分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障預(yù)測(cè)方法

路萍,　鄭偉

(1.中煤科工集團(tuán)重慶研究院有限公司， 重慶　400039；2.重慶大學(xué) 光電工程學(xué)院， 重慶　400044)

?

分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障預(yù)測(cè)方法

路萍1,鄭偉2

(1.中煤科工集團(tuán)重慶研究院有限公司， 重慶400039；2.重慶大學(xué) 光電工程學(xué)院， 重慶400044)

針對(duì)分布式傳感器網(wǎng)絡(luò)很難采用一種通用方法來實(shí)現(xiàn)算法簡(jiǎn)單的故障預(yù)測(cè)問題，提出了一種基于知識(shí)發(fā)現(xiàn)的故障預(yù)測(cè)方法。該方法首先建立了時(shí)間信息的數(shù)學(xué)描述系統(tǒng)，以實(shí)現(xiàn)基于因果指數(shù)的知識(shí)發(fā)現(xiàn)；然后，利用因果關(guān)系的知識(shí)推理機(jī)制，實(shí)現(xiàn)分布式傳感器網(wǎng)絡(luò)系統(tǒng)的故障預(yù)測(cè)。通過對(duì)瓦斯抽放監(jiān)控系統(tǒng)的故障預(yù)測(cè)實(shí)驗(yàn)，證明該方法能準(zhǔn)確預(yù)測(cè)分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障，具有算法簡(jiǎn)單、實(shí)用高效的優(yōu)點(diǎn)。

瓦斯抽放監(jiān)測(cè); 分布式傳感器網(wǎng)絡(luò); 故障預(yù)測(cè)； 知識(shí)發(fā)現(xiàn)

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160429.1122.008.html

0　引言

在煤礦瓦斯抽放監(jiān)控系統(tǒng)中，需要利用傳感器監(jiān)測(cè)井下瓦斯抽放情況，包括管道的流量、溫度、壓力、甲烷濃度及環(huán)境甲烷濃度等參數(shù)。這些傳感器分布在不同的監(jiān)測(cè)地點(diǎn)，通常通過這些傳感器節(jié)點(diǎn)采集的數(shù)據(jù)來監(jiān)測(cè)和預(yù)測(cè)系統(tǒng)故障[1]。目前，煤礦瓦斯抽放監(jiān)控領(lǐng)域仍有一些特殊的問題亟待解決，對(duì)分布式傳感器網(wǎng)絡(luò)系統(tǒng)的故障預(yù)測(cè)技術(shù)提出了很大挑戰(zhàn)。首先，分布式傳感網(wǎng)絡(luò)由若干傳感器節(jié)點(diǎn)組成，這些傳感器通過相互協(xié)作去監(jiān)測(cè)不同參數(shù)，這些參數(shù)通常具有隨時(shí)間和空間不斷變化的特點(diǎn)[2]，由于傳感器節(jié)點(diǎn)和監(jiān)測(cè)參數(shù)的個(gè)體差異，系統(tǒng)故障分析變得非常困難。第二，每個(gè)傳感器節(jié)點(diǎn)捕獲到數(shù)據(jù)后組成一個(gè)時(shí)間序列，代表了感測(cè)物理變量在空間和時(shí)間上的演變趨勢(shì)[3]，由于傳感器損壞或環(huán)境變化，實(shí)現(xiàn)對(duì)不同時(shí)空數(shù)學(xué)模型的監(jiān)測(cè)過程非常困難[4]。第三，分布式傳感器網(wǎng)絡(luò)通常由體積小巧、價(jià)格便宜的智能傳感器節(jié)點(diǎn)組成，這些傳感器節(jié)點(diǎn)只能夠感知環(huán)境參數(shù)，處理簡(jiǎn)單的任務(wù)[5]。目前，系統(tǒng)故障預(yù)測(cè)方法主要有如下幾種：① 基于模型的故障預(yù)測(cè)方法，如參考文獻(xiàn)[6]采用基于灰色系統(tǒng)模型的預(yù)測(cè)系統(tǒng)，常用于數(shù)據(jù)少以及不確定性背景下處理數(shù)據(jù)并預(yù)測(cè)事物發(fā)展趨勢(shì)，但該方法在應(yīng)用上需要獲取對(duì)象系統(tǒng)的精確數(shù)學(xué)模型，一旦模型不準(zhǔn)確，預(yù)測(cè)偏差就較大；② 基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法，如參考文獻(xiàn)[7]采用小波神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，建立了開關(guān)磁阻發(fā)電機(jī)系統(tǒng)故障預(yù)測(cè)模型，該方法不需要對(duì)象系統(tǒng)的先驗(yàn)知識(shí)，但需要大量樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，有時(shí)候存在收斂速度慢等問題；③ 基于概率統(tǒng)計(jì)的故障預(yù)測(cè)方法，如參考文獻(xiàn)[8]針對(duì)復(fù)雜武器測(cè)試系統(tǒng)，將預(yù)測(cè)對(duì)象歷史數(shù)據(jù)排列構(gòu)成一個(gè)隨時(shí)間變化的統(tǒng)計(jì)序列，建立時(shí)間序列預(yù)測(cè)模型，該方法根據(jù)故障歷史數(shù)據(jù)的統(tǒng)計(jì)特性進(jìn)行故障預(yù)測(cè)，理論上不能保證預(yù)測(cè)結(jié)果的精度[9]。目前適用于多參量分布式傳感系統(tǒng)的故障預(yù)測(cè)手段還相對(duì)缺乏，尤其傳統(tǒng)算法時(shí)空復(fù)雜度高，多參量背景下的模型建立困難。針對(duì)上述問題，本文結(jié)合因果關(guān)系模型以及時(shí)序統(tǒng)計(jì)手段，提出了一種基于因果知識(shí)發(fā)現(xiàn)的分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障預(yù)測(cè)方法，該方法具有算法簡(jiǎn)單、實(shí)用高效的優(yōu)點(diǎn)，為實(shí)現(xiàn)分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障預(yù)測(cè)提供了一種新的技術(shù)思路。

