含有扰动的无线传感器网络故障检测

张 鹏，杜文祥，邸希元

(哈尔滨理工大学自动化学院，黑龙江 哈尔滨 150080)

0 引言

现如今针对WSN故障检测的研究方法可以归类为：定量、定性。文献[1-2]即为定量方法：文献[1]基于前馈神经网络对故障进行检测，通过神经网络对WSN故障进行分类，可以诊断复合故障；文献[2]使用了一种基于不确定性的分布式故障诊断方法，缺失的数据通过训练来弥补，提高了故障检测的准确性。文献[3-5]为定性方法：文献[3]通过WSN中相邻节点之间的时间、空间相关性来对节点进行故障检测；文献[4]通过对节点之间决策信息的传播进行比较实现故障检测；文献[5]通过重构决策属性以及支持向量机训练来对WSN进行故障检测。

但以上定量、定性方法在对含有扰动的WSN进行故障检测时都存在些许不足，无法直观地判断数据波动是由扰动引起还是故障引起，并且定性的方法以及定量方法当条件不充足或数据量不充足时对故障诊断结果会产生误差。本文针对此问题，提出了含有扰动的无线传感器网络故障检测方法：既包含定性又包含定量知识的置信规则库模型(BRB-r)。

1 问题描述

WSN通过散播在大范围内的感知节点收集监测信息，对WSN故障检测问题进行研究，首先要对WSN节点是否出现故障进行判断检测，由于扰动的存在，若我们检测到数据波动出现异常则能够确定WSN节点可能出现故障。为完成以上目的进行如下定义：

(1)

(2)

故障检测是通过对WSN收集的数据进行分析实现的，根据WSN数据的时间空间相关特性找出可能存在问题的数据。由于WSN收集监测数据时存在噪声扰动，这会让收集的数据不完全可信，此问题通过构建BRB-r解决。其中函数f为输入数据集转换到输出检测结果的过程。R为转换过程中的参数合集。

2 基于BRB-r的故障检测模型

本文对含有扰动的WSN故障检测问题进行研究，在处理观测数据时存在数据不可靠问题，传统的BRB没有考虑数据的不可靠因素，若在数据不完全可信的情况下还将它作为输入会导致BRB出现建模精度的问题等，因此引入BRB-r模型来处理数据不可靠的问题。

BRB-r本质是一种专家系统，由一定数量的置信规则构成。它融合了属性可靠性以及传统BRB所拥有的属性权重，属性可靠性是从观测数据中获得的属性的固有特性，能够准确地表示数据信息的属性。并且从WSN的工作原理中分析可知，WSN节点收集的观测数据中存在数据相关特性，具体表现为：时间相关性，空间相关性以及属性相关性。在对WSN收集到的数据进行研究时，可以通过这些相关特性提取前提属性，从而进行下一步研究。

1) 时间相关前提属性表现为均值、均方值、方差、标准差、偏度、峰度；

2) 空间相关前提属性表现为残差；

3) 属性相关前提属性表现为比例关系。

通过提取数据的前提属性来建立前提属性到故障检测的对应关系。传统BRB模型中存在属性权重，它可以表示该属性的相对重要性，但是属性权重与属性可靠性相比属于比较主观的方面，我们考虑属性权重以及属性可靠性等方面的因素，将BRB-r的第k条规则定义为：

其中，r1,r2,…,rM表示M个属性的可靠性，经过证实在属性完全可靠时BRB-r模型就是经典BRB模型，在WSN故障检测中DN表示输出结果(正常或故障)。

(3)

(4)

(5)

(6)

(7)

式(7)中，ak表示第k条规则的属性权重以及属性可靠性的匹配度，Tk表示第k条规则中的属性数。接下来对第k条规则的激活权重进行计算如式(8)：

(8)

式(8)中，θk是第k条规则的规则权重，L表示BRB-r 模型中定义的规则的数量，并且规则权重在0到1之间，所有规则的规则权重之和为1。

噪声引起的不可靠数据通过融合了属性可靠性的BRB-r模型处理，构建BRB-r模型时使用ER算法对规则进行组合具体计算如下：

(9)

(10)

βn表示第n个检测结果Dn的置信度。综合表示L条规则生成的BRB-r输出结果为：

S(x·)={(Dn,βn);n=1,2,…,N}

(11)

BRB-r模型的整体优化则使用CMA-ES算法进行，BRB-r的建模精度由均方误差(MSE)表示，T表示观测数据量，outputactual表示系统实际输出。计算方法如下：

(12)

3 仿真实验

使用第2章构建的BRB-r模型以及Intel实验室Intel Lab Data的无线传感器网络数据集进行实验，验证BRB-r在含有扰动的情况下故障检测的有效性。首先根据DBSCAN聚类分析方法以及传感器节点在实验室中的空间位置对节点进行分类。结果如表1所示。

表1 聚类结果

前提属性选择完毕后构建一个BRB-r故障检测模型，结构如图1所示。

图1 故障检测模型图Fig.1 Fault detection model diagram

图1中x1，x2分别为空间残差、时间标准差。x3表示BRB-r产生的输出结果，也就是故障检测结果。

根据实验所使用的前提属性时间标准差以及空间残差设置参考点和参考值。x1的参考值设定为：负值大(S)，负值小(SL)，零(Z)，正值较小(XS)，正值较大(XLS)，正值大(XXS)等6个参考点，描述为：

x1k∈{S,SL,Z,XS,XLS,XXS}

(13)

x2的参考值点设置为：零(XS)，正值较小(XLS),正值较大(LLS)，正值大(XXS),正值极大(LXS)等3个参考点，描述为：

x2k∈{XS,XLS,LLS,XXS,LXS}

(14)

根据图2所示时间相关性和式(14)选择参考点参考值如表2、表3所示。

图2 时间相关性分析Fig.2 Time correlation analysis

表2 x1参考点以及参考值

表3 x2参考点以及参考值

根据参考值以及参考点的设置构建BRB-r模型其中每一条规则为：

根据参考点选择的个数给出如下置信度表4。

表4 初始置信度

构建上述置信度表，将不同的前提属性x1，x2与故障检测结果D之间关系进行确定，并根据此置信度表对故障检测结果D进行实验研究，实验结果如图3所示。

图3 BRB-r故障检测结果Fig.3 BRB-r fault detection results

图3横坐标表示实验样本数，纵坐标表示正常数据以及故障数据的区间。

3.1 对比实验

使用BRB模型对WSN故障检测进行分析与BRB-r模型实验进行对比验证，实验结果如图4所示。

图4 故障检测效果对比Fig.4 Comparison of fault detection effects

根据式(17)计算出BRB-r模型以及BRB模型的故障检测结果，如表5所示,其中TL表示正确检测的样本数量，ALL表示样本总体数量。

表5 实验结果对比

(17)

4 结论

本文提出了含有扰动的无线传感器网络故障检测方法。该方法包含了定性知识以及定量知识，融合了属性可靠性以及属性权重，可以更加完美地解决外界不可靠因素对故障检测研究的影响。仿真实验结果表明，BRB-r模型能够在WSN处于扰动状态下对WSN是否出现故障进行判断，相较于BRB模型检测准确率更高，稳定性实用性更强。在后续研究中会对出现故障的故障类型进行分类研究，提高本故障检测方法的实际应用价值。