基于感知數據時域特征的WSNs故障被動診斷方法*

李金榮，王國英，2，莫路鋒*

（1.浙江農林大學低碳與物聯網聯合實驗室，浙江臨安 311300；2.西安交通大學計算機系，西安 710049）

基于感知數據時域特征的WSNs故障被動診斷方法*

李金榮1，王國英1，2，莫路鋒1*

（1.浙江農林大學低碳與物聯網聯合實驗室，浙江臨安 311300；2.西安交通大學計算機系，西安 710049）

由于大規模無線傳感器網絡的動態拓撲性及資源受限，無線傳感網的故障診斷成為該領域內的一個難點。現有的診斷方法消耗大量通信帶寬和節點資源，給資源有限的網絡帶來繁重的負擔。本文提出一種利用感知數據時域特征來檢測故障以及對故障進行分類的被動診斷方法（TDSD）。首先運用一維離散Gabor變換對感知數據進行特征提取與分析，進而結合

無線傳感器網絡；故障診斷；時域特征；Gabor變換；SOM神經網絡

無線傳感器網絡（Wireless Sensor Networks，WSNs）廣泛應用于農業生產和森林生態環境監測等各個行業，WSNs的工作環境通常比較特殊，傳感器節點大多隨機部署在野外環境中，網絡節點數量龐大、傳感器類型多樣、網絡拓撲的動態性以及節點資源受限的特性使的WSNs時常會出現各種故障。當單個關鍵節點或者某一區域內節點發生故障時，將導致其周圍某一特定范圍內的節點無法正常工作，造成網絡連通分割，這樣會大大降低無線傳感器網絡系統的服務質量，使WSNs預定功能削弱或者失效。所以進行及時準確的無線傳感網故障診斷以保證網絡的可靠及有效運行顯的及其重要。

文獻［1］介紹了當前一些主要的分布式無線傳感器網絡故障檢測算法，并把算法歸為基于多數投票策略、基于中值策略、基于決策擴散策略、基于加權和基于分簇的算法五大類，詳細闡述了各個算法的原理和步驟，并指出其中的優勢與不足。文獻［2］利用基于K近鄰分類法構建多抗體故障檢測器并進行故障分類，通過對故障數據變化進行追蹤來更新抗體庫。文獻［3］通過給網絡中的消息都標記上其源節點的ID，在成簇階段依據節點ID和RSSI值由簇頭判斷各個簇內是否存在克隆節點，待全部節點的ID匯聚至基站后，利用分簇算法中各個簇是不相交的子集這一特點，在基站處檢測是否存在同一個ID屬于多個簇的異常情況。

GreenOrbs［4-5］是部署在森林環境中的多達330傳感器節點的大規模WSNs系統，節點定時獲取感知數據，以多跳方式進行通訊。在當前的WSNs故障診斷中，按照診斷信息的獲取方式把故障分為主動式診斷和被動式診斷。主動診斷過程中需要傳輸大量的狀態信息和特定的控制指令，往往會給網絡帶來繁重的負擔。被動式診斷滿足傳感器節點資源受限的特性，對網絡的正常數據采集工作影響小，適合WSNs低耗、高效的應用需求。文獻［6-8］介紹了在WSNs故障診斷中被動診斷方法的研究，Liu等人［5］提出一種PAD算法，運用網絡狀態參數的概率模型對WSNs進行診斷，診斷過程比較復雜。Nie等人［6］提出一種DSD算法進行故障診斷，但是算法沒考慮到時域的影響。Miao等人［7］提出一種在線的輕量級故障診斷AD算法。算法對于靜態故障有很好的診斷效果，但是不能用于動態的故障診斷。

針對以上問題，在進行無線傳感網故障診斷時，本文提出一種利用感知數據時域特征來檢測故障以及對故障進行分類的被動診斷方法。算法運用離散Gabor變換并結合SOM神經網絡技術，能夠有效的進行故障檢測與分類。

1 無線傳感器網絡故障類型

無線傳感器網絡的節點故障類型通常分為三類：節點故障、網絡故障和軟件故障。

①節點故障

大規模無線傳感器網絡節點數量巨大，節點部署在野外惡劣環境，傳感器節點極易損壞或遭到破壞；同時節點攜帶的能量有限，因電源耗盡而失效的現象非常普遍，故障發生率比較高。傳感器節點硬件問題也會引起讀數等相關的故障，所以把節點故障細分為節點故障（低電壓引起）和傳感器故障。