1　因果信息描述系統(tǒng)

原因和結(jié)果是揭示客觀世界中普遍聯(lián)系著的事物具有先后相繼、彼此制約的一對(duì)范疇。 本文借鑒了參考文獻(xiàn)[10]對(duì)因果關(guān)系信息系統(tǒng)的描述。

定義1因果信息系統(tǒng)定義為

(1)式中：T為時(shí)間集，T={t1,t2,…,tk}；C∪R=D，為事件集,C為原因事件集，C={C1,C2,…,Cm}；R為結(jié)果事件集，R={R1,R2,…,Rn}；V為事件狀態(tài)集合， V={發(fā)生態(tài)，結(jié)束態(tài)，延續(xù)態(tài)，消失態(tài)}；f為一個(gè)信息函數(shù)，f:TXD→V，它指定T中每一時(shí)域元素t所在位置的事件狀態(tài)。

定義2當(dāng)時(shí)間集T表示事件集D時(shí)，T|D=[TB, TE]，TB為事件集D的開始時(shí)間集，TE為事件集D的結(jié)束時(shí)間集。

定義3?T|C,T|R,Ci(i=1,2,…，m)為行向量,Rj(j=1,2,…，n)為列向量。 建立二維矩陣σm×n。σij反映了Ci和Rj的因果關(guān)系強(qiáng)度，稱其為因果度。

本文對(duì)參考文獻(xiàn)[10]中的因果度σij的計(jì)算公式統(tǒng)一進(jìn)行了量綱改進(jìn)，定義如下： ?T|Ci=[tp,tq], ?T|Rj=[tg,th]。

(2)

式中：tp為原因事件Ci的開始時(shí)間；tq為原因事件Ci的結(jié)束時(shí)間；tg為結(jié)果事件Rj的開始時(shí)間；th為結(jié)果事件Rj的結(jié)束時(shí)間；k1為瞬態(tài)影響系數(shù)，k1>0；k2為累積影響系數(shù),k2≤1。

式(2)實(shí)現(xiàn)了對(duì)因果關(guān)系強(qiáng)度的定量計(jì)算，對(duì)原因事件Ci和結(jié)果事件Rj而言，它們之間的因果度值越高，意味著兩者之間內(nèi)在關(guān)聯(lián)性越強(qiáng)。

2　因果關(guān)系知識(shí)推理

為實(shí)現(xiàn)系統(tǒng)的故障預(yù)測(cè)，即實(shí)現(xiàn)從原因事件推測(cè)可能發(fā)生的結(jié)果事件，定義了影響度指標(biāo)來評(píng)估因果知識(shí)。

