無線火災(zāi)傳感網(wǎng)絡(luò)故障診斷在工業(yè)建筑的應(yīng)用

鄧懿心 宋玉階

(武漢科技大學(xué)信息科學(xué)與工程學(xué)院 武漢 430081)

?

無線火災(zāi)傳感網(wǎng)絡(luò)故障診斷在工業(yè)建筑的應(yīng)用

鄧懿心 宋玉階

(武漢科技大學(xué)信息科學(xué)與工程學(xué)院 武漢 430081)

本文使用粗糙集中一種改進的基于差別矩陣和屬性選擇的屬性約簡算法，對故障樣本數(shù)據(jù)進行約簡，得到最小約簡集，結(jié)合使用新舊版本的BP神經(jīng)網(wǎng)絡(luò)，對工業(yè)建筑節(jié)點故障進行檢測，仿真實驗結(jié)果得到采用RS-new BP神經(jīng)網(wǎng)絡(luò)比old BP神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)減少了61次，正確率提高了7.11%。

節(jié)點故障診斷 屬性約簡 RS-new BP神經(jīng)網(wǎng)絡(luò)

0 引言

近年來，工業(yè)火災(zāi)成為火災(zāi)發(fā)展的新動向。由于工業(yè)建筑內(nèi)部復(fù)雜，火災(zāi)形式具有多樣性，火情發(fā)展速度很快，特殊工業(yè)建筑內(nèi)還會有爆炸的危險，這些特點決定了工業(yè)建筑火災(zāi)撲救難度大，造成的損失也大，因此采用科學(xué)有效的方法預(yù)防火災(zāi)發(fā)生顯得至關(guān)重要。傳統(tǒng)的有線火災(zāi)自動報警技術(shù)布線復(fù)雜、安裝繁瑣、維修困難，很多時候不適合工業(yè)建筑火災(zāi)預(yù)警，特別是《建筑設(shè)計防火規(guī)范》(GB 50016—2014)的頒布實施，對工業(yè)建筑防火設(shè)計有了更高的要求。而隨著無線網(wǎng)絡(luò)通信技術(shù)的快速發(fā)展，將火災(zāi)探測技術(shù)和無線通信網(wǎng)絡(luò)相結(jié)合，構(gòu)成無線傳感網(wǎng)絡(luò)(WSN)[1]，能夠在無線環(huán)境下探測火災(zāi)，實現(xiàn)對工業(yè)建筑火災(zāi)的預(yù)警，保障工業(yè)建筑安全。在WSN中，無線傳感網(wǎng)絡(luò)節(jié)點故障檢測在整個無線網(wǎng)絡(luò)系統(tǒng)中占據(jù)著重要的地位，無線傳感網(wǎng)絡(luò)各個節(jié)點的能量極為有限，在網(wǎng)絡(luò)中工作的傳感器節(jié)點如果因為能量耗盡則不能進行正常的故障診斷工作，導(dǎo)致工業(yè)建筑安全受到威脅。

為了保障工業(yè)建筑無線火災(zāi)傳感網(wǎng)絡(luò)正常工作，本文通過將粗糙理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來對WSN故障節(jié)點進行診斷，降低了無線網(wǎng)絡(luò)中每個節(jié)點在故障檢測過程中的能量損耗，通過智能方式對工業(yè)建筑中網(wǎng)絡(luò)節(jié)點的故障及時進行診斷和排除，使得各類火災(zāi)探測器能夠正常工作，及時預(yù)警，提高了WSN節(jié)點故障診斷的效率和正確率。

