低耦合的結(jié)構(gòu)化產(chǎn)品,它由感知單元、處理單元、信息收發(fā)單元及能量保障單元,其結(jié)構(gòu)如圖2所示.這4 個獨立的單元相互協(xié)作完成節(jié)點的任務,任何一個單元出現(xiàn)出現(xiàn)故障將導致最終數(shù)據(jù)的錯誤影響WSN的正常工作.而每個單元都具有自己的特征,因此查找節(jié)點故障等同于查找節(jié)點產(chǎn)生故障的功能單元.這種檢測方法精度高,便于維修[5-7],本文針對WSN 網(wǎng)絡結(jié)構(gòu)及其節(jié)點結(jié)構(gòu),將故障分為能量保障單元故障、處理單元故障、信息收發(fā)單元故障以及感知單元故障.

2 WSN 節(jié)點故障診斷算法設(shè)計

2.1 故障診斷屬性約簡算法

粗糙集理論屬性約簡算法(簡稱RS)能從模糊數(shù)據(jù)本身歸納出數(shù)據(jù)關(guān)鍵信息,刪除冗余信息,求得最小表達式,建立決策表.正好可用于對WSN 節(jié)點故障診斷屬性的約簡,其過程如下:設(shè)故障診斷決策表為S=(U,R,V,f),其中,S為WSN 節(jié)點故障診斷決策表;R=P∪D節(jié)點故障屬性集合,P,D分別代表條件屬性集合和決策屬性集合;U={x1,x2,···,xm}為論域;屬性值域V=∪VR(m[i])∈R;則信息函數(shù)為f:U×R→V,表示對每個m∈R,x∈U,f(x,m)∈VR.其分辨矩陣可設(shè)置成:

其中,CD(i,j)為分辨矩陣的第i行第j列處的元素,m[k]∈P.

圖1 典型WSN 網(wǎng)絡結(jié)構(gòu)

圖2 WSN 節(jié)點結(jié)構(gòu)

基于上述分辨矩陣的故障屬性約簡算法步驟如下:

(1)利用上文描述,根據(jù)故障樣本決策表構(gòu)建分辨矩陣CD(i,j).

(2)約簡分辨矩陣CD(i,j),將其中的單屬性元素對應位置零.

(3)若CD(i,j)≠0,且CD≠?時,則構(gòu)建RS 屬性樣本T約簡的操作范式:

(4)向步驟(3)的RS 屬性樣本T中每一項都添加步驟(2)中的單屬性,RS 屬性樣本約簡T',其每項都代表一個故障屬性約簡.

2.2 WSN 節(jié)點故障診模型

RS-CSA-ELM 算法對故障診斷原理描述為:以WSN 節(jié)點故障預兆構(gòu)建故障樣本數(shù)據(jù)集,以故障種類屬性和特征屬性構(gòu)建故障決策表.首先,根據(jù)RS 剔除原始故障樣本屬性冗余信息,獲得約簡后的故障屬性組合;其次,利用屬性之間的相關(guān)性選取最優(yōu)屬性約簡;以最優(yōu)屬性約簡構(gòu)建新的故障樣本作為算法模型的訓練樣本,最后,建立RS-CSA-ELM 故障診斷模型對WSN節(jié)點故障進行診斷,如圖3所示.

圖3 WSN 節(jié)點的RS-CSA-ELM 故障診斷模型

2.3 CSA-ELM 算法

(1)極限學習機(ELM)原理

設(shè)給定N組WSM 節(jié)點數(shù)據(jù)樣本(xi,ti)∈Rn,對于輸入層、隱含層和輸出層的節(jié)點數(shù)分別為n,L,m的ELM的學習機,若采用Sigmoid 類型的激勵函數(shù)G(x),則EML 隱含層輸出即為:

其中,

當G(x)無限可微時,參數(shù) αi與 γi隨機產(chǎn)生,且在訓練過程中不需要被調(diào)整,ELM 模型訓練過程可看作求解線性系統(tǒng)Hβ=T關(guān)于 β的最小二乘解,即 β=H+T,其中H+為H的Moore-Penrose 廣義逆.

(2)CSA 優(yōu)化ELM

極限學習機(ELM)是一類基于前饋神經(jīng)網(wǎng)絡的訓練算法,其具有學習速度快、泛化性能強、不易陷入局部極值的特性,因此被廣泛應用[9];但由于該算法中輸入權(quán)值 αi和隱含層閥值 γi是隨機選取故導致其隱含層神經(jīng)元不具備自我調(diào)節(jié)能力.針對此缺陷本文采用CSA 算法對ELM 輸入權(quán)值 αi和隱含層閥值 γi進行優(yōu)化,構(gòu)建CSA-ELM 神經(jīng)網(wǎng)絡,提高模型診斷的精確度和穩(wěn)定性[10].