定義4?Ci∈C(i=1,2,…,m), 原因事件Ci在結(jié)果事件集R中有不同的影響度。相對(duì)于Rj，Ci的影響程度稱作IMPj(Ci)， IMPj(Ci)可通過如下公式計(jì)算：

(3)

式中WI(Ci,Rj) 為Ci和Rj的連接強(qiáng)度，用來表述概率的增強(qiáng)度。

通過計(jì)算IMPj(Ci)，再將結(jié)果按降序排列，可以預(yù)見，上述影響度計(jì)算值越大，表示原因事件Ci有更大的可能性導(dǎo)致產(chǎn)生結(jié)果事件Rj。上述知識(shí)推理可以實(shí)現(xiàn)從原因事件去推測(cè)結(jié)果事件，由此實(shí)現(xiàn)系統(tǒng)故障預(yù)測(cè)。

3　基于知識(shí)發(fā)現(xiàn)的故障預(yù)測(cè)方法應(yīng)用步驟

依據(jù)基于知識(shí)發(fā)現(xiàn)的故障預(yù)測(cè)方法，分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障預(yù)測(cè)步驟如下：

(1) 將原因集和結(jié)果集的時(shí)間信息矩陣化。

(2) 按式(2)計(jì)算因果度σij。

(3) 設(shè)置WI(Ci,Rj)，將步驟(2)因果度計(jì)算結(jié)果代入式(2)，計(jì)算影響度指標(biāo)IMPj(Ci)。

(4) 將IMPj(Ci)計(jì)算結(jié)果按降序排列。

(5) 預(yù)測(cè)規(guī)則：按IMPj(Ci)從大到小排列，原因事件Ci最可能導(dǎo)致發(fā)生的是IMPj(Ci)值最大的結(jié)果事件Rj，導(dǎo)致其他結(jié)果事件的可能性按降序遞推。

4　仿真實(shí)驗(yàn)與分析

4.1系統(tǒng)描述

實(shí)際工程中，瓦斯抽放監(jiān)控系統(tǒng)包含對(duì)壓力、濃度、流量、溫度等參數(shù)的監(jiān)測(cè)，各種參數(shù)可達(dá)幾十種之多。為方便說明，將瓦斯抽放監(jiān)控系統(tǒng)的參數(shù)監(jiān)測(cè)簡(jiǎn)化為4路壓力監(jiān)測(cè)、3路濃度監(jiān)測(cè)、3路流量監(jiān)測(cè)、2路溫度監(jiān)測(cè)，各路監(jiān)測(cè)組建為一個(gè)分布式傳感器網(wǎng)絡(luò)。 系統(tǒng)故障監(jiān)測(cè)對(duì)象包括抽放泵故障、管道泄漏、電能損耗，如圖1所示。傳感器節(jié)點(diǎn)實(shí)時(shí)捕獲傳感器信號(hào)的變化情況并匯報(bào)給通信監(jiān)測(cè)計(jì)算機(jī)，每一個(gè)節(jié)點(diǎn)都是一個(gè)具有時(shí)間記錄能力的傳感器單元。具有高速處理能力的通信監(jiān)測(cè)計(jì)算機(jī)記錄異常信號(hào)的發(fā)生和結(jié)束時(shí)間以及系統(tǒng)故障狀態(tài)的開始和結(jié)束時(shí)間，完成信息融合任務(wù)。

圖1　簡(jiǎn)化的瓦斯抽放監(jiān)控系統(tǒng)

4.2時(shí)間信息矩陣化

傳感器信息作為原因事件集C={C1,C2，…,Cm}，系統(tǒng)狀態(tài)的輸出作為結(jié)果事件集R={R1,R2，…,Rn}。通過模擬傳感器節(jié)點(diǎn)的故障，獲得時(shí)間信息表(表1)。其中監(jiān)測(cè)參數(shù)有管道壓力、電動(dòng)機(jī)溫度、瓦斯?jié)舛?、管道流量等，錯(cuò)誤1、2、3分別為抽放泵故障、管道泄漏和電能損耗故障。