1 粗糙集對工業(yè)建筑WSN故障約簡

在大型工業(yè)建筑中，由于建筑內(nèi)部無線傳感網(wǎng)絡(luò)每個節(jié)點由電池供電，能量十分有限，單獨節(jié)點只有有限的處理和存儲能力，而工業(yè)建筑節(jié)點一般達到幾千個，建筑內(nèi)網(wǎng)絡(luò)運行在動態(tài)變化不可靠的環(huán)境中。在工業(yè)建筑WSN故障診斷的過程中，火災(zāi)預(yù)警無線傳感器的故障類型中有些條件屬性是冗余的，少量簡單數(shù)據(jù)在故障診斷中沒有問題，隨著數(shù)據(jù)增多，如果不去除冗余條件屬性，那么在故障檢測過程中，故障檢測時間會增加，并且要消耗過多能量，運用粗糙集知識能夠處理不完整和模糊的數(shù)據(jù)[2]，將這些不精確，不完整和不確定的粗糙故障信息進行故障信息的約簡[3]，消去WSN故障信息中非必要的信息，僅僅保留真正有用的部分，保證對故障信息的檢測同時消耗較少的能量，讓工業(yè)建筑中的無線傳感器能夠工作在正常狀態(tài)。

在工業(yè)建筑WSN故障信息中任意等價關(guān)系表示一個屬性和用屬性表示的關(guān)系等價類。設(shè)BI=(X,A)為WSN故障診斷知識表達系統(tǒng)，其中X={x1，x2，...，xn}，|X|=n，設(shè)On×n=(cij)n×n為系統(tǒng)的差別函數(shù)，其中cij={a|(a∈A)∧(fa(xi)≠fa(xj))}，?i,j=1,2,…,n。給定一個知識庫K=(U,S)和知識庫中的等價關(guān)系簇，T?S,?G∈T, 如果G是獨立的，并且IND(G)=IND(T),則稱G是T的一個約簡，T的全體約簡為Y(T)。若IND(T-{G})≠IND(T), 則稱G為T中必要的，T中所有必要的知識組成的集合稱為T的核，記為COPE(T)，COPE(T)={a|(a∈T)∧(?cij((cij∈On×n)∧(cij={a}))}。信息系統(tǒng)里的核等于信息系統(tǒng)中差別矩陣每個屬性單元組成的集合。

算法改進實現(xiàn)如下：

(1)計算故障信息中的差別矩陣On×n(BI)。

(2)根據(jù)第一步得到的差別矩陣On×n(BI)計算信息系統(tǒng)BI的核CORE(T)，設(shè)B=CORE(T)。

(3)在算法中，對?a(xi,xj) (i,j=1,2,3,…,n)，如果有a(xi,xj)∩B≠?,則令a(xi,xj)=0。

(4)?a(xi,xj) (i,j=1,2,3,…,n)，如果

a(xi,xj)=0，轉(zhuǎn)到下一步。

(5)統(tǒng)計當前差別矩陣中每個屬性出現(xiàn)的次數(shù)，選出出現(xiàn)次數(shù)最多的那個屬性，加入到集合B中，即B?(B∪a),轉(zhuǎn)到第(3)步。

(6)輸出求得的的屬性約簡B，算法結(jié)束。

通過改進的基于差別矩陣和屬性選擇的屬性約簡算法可以容易地得到信息系統(tǒng)的核和屬性的約簡，保證工業(yè)建筑WSN故障信息的約簡。

2 粗糙神經(jīng)網(wǎng)絡(luò)WSN故障診斷分析

2.1 工業(yè)建筑故障診斷網(wǎng)絡(luò)的確定

工業(yè)建筑故障診斷網(wǎng)絡(luò)結(jié)構(gòu)如下圖1所示，其中x1，x2，…，xn為工業(yè)建筑故障檢測樣本，經(jīng)過粗糙集處理后輸入到BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，簡稱RS-BP。最終輸出結(jié)果對故障類型進行診斷。

圖1 工業(yè)建筑故障診斷網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2 粗糙集和人工神經(jīng)網(wǎng)絡(luò)的結(jié)合

