物聯(lián)網(wǎng)感知層傳感節(jié)點故障診斷研究*

梁小曉，曹 莉，韋崇崗，樂英高

（1.四川理工學院a.計算機學院；b.自動化與電子信息學院，四川自貢 643000；2.東南大學儀器科學與工程學院，南京 210096）

物聯(lián)網(wǎng)感知層傳感節(jié)點故障診斷研究*

梁小曉1a，曹 莉1b，韋崇崗1b，樂英高2

（1.四川理工學院a.計算機學院；b.自動化與電子信息學院，四川自貢 643000；2.東南大學儀器科學與工程學院，南京 210096）

針對物聯(lián)網(wǎng)感知層節(jié)點故障診斷問題，提出基于蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的WSNs節(jié)點故障診斷算法。將從節(jié)點硬件模塊故障和節(jié)點故障率對故障診斷精度的影響兩個方面研究WSNs節(jié)點故障診斷。將改進的蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的初始權(quán)值應(yīng)用到WSNs節(jié)點故障診斷研究中。利用蟻群算法并行尋優(yōu)特性和自適應(yīng)調(diào)整揮發(fā)系數(shù)特征作為聚類算法來確定RBF神經(jīng)網(wǎng)絡(luò)初始權(quán)值，同時采用裁剪約筒RBF神經(jīng)網(wǎng)絡(luò)隱含層、優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。通過實驗結(jié)果表明，基于蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的WSNs節(jié)點故障診斷方法能準確實現(xiàn)感知節(jié)點的故障診斷，與其它方法相比具有更高的診斷精度。

物聯(lián)網(wǎng)；節(jié)點故障診斷；RBF神經(jīng)網(wǎng)絡(luò)

0 引言

無線傳感器網(wǎng)絡(luò)的服務(wù)質(zhì)量會因為故障節(jié)點而降低，因為故障節(jié)點會傳輸錯誤的傳感數(shù)據(jù)，從而監(jiān)控中心接受錯誤的檢測信息并產(chǎn)生錯誤的決策［1-2］。因此，對無線傳感器網(wǎng)絡(luò)的故障診斷方法進行研究是非常必要的，對WSN節(jié)點進行準確、及時地故障診斷，能夠保障獲得信息可靠性，從而提高WSN可維護性并且延長WSN的使用壽命［3］。

節(jié)點通常由能量有限的電池供電，因電池耗盡而造成節(jié)點失效是非常普遍的［4］。典型的傳感器節(jié)點軟故障診斷算法有：DFD［5］、粒子群算法及高斯分布算法［6］、人工魚群聚類算法［7］、隱馬爾科夫模型［8］等。目前，在WSNs節(jié)點故障診斷領(lǐng)域中應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)有RBF算法［9］。該算法的關(guān)鍵問題是隱層基函數(shù)中心值的選取問題，其關(guān)系到RBF神經(jīng)網(wǎng)絡(luò)性能的好壞。本文通過利用蟻群算法的并行尋優(yōu)和自適應(yīng)的特征，使算法全局搜索最優(yōu)解，這樣既加快了聚類速度，也優(yōu)化了聚類結(jié)果，使聚類中心點更具代表性。將蟻群算法應(yīng)用于RBF神經(jīng)網(wǎng)絡(luò)，則增強了網(wǎng)絡(luò)的魯棒性，提高了訓練速度。

1 WSN節(jié)點架構(gòu)及故障分類

典型的WSN系統(tǒng)體系包括分布式傳感器感知節(jié)點、匯聚節(jié)點（Sink node）、路由節(jié)點、任務(wù)感知節(jié)點和互聯(lián)網(wǎng)。其中，高度模塊化的無線傳感器網(wǎng)絡(luò)主要包括四個模塊：傳感器感知模塊、處理器控制模塊（包括CPU、存儲器和嵌入式操作系統(tǒng)等）、無線通信模塊和電源供電模塊。相應(yīng)地無線傳感器網(wǎng)絡(luò)故障分為網(wǎng)絡(luò)故障和節(jié)點故障，細分的話也可以分為四類：傳感器感知模塊故障、處理器控制模塊故障、無線通信模塊故障和電源供電模塊故障。無線傳感器網(wǎng)絡(luò)故障類型分類如如圖1所示。