表1　實(shí)驗(yàn)獲得的時(shí)間信息

按第3節(jié)所述步驟，將時(shí)間信息表述為矩陣形式：

對(duì)于式(2)設(shè)置k1=k2=1，計(jì)算出σij(i=1,2,…，12,j=1,2,3)的值。因果關(guān)系指數(shù)值的三維曲面如圖2所示。

圖2　因果關(guān)系指數(shù)值的三維曲面

峰值表示強(qiáng)的因果關(guān)系，谷值表示弱的因果關(guān)系，由此實(shí)現(xiàn)因果關(guān)系分布的定量描述。

4.3系統(tǒng)故障預(yù)測(cè)

影響力連接強(qiáng)度設(shè)為WI(Ci,Rj)=1/3，使用式(2)計(jì)算IMPj(Ci)(j=1,2,3)的結(jié)果，如圖3所示。對(duì)傳感器節(jié)點(diǎn)C1(對(duì)應(yīng)監(jiān)測(cè)管道壓力1)，影響度指數(shù)為IMP1(C1)，IMP2(C1)和IMP3(C1)。按降序排列：IMP3(C1)>IMP1(C1)>IMP2(C1)。上述關(guān)系表示C1對(duì)R3,C1對(duì)R1以及C1對(duì)R2的影響度。R3是最有可能的結(jié)果事件(針對(duì)C1而言)，即在C1這一原因事件發(fā)生條件下，最有可能發(fā)生的系統(tǒng)故障預(yù)測(cè)為故障3。由C1產(chǎn)生的其他可能的故障分別預(yù)測(cè)為系統(tǒng)故障1和故障2。

在瓦斯抽放監(jiān)控系統(tǒng)中，采用編碼器采集閥門開度，根據(jù)管道壓力和管道流量反饋控制閥門開度。實(shí)驗(yàn)過程中，調(diào)節(jié)減小C1監(jiān)測(cè)管道的閥門開度，引起抽放管道內(nèi)管道壓力減小，負(fù)壓增大，管道內(nèi)壓損變大，這種情況下，電能產(chǎn)生損耗。由此驗(yàn)證了管道壓力C1是對(duì)應(yīng)故障3,即電能損耗故障，與根據(jù)本文提出的方法，建立影響度排序，推理出的結(jié)論一致。

圖3　影響度指數(shù)

類似地，分別計(jì)算其他Ci(i=2,3,…,12)中R1,R2以及R3的影響度，并按降序排列。具有較大影響度指數(shù)的事件Rj有更多的可能性是事件Ci的結(jié)果事件。將上述過程進(jìn)行多次訓(xùn)練使系統(tǒng)學(xué)習(xí)到因果規(guī)則。此后，如果一個(gè)原因事件發(fā)生，系統(tǒng)將根據(jù)因果關(guān)系的知識(shí)評(píng)估機(jī)制來預(yù)測(cè)可能的結(jié)果事件。

5　結(jié)語

分布式傳感器網(wǎng)絡(luò)包含各種類型的傳感器，目前很難通過建立一個(gè)通用方法來實(shí)現(xiàn)算法簡(jiǎn)單的故障預(yù)測(cè)，為此，提出了一種基于知識(shí)發(fā)現(xiàn)的故障預(yù)測(cè)方法，該方法包含因果度和影響度指數(shù)。因果度表明原因和結(jié)果事件的因果關(guān)系強(qiáng)度，可實(shí)現(xiàn)分布式系統(tǒng)各信號(hào)參量潛在的因果關(guān)系發(fā)現(xiàn)。影響度表明一個(gè)原因事件對(duì)結(jié)果事件的影響程度，將其統(tǒng)計(jì)排序可用于系統(tǒng)故障預(yù)測(cè)。由于該方法的使用只需要監(jiān)測(cè)各傳感器及系統(tǒng)故障發(fā)生的時(shí)間起止點(diǎn)，不需要建立規(guī)格各異的各傳感器監(jiān)測(cè)模型，也不需要了解各參量監(jiān)測(cè)的具體物理背景，是一種對(duì)時(shí)態(tài)數(shù)據(jù)的知識(shí)挖掘手段，具有算法簡(jiǎn)單、實(shí)用高效的優(yōu)點(diǎn)。以瓦斯抽放監(jiān)控系統(tǒng)為例的分布式傳感器系統(tǒng)故障預(yù)測(cè)實(shí)驗(yàn)，通過對(duì)因果度和影響度的簡(jiǎn)單計(jì)算及排序，可以依據(jù)探測(cè)到的傳感器故障，根據(jù)訓(xùn)練好的規(guī)則迅速預(yù)測(cè)可能導(dǎo)致的系統(tǒng)故障。實(shí)驗(yàn)結(jié)果論證了本文方法的適用性。

[1]LEE M H, CHOI Y H. Fault detection of wireless sensor networks[J].Computer Communications,2008,31(14):3469-3475.

