SOM離散化和IGA優(yōu)化神經(jīng)網(wǎng)絡(luò)傳感器故障診斷

韓文虹，高淑婷

（河南農(nóng)業(yè)職業(yè)學(xué)院電子信息工程系，河南 鄭州 451450）

SOM離散化和IGA優(yōu)化神經(jīng)網(wǎng)絡(luò)傳感器故障診斷

韓文虹，高淑婷

（河南農(nóng)業(yè)職業(yè)學(xué)院電子信息工程系，河南 鄭州 451450）

為實(shí)現(xiàn)對節(jié)點(diǎn)進(jìn)行實(shí)時(shí)有效的故障診斷，提出一種基于SOM自組織網(wǎng)映射算法和免疫遺傳神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先，設(shè)計(jì)節(jié)點(diǎn)故障診斷的通用模型；然后采用自組織網(wǎng)映射（self organize mapping，SOM）算法對故障特征數(shù)據(jù)進(jìn)行離散化以提高診斷模型的泛化性能，并通過主成分分析法（principal component analysis，PCA）對特征數(shù)據(jù)屬性進(jìn)行約簡以減少數(shù)據(jù)量；最后，建立三層的BP神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷模型，并通過免疫遺傳算法（immune gene algorithm，IGA）對BP神經(jīng)網(wǎng)絡(luò)優(yōu)化從而得到最終優(yōu)化的節(jié)點(diǎn)故障診斷模型。仿真實(shí)驗(yàn)證明該法能有效進(jìn)行故障診斷，且與其他方法相比，具有診斷效率高和精度高的優(yōu)點(diǎn)。

傳感器節(jié)點(diǎn)；故障診斷；免疫遺傳；BP神經(jīng)網(wǎng)絡(luò)

0 引 言

傳感器節(jié)點(diǎn)（sensor node，SN）[1]是無線傳感器網(wǎng)絡(luò)（wireless sensor network，WSN）[2]的基本單元，其通過無線自組織的方式組成無線網(wǎng)絡(luò)，實(shí)現(xiàn)對某一監(jiān)測區(qū)域的數(shù)據(jù)采集、監(jiān)測和控制，已經(jīng)成功應(yīng)用于農(nóng)田監(jiān)控、智能家居、環(huán)境監(jiān)測和智慧交通等領(lǐng)域[3-5]。

目前對傳感器節(jié)點(diǎn)進(jìn)行故障診斷的研究工作主要有：文獻(xiàn)[6]建立了一種分布式的基于數(shù)據(jù)融合的節(jié)點(diǎn)故障診斷方法；文獻(xiàn)[7]設(shè)計(jì)了一種基于粗糙集理論和貝葉斯決策的節(jié)點(diǎn)故障診斷方法；文獻(xiàn)[8]建立了一種基于分簇路由協(xié)議的節(jié)點(diǎn)故障診斷方法；文獻(xiàn)[9]建立了一種基于粗糙集和神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)故障診斷方法。

上述工作仍具有故障診斷準(zhǔn)確度不高和診斷時(shí)間長等缺點(diǎn)，為解決上述問題，本文提出了一種基于SOM離散化、PCA主成分分析方法降維和免疫遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷模型。

1 診斷模型定義

本方法采用分簇協(xié)議，在各簇頭節(jié)點(diǎn)處對簇內(nèi)成員節(jié)點(diǎn)進(jìn)行故障診斷，能克服采用Sink節(jié)點(diǎn)進(jìn)行故障診斷所帶來的“熱區(qū)”問題，減少了節(jié)點(diǎn)能耗，均衡了網(wǎng)絡(luò)負(fù)載。

在某傳輸數(shù)據(jù)周期內(nèi)，當(dāng)簇頭節(jié)點(diǎn)在收集了簇內(nèi)成員節(jié)點(diǎn)發(fā)送的數(shù)據(jù)后，為了對簇內(nèi)節(jié)點(diǎn)進(jìn)行故障診斷，首先對數(shù)據(jù)采用SOM算法進(jìn)行離散化，然后通過PCA主成分分析進(jìn)行屬性約簡處理，最后，通過IGA優(yōu)化的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。傳感器節(jié)點(diǎn)故障診斷模型見圖1。