烏鴉搜索算法(CSA)是仿效烏鴉在儲備食物和盜竊食物的智能行為而形成的一種基于種群的優(yōu)化算法,CSA 與其它神經(jīng)網(wǎng)絡參數(shù)優(yōu)化算法如GA、POS 一樣,均是利用種群的優(yōu)勢來增加尋找最優(yōu)解的概率,同時避免陷入局部最優(yōu)解.但優(yōu)化算法的參數(shù)設(shè)置對其性能影響很大,所以參數(shù)越少的算法越易應用.種群優(yōu)化算法除種群大小和最大迭代次數(shù)外,還要設(shè)置其它參數(shù),如GA 還需再設(shè)置選擇方法、交叉方法、交叉概率、變異方法以及變異概率;PSO 還需再要設(shè)置有慣性權(quán)重、粒子自身的學習因子和社會學習因子;而只需再設(shè)置烏鴉的飛行長度和辨識概率即可[11-13].

另外,CSA 不是貪心算法,如在搜索空間范圍內(nèi)只要沒有比烏鴉產(chǎn)生的新位置更優(yōu),它依然會飛向新位置,這樣產(chǎn)生的解是多樣的,使得算法具有最大概率尋找最優(yōu)解功能.烏鴉跟蹤行為是隨機的,這樣就增大了算法搜索空間,即CSA 具有全局搜索能力.算法在迭代過程中,種群中所有烏鴉都在不斷地更新藏食地點,從而保證種群中所有的藏食地點是最優(yōu)的,并利用烏鴉記憶記錄最優(yōu)存食位置.迭代結(jié)束后,找到種群中烏鴉的適應度值最優(yōu)的記憶作為最后求到的最優(yōu)解.表1為CSA 與GA和PSO 算法的性能比較.

表1 CSA 與GA和PSO 算法性能比較

CSA 算法應用到ELM的輸入權(quán)值 αi和隱含層閥值 γi選取,構(gòu)建CSA-ELM 算法.在該算法中,將ELM訓練數(shù)據(jù)的輸入權(quán)值 αi和隱含層閥值 γi映射為CSA 種群中烏鴉所處的每個位置和藏食物的記憶,CSA的適應度值對應于ELM的訓練誤差,將求取最優(yōu)輸入權(quán)值、閥值問題轉(zhuǎn)化為計算CSA 適應度值即選擇最優(yōu)烏鴉記憶問題.圖4給出CSA-ELM 算法流程,主要包括ELM 網(wǎng)絡確定、CSA 算法優(yōu)化和ELM 網(wǎng)絡的訓練、預測等.

圖4 CSA-ELM 算法流程

該算法的詳細操作要領(lǐng)如下:

Step 1.算法初始化.確定ELM 各層的神經(jīng)元個數(shù),隨機生成ELM的輸入權(quán)值 αi和隱含層閥值 γi.CSA的種群搜索空間設(shè)置成二維,并將 αi和γi作為烏鴉初始所處位置和記憶即公式表示為:xi,iter=(αi,γi)、mi,iter=(αi,γi),對CSA 進行初始化.

Step 2.計算烏鴉適應度.適應度計算公式為:

其中,Ne為正確的樣本數(shù),N為訓練樣本總數(shù).

Step 3.更新烏鴉記憶.更新的計算公式為:

檢查終止條件,若滿足則輸出最優(yōu)的αi和γi,否則轉(zhuǎn)向Step 2.

Step 4.ELM 訓練和診斷.將最終烏鴉位置和記憶作為最優(yōu)的ELM的輸入權(quán)值和閥值賦予ELM,使用訓練樣本對ELM 進行訓練,采用公式 β=H+T計算輸出層權(quán)值.最后將待診樣本注入到ELM 模型進行診斷輸出.

2.4 RS-CSA-ELM 算法步驟

根據(jù)上文所述,將RS的故障屬性約簡算法與經(jīng)CSA 優(yōu)化的極限學習機有機結(jié)合,構(gòu)建基于RS-CSAELM的WSN 節(jié)點故障診斷算法,其過程如下:

Step 1.根據(jù)WSN 節(jié)點組成結(jié)構(gòu),構(gòu)建符合實際情況的WSN 節(jié)點故障屬性表并做量化處理.

Step 2.根據(jù)上文所提的故障屬性約簡算法對Step 1 構(gòu)建的WSN 節(jié)點故障屬性表進行屬性約簡,刪除冗余的故障屬性信息,得到最優(yōu)的故障診斷決策表.