[2]CHATZIGIANNAKIS V, PAPAVASSILIOU S. Dignosing anomalies and identifying faulty nodes in sensor networks[J]. IEEE Sensors Journal, 2007,7(5):637-645.

[3]BORGNE Y A L, SANTINI S, BONTEMPI G. Adaptive model selection for time series prediction in wireless sensor networks[J]. Signal Processing,2007,87(12):3010-3020.

[4]KULLAA J. Distinguishing between sensor fault, structural damage, and environmental or operational effects in structural health monitoring[J]. Mechanical Systems & Signal Processing,2011,25(8):2976-2989.

[5]ZHENG W, LI Y, QIAN X,etal. An ultrasonic omni-directional sensor device for coverage structural deformation monitoring[J]. Measurement Science & Technology,2014,25(3):295-298.

[6]黃大榮,黃麗芬.灰色系統(tǒng)理論在故障預(yù)測(cè)中的應(yīng)用現(xiàn)狀及其發(fā)展趨勢(shì)[J].火炮發(fā)射與控制學(xué)報(bào),2009(3):88-92.

[7]李寧,雷洪利,韓建定,等. 基于小波神經(jīng)網(wǎng)絡(luò)的開關(guān)磁阻發(fā)電機(jī)故障預(yù)測(cè)模型研究[J]. 計(jì)算機(jī)測(cè)量與控制,2011,19(8):1835-1837.

[8]胡澤文,肖明清.基于時(shí)間序列模型的故障預(yù)測(cè)研究[J].計(jì)算機(jī)測(cè)量與控制,2013,21(6):1421-1423.

[9]馬碩,焦現(xiàn)煒,田柯文，等.故障預(yù)測(cè)技術(shù)發(fā)展與分類[J].四川兵工學(xué)報(bào),2013,34(2): 92-95.

[10]鄭偉,孟曉風(fēng),孫群.基于時(shí)事折換圖的因果知識(shí)量化分析方法[J].計(jì)算機(jī)應(yīng)用,2007,27(10):2481-2483.

Fault prediction method of distributed sensor networks system

LU Ping1,ZHENG Wei2

(1.CCTEG Chongqing Research Institute, Chongqing 400039, China; 2.College of Optoelectronic Engineering, Chongqing University, Chongqing 400044, China)

It is difficult to use a general method to implement fault prediction of distributed sensor networks, a kind of fault prediction method based on knowledge discovery was put forward. Firstly, the method establishes mathematical description system of time information, in order to realize the knowledge discovery based on causal index; then, the method uses knowledge reasoning mechanism of causality relationship to realize fault prediction of distributed sensor networks system. A fault prediction experiment of gas drainage monitoring system was carried out, the experiment results prove that the method can accurately predict fault of distributed sensor networks system, and has advantages of simple algorithm, utility and high-efficiency.

gas drainage monitoring; distributed sensor networks; fault prediction; knowledge discovery

1671-251X(2016)05-0032-04

10.13272/j.issn.1671-251x.2016.05.008

2015-12-08；

2016-01-21；責(zé)任編輯：張強(qiáng)。

重慶市科技計(jì)劃項(xiàng)目基礎(chǔ)與前沿研究計(jì)劃項(xiàng)目(cstc2015jcyjA40008)。

路萍(1978-)，女，山東濟(jì)寧人，助理研究員，碩士，現(xiàn)主要從事傳感器開發(fā)與故障檢測(cè)方面的研究工作，E-mail:weblp@sohu.com。

TD712

A網(wǎng)絡(luò)出版時(shí)間：2016-04-29 11:22

路萍,鄭偉.分布式傳感器網(wǎng)絡(luò)系統(tǒng)故障預(yù)測(cè)方法[J].工礦自動(dòng)化，2016,42(5)：32-35.