圖1 WSNs硬件和網(wǎng)絡(luò)故障分類

2 RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)的基本思想是：徑向基函數(shù)作為隱單元的“基”構(gòu)成隱層空間，這樣就可實現(xiàn)輸入矢量直接（即不通過連接權(quán)值）映射到隱空間［10］。當徑向基函數(shù)的中心點確定了，映射關(guān)系也就隨之確定。隱層空間到輸出層空間是線性映射，即網(wǎng)絡(luò)輸出為隱單元輸出線性加權(quán)，此處的權(quán)值為網(wǎng)絡(luò)可調(diào)參數(shù)。

RBF網(wǎng)絡(luò)的隱節(jié)點的基函數(shù)則采用距離函數(shù)（歐式范數(shù)），激勵函數(shù)采用徑向基函數(shù)（一般為Gauss函數(shù)）。BP網(wǎng)絡(luò)可以有多隱層，而RBF神經(jīng)網(wǎng)絡(luò)是單隱層，隱層基函數(shù)為徑向基函數(shù)（一般為高斯函數(shù)），高斯函數(shù)的一般表達式為：

式子中，x是n維輸入向量；HJ（x）是隱含層第i單元的輸出函數(shù)值，其中i=1，2，…，m；wi是第i個單元RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心值，與變量x一樣的維數(shù)，另外θi為RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心值的寬度，k為感知單元數(shù)目，是向量x-wi歐式范數(shù)。

從x到Hi（x）的非線性映射到RBF神經(jīng)網(wǎng)絡(luò)輸入層確定，可以從Hi（x）到Tj的線性映射輸出層實現(xiàn)，Tj計算公式如下：

其中：j=1，2，…，l，參數(shù)l是RBF神經(jīng)網(wǎng)絡(luò)的輸出個數(shù)，Qij是第i個神經(jīng)網(wǎng)絡(luò)基函數(shù)與Tj之間連接權(quán)值。RBF網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 RBF網(wǎng)絡(luò)結(jié)構(gòu)框圖

該算法的突出優(yōu)點是：收斂速度快、補償精度高。該算法的關(guān)鍵問題是隱層基函數(shù)中心值的選取問題，其關(guān)系到RBF神經(jīng)網(wǎng)絡(luò)性能的好壞。

3 蟻群聚類的RBF網(wǎng)絡(luò)參數(shù)優(yōu)化

由Dorigo等人提出的蟻群算法是一種仿生算法模型，是由蟻群覓食行為啟發(fā)而提出的一種隨機全局優(yōu)化技術(shù)，算法簡單，方便與其他算法結(jié)合。螞蟻在尋找食物時會在經(jīng)過的地方留下一種被稱為信息素的物質(zhì)，其他螞蟻在前進時會比較不同路徑上信息素的大小，選擇其中信息素濃度最大的方向前進，并也留下自己的信息素。在相同的時間內(nèi)，越優(yōu)的路徑會被越多的螞蟻訪問，從而后續(xù)螞蟻選擇最優(yōu)路徑的幾率就會提高，最后所有螞蟻都會走最優(yōu)路徑到達食物源。

在處理大量樣本時，一般的聚類算法存在著聚類慢、易陷入局部最優(yōu)的問題，比如K-聚類方法，因此很難得到最優(yōu)結(jié)果?；谙伻核惴ǖ木垲惙治霾煌谝话愕木垲愃惴ǎ鋵?shù)據(jù)看作螞蟻，將聚類中心看作食物，聚類過程就類似螞蟻找食物的過程。

（1）蟻群算法聚類時，有以下幾個過程：

①對蟻群算法首先進行初始參數(shù)優(yōu)化，確定蟻群數(shù)量N，樣本屬性m，蟻群聚類半徑r，允許誤差值ε0，參考概率p0。

⑥計算采集樣本得到聚類中心之間的距離dij，蟻群搜索調(diào)整揮發(fā)信息數(shù) ρ滿足：，其中ρmin為信息揮發(fā)素ρ最小值，ρ（t）為t時刻的蟻群揮發(fā)系數(shù)，更新的信息素，其中Q信息數(shù)強度，為常數(shù)。

⑦重復步驟第四步到第六步，一直到滿足誤差要求為止，得到K個聚類數(shù)和聚類中心，則蟻群聚類算法優(yōu)化結(jié)束。

（2）將得到的聚類中心當作RBF神經(jīng)網(wǎng)絡(luò)隱層單元的中心值，通過裁剪方法來簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。具體操作步驟如下：

（3）蟻群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)實現(xiàn)步驟：

①利用蟻群聚類算法對輸入樣本進行聚類，將得到的聚類中心作為RBF神經(jīng)網(wǎng)絡(luò)隱層單元的中心值；

②用偽逆算法調(diào)整隱層到輸出層權(quán)值；

③計算每個隱層單元的輸出，并對輸出進行規(guī)范化，比較每個隱層單元占網(wǎng)絡(luò)輸出的貢獻大??；

④用裁減的方法簡化網(wǎng)絡(luò)結(jié)構(gòu)。

基于蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的WSNs節(jié)點故障診斷流程圖如圖3所示。