工業(yè)建筑WSN在故障診斷過程中，故障有多樣性和相關(guān)性，而對于各種不同故障進行決策具有不完整和模糊性。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點是具有較強的自組織、容錯和推廣能力，但對于數(shù)據(jù)中信息的重要程度和信息中的冗余信息，人工神經(jīng)網(wǎng)絡(luò)不能夠分辨。粗糙集可以對數(shù)據(jù)進行簡約，區(qū)分出數(shù)據(jù)的重要程度，但是抗干擾能力差，容錯和推廣能力相當軟弱，且只能處理量化數(shù)據(jù)等問題。采用粗糙集和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式[4]，先用粗糙集對數(shù)據(jù)進行預(yù)處理，去除數(shù)據(jù)中冗余信息，簡化人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)通過對處理后的網(wǎng)絡(luò)進行訓(xùn)練，可以有效地檢測出工業(yè)建筑WSN中的故障類型。粗糙神經(jīng)網(wǎng)絡(luò)故障診斷框圖如圖2所示。

圖2 粗糙神經(jīng)網(wǎng)絡(luò)故障診斷框圖

3 工業(yè)建筑WSN故障診斷仿真實驗

3.1 故障診斷系統(tǒng)設(shè)計

某大型工業(yè)建筑基于無線傳感網(wǎng)絡(luò)的火災(zāi)預(yù)警故障診斷系統(tǒng)，建筑有N個區(qū)域，每個區(qū)域采用無線溫濕度火災(zāi)探測傳感器，無線溫濕度傳感器由SHT11型溫濕傳感器和MC13213中央處理器構(gòu)成，傳感器和中央處理器之間的通信，采用的是Chipcon公司的CC1000無線通信芯片，傳感器的節(jié)點由中央處理器、無線通信芯片CC1000、火災(zāi)傳感器、能量模塊4個部分組成。工業(yè)建筑中火災(zāi)預(yù)警WSN采用確定性覆蓋，在傳感器節(jié)點位置已知的情況下對傳感器的故障信息進行檢測。

網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為樹形結(jié)構(gòu)，采用Zigbee協(xié)議棧組織數(shù)據(jù)傳輸網(wǎng)絡(luò)，并將采集到的溫濕度信息通過中心節(jié)點，發(fā)送至檢測服務(wù)器，實現(xiàn)對建筑內(nèi)區(qū)域的監(jiān)控。感知節(jié)點距離檢測的區(qū)域最近，作用是對故障數(shù)據(jù)進行采集，通過無線網(wǎng)絡(luò)傳到匯聚節(jié)點，匯聚節(jié)點根據(jù)設(shè)定程序接受到實際的故障征兆，并診斷感知節(jié)點的故障類型，完成對故障類型的判別。

3.2 故障征兆分類

根據(jù)設(shè)計的工業(yè)建筑火災(zāi)故障診斷預(yù)警系統(tǒng)，結(jié)合WSN節(jié)點在故障檢測的實際應(yīng)用，采集到的數(shù)據(jù)通過無線發(fā)送模塊發(fā)送。在仿真實驗中把WSN的故障類型分為5種，分別是沒有發(fā)生故障，能量不足故障，CC1000故障，MC13213故障和SHT11故障。結(jié)合粗糙集知識，建立無線火災(zāi)傳感器節(jié)點故障診斷知識系統(tǒng)，K=(T,C)，C=W∪V，知識系統(tǒng)的2個屬性子集分別是W和V，條件屬性是W，結(jié)果屬性是V，論域為T，把WSN故障檢測節(jié)點反饋的各種不同信息作為故障征兆，故障征兆的屬性值設(shè)為1和0(1代表故障發(fā)生；0代表系統(tǒng)運行正常，沒有發(fā)生故障)。wi和vi分別表示條件屬性和結(jié)果屬性的子集，即{wi}?W,{vi}?V,其中i=1,2,…,n。

工業(yè)建筑WSN故障類型和征兆列于表1 。工業(yè)建筑WSN節(jié)點故障檢測決策表如表2所示。

表1 工業(yè)建筑WSN故障類型和征兆

注：w1為測試節(jié)點是否周期循環(huán)傳輸數(shù)據(jù)；w2為匯聚節(jié)點是否收到測試節(jié)點發(fā)送的數(shù)據(jù)信息；w3為測試節(jié)點是否能中斷循環(huán)發(fā)送警報命令；w4為測試節(jié)點是否能進行通訊；w5為測試節(jié)點的參數(shù)是否超過正常設(shè)定的閥值；w6為發(fā)射頻率改變后，測試節(jié)點對發(fā)出的詢問命令是否有響應(yīng)；w7為檢測節(jié)點發(fā)出的數(shù)據(jù)是否有誤碼產(chǎn)生；w8為檢測節(jié)點的溫度值是否異于正常值；w9為檢測節(jié)點的濕度值是否異于正常值。

