一种无线传感器网络节点的故障检测算法

陈家璘　周正　冯伟东　贺易　李静茹　赵世文

摘 要：在无线传感器网络（WSN）中，容易因为故障节点存在冗余的故障属性、噪声数据以及数据可靠性等问题，从而产生传输错误数据，这将极大地消耗WSN节点中能量和带宽，向用户形成错误的决策。为此，提出了基于蚁群算法和BP神经网络模型的WSN节点故障检测方法。通过使用蚁群算法，使用户通过寻找优化路径来定位WSN节点的位置，通过这种随机搜索算法以及蚁群算法的搜索策略使用户对WSN故障节点的位置进行总体把握。然后又基于BP神经网络模型对获取的WSN故障节点信息进一步学习，在数据训练过程中，依据WSN故障节点预测误差，并进一步调整网络的权值和阈值，增加了故障诊断的精度。采用的算法对检测WSN故障节点具有较好的性能，使无线传感器网络的服务质量大大提高，增强了系统的稳定性，实验结果验证了算法的可行性和有效性。

关键词：WSN节点;故障检测;蚁群算法;BP神经网络模型; 定位

中图分类号：TP393       文献标识码：A

A Fault Detection Algorithm for Wireless Sensor Network Nodes

CHEN Jia-lin1， ZHOU Zheng1， FENG Wei-dong1，HE Yi1，LI Jing-ru1，ZHAO Shi-wen2

（1.State Grid Hubei Information & Telecommunication Co. Ltd.， Wuhan， Hubei 430077，China;

2.Nanjing Nari Information & Telecommunication Technology Co. Ltd.， Nanjing， Jiangsu 210000，China ）

Abstract：In the wireless sensor network （WSN）， it is easy to generate and transmit erroneous data due to redundant fault attributes， noise data， and data reliability of the faulty node. Thereby generating and transmitting erroneous data， which will greatly consume energy and bandwidth in the WSN node， and form an erroneous decision to the user. Aiming at this problem， this paper proposes a WSN node fault detection method based on ant colony algorithm and BP neural network model. By using the ant colony algorithm， the user locates the location of the WSN node by searching for an optimized path. The random search algorithm and the ant colony algorithm search strategy enable the user to grasp the overall location of the WSN fault node. Then， based on the BP neural network model， the WSN fault node information is further learned. In the data training process， the WSN fault node prediction error is further adjusted， and the weight and threshold of the network are further adjusted to increase the accuracy of fault diagnosis. The algorithm used  has better performance for detecting WSN fault nodes， which greatly improves the service quality of wireless sensor networks and enhances the stability of the system. The experimental results verify the feasibility and effectiveness of the algorithm.

Key words：WSN node; fault detection; ant colony algorithm; BP neural network model; localization

無线传感器网络（Wireless Sensor Network，WSN） 是由大量的传感器节点以自组织方式组成的一个监控系统[1-2]，其主要功能是实时地监控与处理目标区域的信息。在WSN中，通常布局综合传感器来监测、感知、采集、处理某个区域的网络信息，使得信息被完整地反馈给用户[3-4]。在WSN传输和处理数据时，大部分的WSN节点是随机抛撒的，WSN节点常常部署在不可控制的恶劣环境中，用户对部署后的节点不易实施维修处理[5-6]。致使个别节点发生崩溃、包损失、路由故障时，用户难以处理，使传输数据出错，这将大大消耗节点的能量和网络宽带，网络瘫痪出现的频率就大大提高。因此，研究有效适用的节点模块故障诊断算法显得尤为重要[7-8] ，它对延长WSN工作时间，维持系统稳定运行具有重要的现实意义。

为此，针对WSN故障节点检测方法进行了深入地研究。通过提出蚁群算法，寻求最优路径定位WSN故障节点，又应用了BP神经网络模型更进一步地提高了学习精度，增加了检测准确率，为增强网络的运行提供必要的支撑。

1 WSN节点故障检测系统

提出了一种将蚁群算法与BP神经网络相结合的WSN节点故障检测技术，能够全面检测WSN节点的故障信息，大大提高了WSN节点信息检测的准确性和可靠性。在本方案构架中，主要包括数据层、信息检测层和系统应用层，其系统构架如图1所示。

在本系统设计中，在WSN中布局了大量的传感器节点，在每个传感器节点，都存在故障的可能性，因此，在检测前，需要对传感器节点信息进故障融合，通过融合故障信息，使用户更全面地把握WSN节点信息情况，然后将融合的WSN节点信息通过本设计的算法进行计算、处理。通过蚁群算法估计、定位传感器节点的位置，通过BP神经网络对无线传感器节点进一步的学习。BP神经网络（Back-Propagation Network）又称反向传播神经网络模型，能够实现WSN故障节点的精确估计和检测，通过对WSN故障节点的样本数据进行训练，使的网络权值和阈值不断地修正，得出更精确的数据[9-10]。在本系统设计中，得到的数据可在数据管理中心供用户诊断并进行数据显示。也可以通过工业CAN总线远程传递到远程数据监控中心，供更高一层监控中心进行管理。

2 故障检测方法

如图2所示，图2是WSN节点故障检测方法示意图。在该方法中，蚁群算法在离散组合优化问题上具有突出的优势。因此，选用蚁群算法搜索WSN节点，然后又使用BP神经网络模型，使故障检测精度大大提高。