圖3 蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)故障診斷流程圖

4 仿真實驗及結(jié)果分析

為了驗證本文提出基于蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)算法的物聯(lián)網(wǎng)感知層節(jié)點故障診斷研究，本文從以下兩個方面進行故障測試：節(jié)點硬件模塊故障和節(jié)點故障率對故障診斷精度的影響。

4.1 節(jié)點硬件模塊故障診斷

現(xiàn)對圖1給出的無線傳感器網(wǎng)絡(luò)偵測區(qū)域中人和車采用用紅外傳感器和磁性傳感器進行監(jiān)測，采集到的數(shù)據(jù)發(fā)送到匯聚中心Sink，WSNs中的MAC層采用競爭的方式享用通信信道，在偵測區(qū)域中對所有感知節(jié)點進行故障診斷。首先假設(shè)在監(jiān)測區(qū)域偵測過程中所有節(jié)點都是正常的。一般的WSNs節(jié)點由供電模塊、控制模塊、無線通信模塊和存儲模塊以及傳感器模塊構(gòu)成，這些模塊在惡劣的工作環(huán)境中都會受到不同程度的破壞，假定各個模塊故障率固定不變，會產(chǎn)出電源故障、控制模塊故障、通信模塊故障以及存儲模塊故障。由于無線傳感器網(wǎng)絡(luò)中感知節(jié)點每一種故障都伴隨著其它故障征兆，一種故障征兆有時也可能對應(yīng)著好幾種故障類型，因此，本文從節(jié)點組成的模塊角度，建立表1所示的WSNs感知節(jié)點故障征兆類型及對應(yīng)的屬性值，部分經(jīng)驗故障征兆樣本數(shù)據(jù)如表2所示。

表1 傳感器節(jié)點故障征兆及屬性值

表2 感知節(jié)點故障診斷經(jīng)驗征兆樣本

從表1中可以看出，感知節(jié)點故障征兆具有多樣性和相關(guān)特性。表2中數(shù)據(jù)可以看出感知節(jié)點故障征兆得出節(jié)點模塊故障類型的診斷決策結(jié)果具有不確定性和模糊性，節(jié)點故障診斷正確率不高。而RBF神經(jīng)網(wǎng)絡(luò)雖然自學習能力較強、魯棒性和抗干擾能力較好，但它不能確定測試樣本數(shù)據(jù)中哪些是冗余的，因此本文提出的基于蟻群聚類優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的WSNs節(jié)點故障診斷研究。利用蟻群算法并行尋優(yōu)特性和自適應(yīng)搜索揮發(fā)系數(shù)更改信息素，使算法全局搜索能力達到最優(yōu)增強網(wǎng)絡(luò)的魯棒性和加快收斂性。

將表2中的故障征兆樣本數(shù)據(jù)作為經(jīng)驗數(shù)據(jù)，采用文中故障診斷方法對300組測試數(shù)據(jù)進行故障診斷，基于蟻群聚類算法的RBF神經(jīng)網(wǎng)絡(luò)各參數(shù)根據(jù)經(jīng)驗值及補償精度要求設(shè)置如下：聚類半徑r=0.5，運行誤差值ε0=0.005，隱含層輸出δ=10-5，相對誤差e= 0.01，信息素揮發(fā)系數(shù)ρmin=0.3，信息素強度Q=10，參考概率p0=0.6，蟻群數(shù)量M=50。RBF神經(jīng)網(wǎng)絡(luò)的隱層單元中心點個數(shù)取m=5，算法停止精度設(shè)為10-5。迭代次數(shù)最大值T=200，節(jié)點故障診斷精度結(jié)果如表3所示。

表3 節(jié)點故障診斷測試數(shù)據(jù)精度判斷

圖4 為文獻［11-13］提出故障診斷算法與本文的故障診斷算法精度對比。

圖4 四種算法硬件模塊故障診斷精度

從表3故障診斷精度來看，本文提出的WSNs節(jié)點故障診斷算法能較為準確的對節(jié)點故障進行診斷，診斷效果不錯，誤差較小。從圖4的四種節(jié)點故障診斷算法來看，本文提出的算法故障診斷精度為93.3%，而采用文獻［11-13］WSNs節(jié)點故障診斷方法對同樣表2里的測試數(shù)據(jù)進行故障診斷，得到的故障診斷精度分別為84.7%、89.1%和87.6%，分別較文中方法低8.6%、4.2%和5.7%，本文的方法具有較高診斷精度。