圖1 節(jié)點(diǎn)故障診斷模型

2 基于SOM算法的數(shù)據(jù)離散化

傳感器采集的數(shù)據(jù)是連續(xù)型數(shù)據(jù)，不能直觀地反映數(shù)據(jù)分布情況，為了使得故障診斷具有更好的泛化能力，采用SOM算法對數(shù)據(jù)進(jìn)行離散化處理。

SOM自組織映射（self organize mapping，SOM）由Kohonen首次提出，屬于無監(jiān)督學(xué)習(xí)方式的一種，其主要包含輸入層和輸出層。

采用SOM對連續(xù)屬性進(jìn)行離散化的過程可以描述為：

初始化：對SOM中輸入層與輸出層之間以及輸出層之間的權(quán)值Wij（t）賦予隨機(jī)初始值，隨機(jī)初始化學(xué)習(xí)率η（t）的初始值以及領(lǐng)域半徑N（t），算法迭代次數(shù)最大值為T。

輸出：各連續(xù)屬性的離散化值。

1）令當(dāng)前迭代次數(shù)t=1。

2）輸入樣本并對樣本數(shù)據(jù)進(jìn)行歸一化。

3）尋找獲勝神經(jīng)元：使用歐式距離準(zhǔn)則，計(jì)算輸入樣本與所有輸出節(jié)點(diǎn)的距離：

選擇具有最小Dij（t）（j=1，2，…，m）的輸出神經(jīng)元為獲勝神經(jīng)元。

4）根據(jù)式（2）、式（3）和式（4）對獲勝神經(jīng)元鄰域內(nèi)N（t）的所有節(jié)點(diǎn)的連接權(quán)值、鄰域及學(xué)習(xí)率進(jìn)行更新：

5）返回3）重新選擇一個(gè)新的輸入模式，直到所有模式均已遍歷完。

6）t=t+1，判斷其是否達(dá)到最大值T，如果達(dá)到則算法結(jié)束，否則，返回3）繼續(xù)執(zhí)行。

3 PCA主成分分析降維

3）將每個(gè)訓(xùn)練樣本減去均值后，計(jì)算協(xié)方差矩陣，如下所示：

主成分分析法（principal component analysis，PCA）是由Kirby等人于1990年首次提出，能將高維空間中的故障樣本空間投影到獨(dú)立的低維空間，其原理可以描述為：

1）將經(jīng)過SOM算法進(jìn)行屬性離散化的數(shù)據(jù)特征向量合成為訓(xùn)練樣本集為X={x1，x2，…，xM}，每個(gè)樣本xi的維數(shù)為R，從而構(gòu)成M×R的故障數(shù)據(jù)矩陣X，并初始化貢獻(xiàn)率閥值th。

2）計(jì)算所有訓(xùn)練樣本的均值臉為

其中，協(xié)方差矩陣S的維數(shù)為R×R。

4）求解協(xié)方差矩陣S的特征值λi以及對應(yīng)的正交歸一化的特征向量zi，根據(jù)式（7）計(jì)算各特征值的累積貢獻(xiàn)率α：

5）當(dāng)某幾個(gè)特征值對應(yīng)的貢獻(xiàn)率α大于預(yù)先設(shè)定的閥值th，同時(shí)對應(yīng)的數(shù)量最少時(shí)，就選取這幾個(gè)特征值對應(yīng)的特征向量來構(gòu)造特征空間Σ，并將訓(xùn)練樣本集X投影到特征空間Σ上，從而得到降維后的特征向量集A，如下所示：

4 IGA神經(jīng)網(wǎng)絡(luò)故障診斷

4.1 IGA算法描述

免疫遺傳算法（immune gene algorism，IGA）是一種將免疫算法和遺傳算法相結(jié)合的算法,在免疫遺傳算法中，將待求解的問題看作抗原，將問題的候選解看作抗體，將目標(biāo)函數(shù)作為抗體與抗原之間的親和度函數(shù)，通過抗體的交叉、變異、接種疫苗和免疫選擇不斷地匹配適應(yīng)度函數(shù)，更新記憶細(xì)胞集，產(chǎn)生新的更優(yōu)的抗體，其尋優(yōu)過程如圖2所示。

圖2 免疫遺傳算法流程

4.2 IGA神經(jīng)網(wǎng)絡(luò)故障診斷算法

文中采用IGA算法對BP神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行尋優(yōu)，然后再采用優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行節(jié)點(diǎn)故障診斷，過程如下：