2.1 蚁群算法模型

蚁群算法（Ant Colony Optimization，ACO）是由意大利学者M.Dorigo等人提出的一种全局优化的算法[1-4]。在该算法中，假设WSN节点的个数为N，未知节点个数为M，则函数表达式为：

然后根据上述公式建立BP神经网络模型，通常建立模型时，采用三层 BP 网络模型，将隐层结点数确定在7-11之间， 输入层到隐层的数值介于0.2-0. 6之间，隐层到输出层之间的数值介于0.1- 0. 5之间，由此建立BP 网络模型。输出参数信息通过BP神经网络模型进行数据训练，最终得出的WSN故障节点的各个参数的故障识别、故障诊断。

3 实验及分析

采用MATLAB技术来仿真试验，假设节点总个数为100，将其分布在10L*10 L的正方形区域内，其中L为区域边长，本实验L =5 m。锚节点的比例为10%，设定未知节点的个数为90，锚节点的个数则为10。锚节和未知节点随机分布在正方形区域内。节点的仿真分布图如图4所示，在网络中，节点的通讯半径R=15 m，网络连通度Connectivity=10.2。然后设置相关参数，假设蚂蚁数目N=20，移动方向（S+1）=9，初始步长λ=1，步长衰减系数ζ=0.96，信息素持久度ρ=0.9，目标函数最小的蚂蚁对信息素的贡献Q=5，最大迭代次数设为150。

首先采用上述算法进行以下操作，步骤如下：

（1）对未知节点坐标矩阵进行初始化，设置各个参数初始值，假设T为迭代次数，设置各个参数初始值。

（2）设置信息素浓度矩阵（τivs） M*（S+1）中所有元素τivs=C，其中C为常数，C为信息素浓度初始值。

（3）将蚂蚁元素遍历所有未知节点。根据公式7为每个未知节点选择下一步移动的方向。

（4）计算每个蚂蚁得到的目标函数值，选择最小的蚂蚁的估计矩阵作为未知节点的估计矩阵。

（5）根据公式8更新信息素浓度，然后根据公式5对λ进行更新;

（6）判断是否满足结束条件（即T是否大于最大迭代次数，或者蚂蚁找到的解都是相同解），若满足则结束迭代;否则跳转到Step3。

（7）输出解的结果。

通过上述计算，作为第一实验;然后采用上述方法，单独采用BP神经网络模型进行实验，其得出的误差数据为第二实验;单独采用蚁群算法进行实验，作为第三试验。下面通过曲线图表示三种不同形式的误差数据表示。

在图7中，横坐标X表示时间t，纵坐标Y表示计算误差数据。上图表示在t时间内，采用三种不同的方式进行实验。其中▲表示采用蚁算法得出的误差数据曲线图，●表示采用BP神经网络模型得出的误差数据，■表示采用蚁群算法和BP神经网络模型得出的误差数据。通过上述曲线对比，可以发现，本设计的算法方法得出的误差数据准确度更高。因此使用本设计的方法具有较小的误差，大大提高了判断WSN故障节点的准确度。

4 结 论

将蚁群算法应用在无线传感器节点定位中，并提出了基于蚁群算法的WSN故障节点定位算法，其能够实现WSN故障节点的最优化搜索。通过迭代运算，使得搜索路径上蚂蚁元素可以均匀地聚集，标准、动态地调整蚂蚁元素的路径，实現对所选择路径的估计，并对信息素进行更新，快速得出路径的局部最优解。然后用户使用BP神经网络模型对WSN故障节点信息进一步学习、计算，通过将误差数据反向计算、传播，从而获取更高的学习效率，使得对WSN故障节点信息的估计更加精确。大大提高了WSN故障节点检测的精确性、可靠性，有助于用户进一步研究、分析WSN故障节点事件。

参考文献

[1] 刘云璐， 蒲菊华， 方维维， 等. 一种无线传感器网络MAC协议优化算法[J/O].计算机学报， 2012， 35（3）：529-539.

[2] 李建坡， 穆宝春.计算机应用研究[J]. 电力自动化设备， 2017， 34（1）： 186-188.

[3] 鲁义宽， 李波.无线传感器网络故障诊断研究[J]. 激光杂志， 2016， 37（1）： 71-74.

[4] 王丽红， 于光华， 夏魁良.邻域搜索蚁群算法在无线传感器网络数据融合中的应用[J].计算机测量与控制， 2017， 25（6）：298-301.

[5] 袁圃， 毛剑琳， 向凤红， 等.改进的基于遗传优化BP神经网络的电网故障诊断[J/O].电力系统及其自动化学报， 2017， 29（1）： 118-122.

[6] 孙慧影， 林中鹏， 黄灿， 等. 基于改进BP神经网络的矿用通风机故障诊断[J]. 工矿自动化， 2017， 43（4）： 37-41.

[7] 雷静， 余斌. 基于信息融合和神经网络的煤岩识别方法[J].工矿自动化， 2017， 43（9）： 102-105.

[8] 马天兵， 王孝东， 杜菲， 等. 基于小波包和BP神经网络的刚性罐道故障诊断[J]. 工矿自动化，2018， 44（8）：76-80.

[9] 戴天虹， 李昊.基于改进蚁群算法的无线传感器网络路由的优化[J]. 计算机测量与控制， 2016， 24（2）：321-324.

[10]余光华， 余成. WSN中利用蚁群路径优化的时隙选择重排算法[J]. 计算机应用研究， 2018， 35（10）：3069-3074.