4.2 故障率對故障診斷精度的影響

通過仿真軟件Matlab對感知區(qū)域無線傳感器網(wǎng)絡(luò)的感知節(jié)點故障診斷算法進行仿真測試，對其結(jié)果進行分析，分析節(jié)點在不同故障率下，網(wǎng)絡(luò)故障診斷精度（Correct Detection Rate，CDR）和虛警率（False Alarm Rate，F(xiàn)AR）的變化以及算法需要的平均能耗。

仿真實驗場景搭建中，將100個感知節(jié)點隨機部署在100×100的區(qū)域中，所有感知節(jié)點通信距離都設(shè)置為50m，分別模擬物聯(lián)網(wǎng)感知層無線傳感器網(wǎng)絡(luò)節(jié)點故障率在0.05～0.30時的故障診斷情況。為了說明本文算法的性能，與文獻［5］中的分布式故障診斷算法（Distributed Fault Detection，DFD）、RBF神經(jīng)網(wǎng)絡(luò)算法以及文獻［11］中的VPRS-RBF故障診斷算法進行對比，四種算法故障診斷精度如圖5所示。同時給出了不同節(jié)點故障率情形下的網(wǎng)絡(luò)故障診斷虛警率對比，如圖6所示。

圖5 四種算法的故障診斷精度對比

圖6 四種算法的故障診斷虛警率對比

圖5 和圖6反映了物聯(lián)網(wǎng)感知層無線傳感器網(wǎng)絡(luò)在故障率變化情形下的網(wǎng)絡(luò)故障診斷診斷精度和虛警率。從圖5中看出，隨著故障率的升高，四種算法的故障診斷精度都隨之升高，但是DFD算法上升幅度最大，RBF神經(jīng)網(wǎng)絡(luò)故障診斷精度上升也較大，VPRSRBF故障診斷精度次之，本文提出的故障診斷算法上升最小，故障診斷正確率也最高，比DFD算法高出25%。相同地，故障診斷的虛警率也是如此，隨著節(jié)點平均故障率的升高，DFD算法的虛警率上升幅度也最大，RBF神經(jīng)網(wǎng)絡(luò)故障診斷虛警率上升也較大，VPRSRBF故障診斷虛警率次之，本文提出的故障診斷虛警率上升最小?？梢钥闯霰疚奶岢龅乃惴軌蛴行У貙ξ锫?lián)網(wǎng)感知層無線傳感器網(wǎng)絡(luò)節(jié)點故障進行準確地診斷。

同時為了說明本文算法的優(yōu)越性，根據(jù)節(jié)點特性、監(jiān)測區(qū)域大小及無線網(wǎng)絡(luò)節(jié)點發(fā)送/接收能耗的不同，對四種節(jié)點故障診斷算法的平均能耗進行了對比。四種算法平均能耗對比具體如圖7所示。

圖7 四種算法平均能耗對比

從圖7中四種算法的平均能耗走勢可以看出，仿真初始，網(wǎng)絡(luò)組網(wǎng)通信時能耗都相對較高，當網(wǎng)絡(luò)平穩(wěn)后，隨著仿真時間的增加，DFD算法的平均能耗都非常高，RBF神經(jīng)網(wǎng)絡(luò)算法平均能耗較高，VPRS-RBF算法平均能耗較小，本文提出的故障診斷方法能耗也相對較小?？梢钥闯觯疚奶岢龅乃惴ü收显\斷所需的平均能耗也最小。

5 結(jié)論

WSNs感知節(jié)點故障診斷問題是物聯(lián)網(wǎng)感知層一個非常重要的問題，由于無線傳感器網(wǎng)絡(luò)自身的特殊性，必須采取合適的故障診斷算法。本文從節(jié)點硬件模塊故障和節(jié)點故障率對故障診斷精度的影響兩個方面進行研究，提出基于蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的WSNs節(jié)點故障診斷方法。將改進的蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)位置，從而實現(xiàn)WSNs節(jié)點故障診斷研究。通過仿真實驗結(jié)果表明，基于蟻群聚類優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的WSNs節(jié)點故障診斷方法能準確實現(xiàn)感知節(jié)點的故障診斷，與其它方法相比具有更高的診斷精度。

［1］梁小蹺，韋崇崗.基于人工蜂群算法的物聯(lián)網(wǎng)數(shù)據(jù)融合技術(shù)研究［J］.組合機床與自動化加工技術(shù)，2013（5）：5-8.