1）通過SOM對故障征兆數(shù)據(jù)進(jìn)行離散化，然后通過PCA主成分分析法進(jìn)行降維，采用最終的屬性個(gè)數(shù)作為輸入神經(jīng)元的個(gè)數(shù)，將故障種類作為輸出神經(jīng)元個(gè)數(shù)，建立三層BP神經(jīng)網(wǎng)絡(luò)作為故障診斷模型。

其中，隱藏層神經(jīng)元個(gè)數(shù)可以根據(jù)輸入神經(jīng)元和輸出神經(jīng)元個(gè)數(shù)獲得：

式中：kin，kout——輸入神經(jīng)元和輸出神經(jīng)元個(gè)數(shù)；

l——一常數(shù)，其值為1～10之間的一個(gè)隨機(jī)數(shù)。

2）采用S型函數(shù)作為隱藏層的基函數(shù)：

式中：λ——神經(jīng)元閥值；

x——該神經(jīng)元的基函數(shù)輸入；

φ——調(diào)節(jié)參數(shù)，當(dāng)φ足夠大時(shí)，當(dāng)x＞λ，則

y（x）趨向于1；當(dāng)x＜λ，則y（x）趨向于0。

3）建立誤差函數(shù)作為目標(biāo)函數(shù)和抗體與抗原之間匹配的親和度函數(shù)：

式中：Ei——第i次迭代時(shí)，輸出神經(jīng)元的總誤差；

m，f——訓(xùn)練樣本總數(shù)和網(wǎng)絡(luò)的第f個(gè)輸出。

4）采用圖3所示的免疫遺傳算法對輸入層與隱藏層、隱藏層與隱藏層以及隱藏層與輸出層之間的權(quán)值和閥值進(jìn)行優(yōu)化，直到滿足預(yù)設(shè)的誤差閥值eth，采用得到的最終參數(shù)初始化BP網(wǎng)絡(luò)，得到最終的故障診斷模型。

5）輸入故障診斷測試數(shù)據(jù)到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。

5 仿真實(shí)驗(yàn)

在Matlab仿真環(huán)境下對文中方法進(jìn)行驗(yàn)證，采集400組樣本數(shù)據(jù)，其中200組作為訓(xùn)練數(shù)據(jù)，另外200組作為測試數(shù)據(jù)。

表1 故障診斷特征向量

表2 約簡的故障特征向量

表3 節(jié)點(diǎn)故障診斷結(jié)果

文中參數(shù)如下：貢獻(xiàn)率閥值th為90%，IGA初始抗體種群規(guī)模為100，交叉概率0.6，變異概率0.55，記憶細(xì)胞集大小為10，神經(jīng)網(wǎng)絡(luò)誤差閥值eth為0.01，常數(shù)l為3，部分樣本故障診斷特征向量如表1所示。

首先，采用SOM算法對樣本數(shù)據(jù)進(jìn)行離散化，將數(shù)據(jù)映射到離散值0和1上，在此基礎(chǔ)上采用PCA主成分分析法對特征向量進(jìn)行屬性約簡，得到屬性簡約子集為{a[1]，a[2]，a[3]，a[4]，a[6]}，此時(shí)得到的經(jīng)過屬性約簡后的特征向量如表2所示。

最后，采用4.2中基于IGA的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障診斷。首先，根據(jù)特征向量維數(shù)確定輸入神經(jīng)元個(gè)數(shù)為5，輸出神經(jīng)元個(gè)數(shù)為故障種類數(shù)即3，根據(jù)式（9）得到隱藏層神經(jīng)元個(gè)數(shù)為6，即BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為5-6-4，然后通過IGA優(yōu)化BP網(wǎng)絡(luò)權(quán)值和閥值，得到最終的故障診斷模型，然后輸入測試數(shù)據(jù)進(jìn)行故障診斷，并與文獻(xiàn)[8]和[9]進(jìn)行對比，結(jié)果如表3所示。