②網絡故障

網絡發生了故障是指網絡設備或網絡服務處于不正常的狀態。常見的網絡故障有網絡擁塞、鏈路故障、回路等，網絡故障的發生常常以區域的方式體現。

③軟件故障

軟件故障一般包括操作系統崩潰、程序BUG等問題引起的無線傳感器網絡故障。一旦節點的軟件發生故障，將會給無線傳感器網絡帶來較大的影響，在成熟的大規模無線傳感器網絡中，出現軟件故障的概率相對較小。

2 數據分析

2.1 預實驗結果的發現

在無線傳感器網絡部署運行中，一般考慮節點故障和網絡故障對WSNs的影響。在無線傳感器中的故障診斷中，對于任意節點N，若在網絡部署運行后始終沒有數據包返回，則判定其通信設備故障；若有數據包返回，且感知數據正常，則節點工作正常。如圖1所示，選取的數據電壓值范圍約在2.8 V，可以看到節點的溫度和濕度隨時間規律變化，溫度在中午13點左右達到最高，而濕度最低。

圖1 節點正常工作時連續三天溫濕度規律

電壓是無線傳感網故障診斷中的一個重要影響參數，當節點電壓出現異常時，會導致數據缺失、數據異常。根據四層電壓劃分模型（FLED）［7］初步判斷節點電壓是否正常，如圖2（a）所示，在電量稍低的情況下，溫度數據出現故障，但此時的溫度還能反應出當前變化規律；2（b）中，當電壓超低時，溫度波動異常沒有規律可循。當電池能量耗盡時，沒有數據。

圖3為2012年1月9日～14日期間多個節點的溫度、濕度與電壓從正常到異常再到節點恢復正常的過程。在a處，此時數據堆疊在一起不能反映出監測區的任何有效信息，判斷a處發生網絡故障；在b和c處可以看到，從這兩個位置開始不再有節點數據傳輸回來，且之前的數據出現震蕩。根據圖2結果可以說明此時有節點發生故障（低電壓故障），包括圖中出現的直線部分，也判定為節點故障。當網絡恢復正常后數據走勢規律基本相似，這是因為在同一區域內節點的數據具有相關性，數據相差不大。

圖2 電壓異常時的溫度變化情況

圖3 節點時域數據圖

2.2 Gabor變換

1946年，Gabor D［9-10］提出了一種同時使用時間和頻率來表示一個時間函數的方法—Gabor變換。它繼承了Fourier變換的信號頻譜特性，同時克服Fourier變換只能反映信號的整體特征而不能對信號的局部特征的缺陷。Gabor變換廣泛應用于信號的特征提取，可同時反映信號的時域與頻域特征［11-12］。Gabor變換用以下公式描述：

其中f（t）是信號的原始函數，窗口函數g（t）是一個光滑函數，在有限區間外恒等于0（即具有緊支集的函數）或很快的趨于0。與Fourier變換一樣，f（t）的Gabor變換Gf（ω, τ）也有反演公式、乘積定理及Parseval等式。式（2）為Gabor變換的反演公式：

根據Gabor變換的定義，Gf（ω ,τ）反映信號 f（t）在t=τ附近的頻譜特性，且由反演公式（2）可見Gf（ω ,τ）確實包含了 f（t）的全部信息。此外，Gabor變換的窗口位置隨τ平移，可以表征信號在不同時刻的局部特性。

2.3 SOM神經網絡

自組織映射（Self-Organizing Maps，SOM）［13］神經網絡采用無教師學習方式，根據其特有的網格結構和學習規則，通過對輸入模式的反復學習，捕捉住各個模式中所含的模式特征，并對其進行自組織，在競爭層將分類結果表現出來。因此，SOM被廣泛應用于故障檢測與分類［14；15］。

得出一個具有最小距離的神經元，并給出一個周圍的鄰域Sk（t）。按照（4）式修正輸出神經元及其鄰接神經元的權值：

2.4 TDSD算法流程

本文提出一種利用感知數據特征的方法來檢測故障以及對故障進行分類，主要運用溫度、濕度等感知數據結合電壓數據進行診斷。

第1步 將實驗收集來的故障數據進行人工選擇，得到的這部分數據包括當前網絡中出現的所有故障類型。

第2步 把1中得到的數據運用Gabor變換進行特征提取。

第3步 建立神經網絡，把經過Gabor變換處理的數據輸入到SOM神經網絡中進行訓練，得出聚類結果，建立故障知識庫。

第4步 將實驗收集的真實數據經過Gabor變換特征提取后得到輸入到SOM神經網絡進行診斷。

第5步 將診斷結果與故障知識庫中的故障類型進行匹配，判斷當前網絡是否故障以及故障原因，得出診斷結果。

算法框架如圖4所示，診斷過程在Sink節點中進行，避免頻繁的報告診斷參數，減少了網絡通信負擔。同時本文方法降低了數據的維數，避免了數據繁多給診斷過程帶來的負擔，提高了診斷的效率。