［2］祝志威，蔡樂才.基于無線傳感器網(wǎng)絡(luò)的大棚溫度采集存儲系統(tǒng)［J］.四川理工學院學報（自然科學版），2011，24（4）：477-479.

［3］楊維劍，王梅英.無線網(wǎng)絡(luò)傳感器中超低功耗節(jié)點能源技術(shù)研究［J］.四川理工學院學報（自然科學版），2010，23（1）：44-47.

［4］曹莉，曾黃膦，樂英高.基于ZigBee和MSP430無線溫度控制系統(tǒng)設(shè)計［J］.四川理工學院學報（自然科學版），2012，25（1）：52-55.

［5］蔣鵬.一種改進的DFD無線傳感器網(wǎng)絡(luò)節(jié)點故障診斷算法研究［J］.傳感技術(shù)學報，2008，21（8）：1417-1421.

［6］余成波，李芮，何強，等.基于粒子群算法及高斯分布的WSN節(jié)點故障診斷［J］.振動、測試與診斷，2013，33（1）：149-152.

［7］周晏，尚鵬.基于人工魚群聚類的傳感器節(jié)點故障診斷［J］.計算機測量與控制，2013，21（5）：1183-1185.

［8］毛樂琦.基于隱馬爾科夫模型的無線傳感網(wǎng)節(jié)點故障診斷算法［J］.計算機應(yīng)用與軟件，2014，31（1）：132-135.

［9］張海燕，唐建芳.基于RBF神經(jīng)網(wǎng)絡(luò)的語音情感識別［J］.四川理工學院學報（自然科學版），2011，24（5）：552-555.

［10］胡海霞，王璐，王茂芝.基于RBF神經(jīng)網(wǎng)絡(luò)的圖像特征處理［J］.四川理工學院學報（自然科學版），2009，22（6）：80-83.

［11］謝迎新，陳祥光，余向明，等.基于VPRS和RBF神經(jīng)網(wǎng)絡(luò)的WSN節(jié)點故障診斷［J］.北京理工大學學報，2010，30（7）：807-811.

［12］雷霖，代傳龍，王厚軍.基于Rough Set理論的無線傳感器網(wǎng)絡(luò)節(jié)點故障診斷［J］.北京郵電大學學報，2007，30（4）：69-73.

［13］潘佳梁，葉蹺慧，王紅霞.基于粗糙集理論和貝葉斯決策的WSN節(jié)點的故障診斷［J］.傳感技術(shù)學報，2009，22（5）：734-738.

（編輯 李秀敏）

Research on Sensor Node Fault Diagnosis of Internet of Things Perception Layer

LIANG Xiao-xiao1a，CAO Li1b，WEI Chong-gan1b，YUE Ying-gao2
（1a.School of Computer Science；1b.School of Automation and Electronic Information，Sichuan University of Science and Engineering，Zigong Sichuan 643000，China；2.School of Instrument Science and Engineering，Southeast University，Nanjing 210096，China）

In view of Internet of Things networking perception layer node fault diagnosis problem，this article put forward to WSNs node fault diagnosis method of optimize the RBF neural network based on Ant Colony ClusteringAlgorithm，from the node hardware module failure and node failure rate influence on the accuracy of fault diagnosis of the two aspects in the WSNs node fault diagnosis.The improved ant colony optimization RBF neural network of initial weights is applied to the fault diagnosis of the WSNs node.Parallel optimization characteristics of ant colony algorithm and adaptive adjustment coefficient of volatile characteristics as the clustering algorithm to determine the initial weights of RBF neural network，at the same time adopt crop reduction RBF neural network hidden layer，optimize network structure.Through the experimental results show that the optimization of RBF neural network based on Ant Colony ClusteringAlgorithm of WSNs node fault diagnosis method can accurately achieve perception of fault diagnosis，compared with other method has higher diagnosis accuracy.

internet of things；node fault diagnosis；RBF neural network

TH165+.3；TG65

A

1001-2265（2015）03-0062-05 DOI：10.13462/j.cnki.mmtamt.2015.03.017

2014-06-13；

2014-07-22

企業(yè)信息化與物聯(lián)網(wǎng)測控技術(shù)四川省高校重點實驗室項目（2013WYJ03、2014WYJ04）

梁小蹺（1978—），女，四川自貢人，四川理工學院副教授，碩士，主要從事計算機應(yīng)用技術(shù)研究，（E-mail）yueyinggao2006@163.com。