表2 工業(yè)建筑WSN節(jié)點故障檢測決策表

由于表1中5種故障類型對應(yīng)的故障征兆相互之間有重疊，通過表2可以看出，目前建立的節(jié)點故障檢測決策表還是有部分冗余性，為了簡化BP神經(jīng)網(wǎng)絡(luò)的設(shè)計，使得神經(jīng)網(wǎng)絡(luò)計算得到優(yōu)化，利用改進的基于差別矩陣和屬性選擇的屬性約簡算法，對表2進行約簡，根據(jù)算法的約簡規(guī)則，在保留了具有和原來的決策表相同的對故障檢測的分類能力的前提下，去除掉冗余的條件屬性，得到最簡化的條件屬性約簡{w2，w4，w5，w6}，如表3所示。

對比表2和表3可以看到，冗余屬性w1，w3，w7，w8，w9通過差別矩陣和屬性選擇的屬性約簡算法被去除，輸入到神經(jīng)網(wǎng)絡(luò)的向量維數(shù)減少到4維。在使用人工神經(jīng)網(wǎng)絡(luò)對所建立的工業(yè)建筑WSN節(jié)點故障系統(tǒng)進行故障檢測仿真時，分別使用新版本的BP神經(jīng)網(wǎng)絡(luò)和舊版本的BP神經(jīng)網(wǎng)絡(luò)對屬性約簡前和屬性約簡后的故障樣本數(shù)據(jù)建立RS-old BP和RS-new BP粗糙神經(jīng)網(wǎng)絡(luò)。舊版本的BP神經(jīng)網(wǎng)絡(luò)中，通過如下操作建立RS-old BP神經(jīng)網(wǎng)絡(luò)，調(diào)用參數(shù)newff，網(wǎng)絡(luò)的輸入向量的維數(shù)為4，隱含層神經(jīng)元的個數(shù)是9個，網(wǎng)絡(luò)的輸出層神經(jīng)元個數(shù)為3，網(wǎng)絡(luò)的結(jié)構(gòu)為4-9-3，由于網(wǎng)絡(luò)的輸入向量的范圍為[0,1],隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元的傳遞函數(shù)采用的是S型對數(shù)函數(shù)logsig，訓(xùn)練函數(shù)設(shè)定為trainbr，神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)設(shè)為1 000次，網(wǎng)絡(luò)的誤差為0.001，網(wǎng)絡(luò)的學(xué)習(xí)率為0.01。新版本的BP神經(jīng)網(wǎng)絡(luò)中，建立BP網(wǎng)絡(luò)的參數(shù)改為feedforwardnet，其余網(wǎng)絡(luò)參數(shù)的設(shè)置和舊版本的BP網(wǎng)絡(luò)設(shè)置相同。使用matlab7.12對所建立的BP神經(jīng)網(wǎng)絡(luò)進行仿真，檢測工業(yè)建筑WSN節(jié)點故障屬性，仿真結(jié)果如表4所示。