圖4 基于數據時域特征的故障診斷

表1 故障類型判斷

本文對于沒有數據返回情況分為兩種：①若節點始終沒有數據返回，則判斷鏈路故障；②若有歷史數據返回，而沒有當前數據，則判斷節點能量耗盡。

當實驗有數據返回時，本文根據數據不同把故障分為以下幾種：網絡故障、節點故障、傳感器故障這三大類。具體的故障類型判斷如表1所示。

3 實驗與分析

實驗數據來源于大規模無線傳感器網絡系統GreenOrbs，傳感器節點每隔十分鐘采集一次數據，數據通過無線網絡匯聚到Sink節點。

3.1 訓練

在實驗的訓練階段，先對訓練數據集用Gabor變換得到WSNs的故障數據特征，對數據進行歸一化處理后運用SOM神經網絡對其進行訓練聚類。訓練之后神經網絡把數據聚類為幾類，這幾類分別代表不同的故障類型。在訓練過程中，神經網絡的聚類結果數量多于預期故障分類，這是因為在WSNs中同一種類型的故障數據也具有較大的差異性引起的。在診斷過程中把多于預期的聚類結果進行劃分，這樣就能使診斷結果有更明顯的表示。3.1.1 訓練所用數據

在實驗中，綜合考慮效率與效果，把訓練步數定義為500。同時考慮神經元大小、訓練樣本大小對訓練結果的影響。本文選取400個故障樣本作為訓練所用數據集，其中包含了已經發現的各種故障，在故障樣本中每種故障類型數據平均分配，故障數據是由人工觀察的方法獲得。圖5列舉各種故障所對應的一些典型故障色塊圖。圖中縱軸的每三行表示一個節點的溫度、濕度及電壓，橫軸表示節點溫度濕度及電壓隨時間的變化情況，圖5（a）、5（b）、5（c）分別為傳感器故障、網絡故障和節點故障的圖示，可以看到這些數據呈現不同的紊亂；而在（d）中，正常數據變化平穩，在圖中循序變化，且不同節點在同一時間內數據的差距也很微弱。

3.1.2 神經元大小的影響

SOM神經網絡在訓練時，神經元的大小對于故障診斷的精度有著很大的影響，故障數據樣本中每類故障數量平均分布。實驗中故障所要分成的種類有4種，若要只選擇4個神經元進行訓練，故障樣本不能夠很好的聚類，此時誤差影響很大，診斷效果較弱。這是因為本文的故障樣本彼此之間相差很大，即使對樣本進行歸一化處理也不能夠很好的消除數據之間的影響。所以只有增加神經元的數目來提高聚類的精度，而當神經元數目過多時，會使原本故障分類的種類增多，訓練時間增長，會造成資源的浪費與效率低下。圖6可以看出不同神經元下的訓練聚合精度。

在10個×10個神經元時，聚類效果已經很好，再增加神經元的數目對診斷效果的影響不大。同時看到在神經元數目增大時，訓練的時間也逐漸增長。所以，在無特殊標記的情況下，綜合考慮，本文神經元選取10個×10個神經元。

圖5 訓練數據聚類色塊圖

圖6 不同神經元大小對故障聚類的影響

3.1.3 故障樣本大小的影響

在訓練過程中，故障樣本的大小也對診斷有一定的影響。在訓練中，檢測一種方法是否有效，要考慮到時效問題。分別選取100、200、400、600到800個故障樣本進行訓練聚類，隨著樣本的增大，訓練所用的時間也有所增加，如圖7所示。對本實驗進行多次結果測試，實驗表明，當選擇400個樣本數量時，基本已經包括已知的故障類型，對不同網絡規模的節點診斷都具有較好的診斷效果。當然，隨著時間的變化，樣本感知數據數值的變化范圍也較大，此時也要更新故障知識庫的樣本。如不特殊標記，本文采用400故障樣本。

圖7 不同故障樣本下所用的訓練時間

3.2 診斷

根據故障知識庫對輸入樣本數據進行診斷，異常數據可以被檢測出來并進行分類。衡量算法的優劣主要有兩個指標：①故障檢測率，②故障誤警率。故障檢測率表示用診斷算法診斷出的故障數量占總故障數量的百分比。故障誤警率表示誤判的故障數量與總的檢測故障數量之間的百分比。