從表3中可以看出，文中方法能實(shí)現(xiàn)傳感器節(jié)點(diǎn)的故障診斷，整個(gè)診斷時(shí)間僅需200ms，故障診斷精度高達(dá)99%，而文獻(xiàn)[8]和文獻(xiàn)[9]方法故障診斷時(shí)間分別為600ms和1100ms，同時(shí)對應(yīng)的故障診斷精度分別為93%和91%，較文中方法分別低6%和8%，這是因?yàn)槲闹蟹椒ㄍㄟ^PCA主成分分析法進(jìn)行屬性約簡降低了數(shù)據(jù)屬性維數(shù)，同時(shí)，采用免疫遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)值和閥值等參數(shù)優(yōu)化，使得文中故障診斷方法能在較短的時(shí)間內(nèi)進(jìn)行故障診斷，并具有較低的診斷誤差。

6 結(jié)束語

為了保證監(jiān)控系統(tǒng)長期有效地運(yùn)行，需要對監(jiān)控區(qū)域中傳感器節(jié)點(diǎn)進(jìn)行周期性故障診斷；因此，本文設(shè)計(jì)了一種基于SOM自組織映射算法和免疫遺傳BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)故障診斷方法，采用SOM自組織映射算法對故障特征向量進(jìn)行數(shù)據(jù)離散化處理，并通過PCA主成分分析方法對屬性簡約，最后通過免疫遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。實(shí)驗(yàn)證明了文中方法能實(shí)現(xiàn)傳感器節(jié)點(diǎn)故障診斷，且與其他方法相比，且具有診斷效率高和診斷精度高的優(yōu)點(diǎn)。

[1]Yick J，Mukherjee B，Ghosal D.Wireless sensor network survey[J].Computer Networks，2008，52（12）：2292-2330.

[2]王雷，Wei R Z，田子紅.無線傳感器網(wǎng)絡(luò)中一種基于分簇的節(jié)點(diǎn)調(diào)度算法[J].中國科學(xué)：信息科學(xué)，2011（41）：1013-1023.

[3]張瑞瑞，趙春江，陳立平，等.農(nóng)田信息采集無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，11（25）：213-218.

[4]嚴(yán)萍，張興敢，柏業(yè)超，等.基于物聯(lián)網(wǎng)技術(shù)的智能家居系統(tǒng)[J].南京大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，1（48）：26-32.

[5]周舸，陳智勇.基于物聯(lián)網(wǎng)的交通流量監(jiān)測系統(tǒng)設(shè)計(jì)研究[J].計(jì)算機(jī)仿真，2011，8（28）：367-371.

[6]李強(qiáng).一種基于診斷融合技術(shù)的傳感器節(jié)點(diǎn)故障診斷[J].科技通報(bào)，2013，29（4）：79-81.

[7]潘佳梁，葉曉慧，王紅霞.基于粗糙集理論和貝葉斯決策的WSN節(jié)點(diǎn)的故障診斷[J].傳感技術(shù)學(xué)報(bào)，2009，22（5）：734-738.

[8]劉凱，彭力.分簇式無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)故障診斷算法研究[J].傳感器與微系統(tǒng)，2011，30（4）：37-40.

[9]陳作聰.基于Rough set和禁忌神經(jīng)網(wǎng)絡(luò)的傳感器節(jié)點(diǎn)故障診斷[J].計(jì)算機(jī)測量與控制，2013，5（32）：37-40.

Fault diagnosis of sensor node based on SOM and immune gene algorithm optimizing neural network

HAN Wen-hong，GAO Shu-ting
（Department of Electronic and Information Engineering，Henan Vocational College of Agriculture，Zhengzhou 451450，China）

In order to diagnose the fault in real-time and effectively，a fault diagnosis method based on SOM algorithm and immune gene neural network was proposed.Firstly，the general model for node fault diagnosis was designed，and then the SOM algorithm was used to get the discrete data to improve the generalization ability of the diagnosis model，and PCA（principal component Analysis）was used to reduce the dimension of data.Finally，the three layer node diagnosis model was built，and the improved immune gene algorithm was designed to train the network and the final node diagnostic mode was obtained.The simulation result shows that the proposed method can achieve sensor nodes fault diagnosis effectively and compared with other methods，it can diagnose node fault accurately in a shorter time.

sensor node；fault diagnosis；immune gene；BP neutral network

TP319；TP277；TP183；TN911.7

：A

：1674-5124（2014）05-0088-04

10.11857/j.issn.1674-5124.2014.05.023

2013-10-16；

：2013-12-03

韓文虹（1968-），女，河南南陽市人，副教授，碩士，研究方向?yàn)樽詣涌刂啤?/p>