表3 約簡后工業(yè)建筑故障檢測決策表

表4 仿真結(jié)果

3.3 仿真結(jié)果分析

在工業(yè)建筑WSN節(jié)點故障檢測中，使用新、舊版本BP神經(jīng)網(wǎng)絡(luò)分別對經(jīng)過粗糙集處理前的故障樣本和處理后的故障樣本進行訓(xùn)練檢測，由仿真結(jié)果可知，新版本BP神經(jīng)網(wǎng)絡(luò)的誤差要小于舊版本的訓(xùn)練誤差，這是因為在舊版本的BP神經(jīng)網(wǎng)絡(luò)中，會將輸入的樣本數(shù)據(jù)60%用于故障數(shù)據(jù)訓(xùn)練，20%用于故障數(shù)據(jù)檢驗，20%用于故障數(shù)據(jù)驗證，所以造成新版本BP神經(jīng)網(wǎng)絡(luò)的誤差要小于舊版本。通過對迭代次數(shù)的對比可以發(fā)現(xiàn)，使用粗糙神經(jīng)網(wǎng)絡(luò)的RS-new BP系統(tǒng)比old BP系統(tǒng)的迭代次數(shù)，最多減少了23.4%，使用粗糙集的神經(jīng)網(wǎng)絡(luò)，由于約簡了部分冗余的條件屬性，使得網(wǎng)絡(luò)的結(jié)構(gòu)變得簡單，訓(xùn)練速度更快。對比網(wǎng)絡(luò)的故障診斷準確率可以發(fā)現(xiàn)，4種訓(xùn)練方式都能夠區(qū)分不同類型的節(jié)點故障，但由于粗糙集優(yōu)化了神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，使用粗糙集神經(jīng)網(wǎng)絡(luò)正確率比普通神經(jīng)網(wǎng)絡(luò)的故障診斷正確率都要高，RS-new BP比old BP網(wǎng)絡(luò)高出了7.11%。分析表明，粗糙神經(jīng)網(wǎng)絡(luò)能夠?qū)I(yè)建筑WSN節(jié)點的故障進行合理的診斷。

4 結(jié)論

(1)通過使用粗糙集BP神經(jīng)網(wǎng)絡(luò)的方法對工業(yè)建筑WSN故障進行診斷可以提高故障診斷的準確率和迭代速度，減少WSN節(jié)點的能量消耗。

(2)目前采用的是新、舊版本的BP神經(jīng)網(wǎng)絡(luò)對故障數(shù)據(jù)進行檢測，在今后的學(xué)習(xí)中，還可以采用RBF和elman神經(jīng)網(wǎng)絡(luò)對故障進行檢測，對比不同神經(jīng)網(wǎng)絡(luò)對故障數(shù)據(jù)檢測的迭代次數(shù)和正確率。

(3)通過分析檢測結(jié)果，采用無線傳感網(wǎng)絡(luò)可以對工業(yè)建筑故障類型進行判斷，為工作人員提供故障排除依據(jù)，保證工業(yè)建筑現(xiàn)場無線火災(zāi)傳感器正常工作。

[1]楊鵬，辛麗娜．基于WSN的智能火災(zāi)報警研究[J].機械管理開發(fā)，2013(2):21-24.

[2]王國胤．粗糙集理論與知識獲取[M]．西安: 西安交通大學(xué)出版社，2001.

[3]羅來鵬，劉二根，王廣超．基于矩陣的最簡決策規(guī)則獲取[J].計算機工程，2008，34(19):41-43.

[4]雷霖，代傳龍.粗糙集-神經(jīng)網(wǎng)絡(luò)集成的WSN節(jié)點故障診斷[J].電子科技大學(xué)學(xué)報，2008,37(4):565-568.

Application of Wireless Fire Sensor Network Fault Diagnosis in Industrial Buildings

DENG Yixin SONG Yujie

(InstituteofInformationScienceandEngineering,WuhanUniversityofScienceandTechnologyWuhan430081)

In this paper, through using an improved rough set attribute reduction based on discernibility matrix and attribute selection algorithm，the fault sample data is reduced and the minimum reduction set is got. Combined with the old and new versions of BP neural network, the node failures of industrial buildings are tested. The simulation results show that, by using the RS-new BP neural network, the iterations has decreased 61 times compared with the old BP neural network and the accuracy has increased by 7.11%.

node fault diagnosis attribute reduction RS-new BP neural network

鄧懿心，1991年生，碩士研究生，主要研究方向為通信電子線路、無線火災(zāi)傳感器網(wǎng)絡(luò)、故障診斷。

2015-10-12)

宋玉階，1958年生，教授，研究方向為網(wǎng)絡(luò)圖論與系統(tǒng)優(yōu)化。