為了檢測算法的準確性，采用從GreenOrbs系統采集的真實數據進行診斷；采用模擬數據進行診斷檢測算法。

3.2.1 真實數據診斷結果

選擇2012年1月的不同時間段的真實數據作為診斷數據，表2給出真實數據的來源。根據之前的訓練聚合結果，對數據進行分類。

表2 真實數據來源

圖8給出診斷數據分類結果，結果中除去正常數據所占的種類。由于故障數據差異較大，觸發的神經元較多，所以分類較多。大部分數據觸發的神經元分布較集中，部分數據零散分布，但是這不影響診斷結果，同時發現有些數據始終觸發不到神經元，也就是不能正確分類，這一類未觸發數據也在圖中表示出來。在真實數據診斷過程中，一般不會在同一時間內出現所有類型的故障。

圖8 真實數據診斷結果分類

3.2.2 模擬數據診斷結果

為了檢測算法的診斷性能，在實驗中，選擇網絡規模從60個節點開始并隨機植入10%的故障數據，節點網絡規模分別為80、100、120、140直到160為止，植入的每種故障類型平均分配，監測不同網絡規模下的診斷性能。診斷結果顯現，隨著網絡規模的增多，故障檢測率并沒有明顯下降，并且診斷效果非常好，即使網絡規模達到160個節點時，準確率也在97.43%左右，具有很好的診斷效果。這是因為實驗中不只是單一運用一個參數進行診斷，而是運用多個進行特征提取的參數來進行診斷，不需要設定閾值，根據各個參數之間的相互聯系，即可得到較好的效果。圖9、圖10所示為不同網絡規模下的故障誤警率和故障誤警率。以上結果可以看出，隨著實驗節點數量的增大與故障樣本數量的增多，對算法的診斷性有一定的影響，但是影響不大，圖中可以看出隨著網絡規模的增大，故障檢測率會逐漸下降，而故障誤警率會逐漸增多。

圖9 不同網絡規模下的故障檢測率

圖10 不同網絡規模下的故障誤警率

3.3 診斷結果與分析

在以前GreenOrbs研究工作中，PAD算法運用數據包標記列表來有效的構建和動態維持推理模型。DSD算法以大量感知數據為基礎，通過建立網絡故障知識庫的方法來進行分類確定故障類型。本文的方法與DSD算法相比較，具有更高的診斷效果，算法在網絡規模增大的時候依然有較好的診斷率。圖11、圖12兩種算法的故障檢測率與誤警率結果對比。DSD算法分別對節點、鏈路和傳感器這三種故障類型進行分類診斷，從圖中可以看到DSD算法對傳感器故障的檢測率具有最好的效果，達到95%以上，而且其誤警率也隨著網絡規模的增大而降低最后趨于平穩約為33%。而其它兩種故障類型鏈路故障和節點故障的故障檢測率要稍低，隨著網絡規模的增大，最終平穩在約75%與82.5%左右，誤警率分別為33%與38%左右。本文的算法是對整個網絡的診斷，對于以上這三種故障類型都有很好的診斷與分類效果。文章算法在大規模無線傳感器網絡診斷中具有更好的檢測率，本文的算法診斷達到97%以上，其誤警率在160節點時也只有不到40%。

圖11 兩種算法的故障檢測率結果對比

圖12 兩種算法的故障誤警率結果對比

4 結論

本文通過分析GreenOrbs系統在3個月內收集的數據，利用Gabor變換提取感知數據時域特征，利用SOM神經網絡建立故障知識庫，對WSNs故障原因進行診斷分類，得出網絡運行狀態。在本文的診斷過程中，選取的網絡規模較大，整體診斷效果較好。這也證明了本文的方法對于大規模無線傳感器網絡的故障診斷有較好的效果。實驗表明，本文的診斷效率達到97%以上，這是因為本文故障知識庫中的故障數據來自于無線傳感網歷史故障數據，而實驗中的故障數據也是人工插入，所以整體診斷效果較好。在診斷過程中遇到新的故障數據類型會即時更新到故障知識庫中，通過不斷演化的過程，提高診斷精度。在未來工作中，將進一步優化數據的特征提取過程，更好更高效的運用網絡收集到的數據來進行故障診斷，簡化算法。

［1］ 徐小龍，耿衛建，楊庚，等.分布式無線傳感器網絡故障檢測算法綜述［J］.計算機應用研究，2012，29（12）：4420-4425.