Step 3.根據(jù)Step 2 得到的故障屬性決策表重構(gòu)訓練樣本數(shù)據(jù)集.

Step 4.將Step 3 得到的訓練樣本數(shù)據(jù)集作為RSCSA-ELM 算法模型的輸入,利用CSA 優(yōu)化ELM的參數(shù),即利用訓練的故障樣本數(shù)據(jù)對ELM 進行訓練,使其達到最佳的ELM 故障模型,而后用該模型對待診樣本數(shù)據(jù)進行故障診斷,實現(xiàn)WSN 節(jié)點故障任務.

3 仿真與結(jié)果分析

3.1 仿真實驗設(shè)置

(1)WSN 節(jié)點故障屬性的約簡

為驗證上述算法得有效性,先構(gòu)建其故障屬性及量化表(表2),再將表2轉(zhuǎn)換為故障診斷決策表(表3).最后采前文中設(shè)計的RS 故障屬性約簡算法對表2進行約簡,以獲得最優(yōu)故障診斷決策.

表2 部分故障屬性及量化處理表

表3 部分故障診斷決策表

(2)算法參數(shù)設(shè)置

仿真設(shè)置算法初始條件:飛行長度fl=0.2,最大迭代次數(shù)tmax=50,意識概率AP=0.1,ELM的輸入權(quán)值αi=rand(0,1],隱含層閥值γi=rand(0,1],WSN 節(jié)點數(shù)量作為烏鴉只數(shù)N=200.

為驗證所提算法的性能及可行性,在Ubuntu16.04環(huán)境下用Python3.5+Tensorflow 編程仿真,同時考慮到WSN 實際工作環(huán)境,實際所收集的數(shù)據(jù)參與真實數(shù)據(jù)之間存在誤差.模擬在同一條件下對優(yōu)化前后EML性能進行仿真試驗,同時也對本文所提算法與最新文獻所提算法作了對比仿真實驗.

3.2 仿真結(jié)果分析

首先,在相同條件下,對CSA 優(yōu)化前的ELM 與優(yōu)化后的ELM 模型進行了對比測試,其結(jié)果如圖5、圖6所示.

圖5 CSA 優(yōu)化前后的ELM 故障診斷用時對比圖

圖6 CSA 優(yōu)化前后的ELM 故障檢測精度比較圖

其次,對CSA 優(yōu)化RS-CSA-ELM 模型的參數(shù)的做了仿真驗證.其結(jié)果如圖7所示.

最后,對可靠性為80%、85.5%、90%和99.5%樣本數(shù)據(jù)集進行約簡后,將本文提的RS-CSA-ELM 算法與文獻[14]的RSOPNN 算法及文獻[15]的RS-PSOKELM 算法進行比較測試.其結(jié)果如圖8及圖9所示.

從圖5、圖6可以看出經(jīng)過CSA 優(yōu)化之后的ELM 其穩(wěn)定性得到了很大的提高;從圖7可以看出CSA 在迭代到15 次的時即可尋找到最優(yōu)得ELM 輸入權(quán)值和隱含層閥值;從圖8可以看出3 種算法對WSN節(jié)點故障診斷用時都是隨樣本數(shù)據(jù)集可靠性增加而減少,但本文所提的RS-CSA-ELM 算法與其它兩種算法在相同條件下用時是最短的;從圖9可看出3 種算法的診斷準確性隨樣本數(shù)據(jù)集可靠性增加而提高,但本文所提的RS-CSA-ELM 算法與其它兩種算法在相同條件下診斷的準確性是最高的.綜上所述,本文所提算法能夠快而準的對WSN 節(jié)點故障進行診斷識別,且穩(wěn)定性和診斷的準確性可滿足實際應用要求.

圖7 CSA 對RS-CSA-ELM 模型尋優(yōu)迭代次數(shù)圖

圖8 算法診斷用時比較圖

圖9 算法性能比較圖

4 結(jié)束語

鑒于現(xiàn)有WSN 節(jié)點在故障診斷方法的缺陷[16],提出RS-CSA-KELM 算法予以解決,通過粗糙集理論屬性約簡算法(簡稱RS)對故障屬性約簡、利用CSA 算法對EML的參數(shù)進行優(yōu)化,建立數(shù)據(jù)驅(qū)動式的RSCSA-ELM 故障診斷模型.該模型對WSN 節(jié)點故障的診斷快而準,并能有效的解決誤診和漏診等問題,特別適合用于拓撲結(jié)構(gòu)實時變化的網(wǎng)絡的故障診斷.當然,所提之法仍需研究、改進,如進一步考慮算法中各參數(shù)設(shè)置及各算法之間的優(yōu)缺互補等問題.