［2］ 趙錫恒，何小敏，許亮，等.基于免疫危險理論的無線傳感器網絡節點故障診［J］.傳感技術學報，2014，27（5）：658-663.

［3］ 羅永健，陳濤，肖福剛，等.基于分簇的無線傳感器網絡克隆攻擊檢測方案［J］.傳感技術學報，2014，27（2）：220-224.

［4］ Bo C，Ren D，Tang S，et al.Locating Sensors in the Forest：A Case Study in Greenorbs［C］//INFOCOM，2012 Proceedings IEEE，2012：1026-1034.

［5］ Liu Y，He Y，Li M，et al.Does Wireless Sensor Network Scale？A Measurement Study on GreenOrbs［J］.Parallel and Distributed Systems，IEEE Transactions on，2013，24（10）：1983-1993.

［6］ Liu Y，Liu K，Li M.Passive Diagnosis for Wireless Sensor Networks［J］.IEEE/ACM Transactions on Networking（TON），2010，18（4）：1132-1144.

［7］ Nie J，Ma H，Mo L.Passive Diagnosis for WSNs Using Data Traces ［C］//Distributed Computing in Sensor Systems（DCOSS），2012 IEEE 8th International Conference on，2012：273-280.

［8］ Miao X，Liu K，He Y，et al.Agnostic Diagnosis：Discovering Silent Failures in Wireless Sensor Networks［C］//INFOCOM，2011 Proceedings IEEE，2011：1548-1556.

［9］ Feichtinger H G，Strohmer T.Gabor Analysis and Algorithms：Theory and Applications［M］.Springer，1998.

［10］Bastiaans M J.Gabor's Signal Expansion and the Zak Transform ［J］.Applied Optics，1994，33（23）：5241-5255.

［11］Kawady T A，Elkalashy N I，Ibrahim A E，et al.Arcing Fault Identification Using Combined Gabor Transform-Neural Network for Transmission Lines［J］.International Journal of Electrical Power and Energy Systems，2014，61：248-258.

［12］Ricaud B，Stempfel G，Torrésani B，et al.An Optimally Concentrated Gabor Transform for Localized Time-Frequency Components ［J］.Advances in Computational Mathematics，2014，40（3）：683-702.

［13］Kohonen T.Self-Organizing Maps［M］.30.Springer Science and Business Media，2001.

［14］Wu Tao，Yuan Sicong，Meng Xin，et al.Vibrating Diagnosis of Rolling Bearings Based on Self-Organizing Feature Map NeuralNetwork［J］.Machinery Design and Manufacture，2010，（1）：198-200.

［15］Zhang Niaona，Wang Yongqing，Jingshuai L.Fault Diagnosis of Permanent Magnet Synchronous Motor Based on SOM Neural Networks［J］.Journal of Jilin University：Information Science Edition，2012，30（6）：555-560.

李金榮（1989-），碩士研究生，2012年就讀于浙江農林大學林業信息技術專業，研究方向為無線傳感器網絡故障診斷；

莫路鋒（1979-），研究生導師，2004年碩士畢業于北京大學，2014年博士畢業于西安交通大學，目前就職于浙江農林大學，研究方向為計算機軟件，無限傳感器網絡，molufeng@gmail.com。

王國英（1977-），男，1999年畢業于本科北京交通大學，2004年碩士畢業于廣西大學。目前就職于浙江農林大學，在讀西安交通大學博士。研究方向為計算機網絡；

PassiveDiagnosisforWSNsUsingTimeDomain FeaturesofSensingData*

LI Jinrong1，WANG Guoying1，2，MO Lufeng1*
（1.Joint Laboratory On Internet of Things and Global Climate Change，Zhejiang A&F University，Lin'an Zhejiang 311300，China；2.Computer Science Department，Xi'an Jiaotong University，Xi'an 710049，China）

Due to the dynamic network topology and limit of resources，fault diagnosis for wireless sensor networks is difficult.The existing diagnostic methods consume large of communication bandwidth and node resources，which lead to heavy burden of the resources-limited network.This paper presents a passive diagnosis method used for fault detection and fault classification based on the time domain features of sensing data（TDSD）.Firstly，the feature extraction and analysis of the sensing data are carried out using one-dimensional discrete Gabor transform，and then the data are diagnosed and classified with SOM neural network，finally the current network status and identify the fault cause are determined.The results show that，comparing with other methods，this method has fewer burdens in network communication，better diagnostic accuracy rate and classification results，etc，and it has a high diagnostic accuracy especially for both node fault and network fault.

wirelesssensornetworks；faultdiagnosis；timedomainfeatures；Gabortransform；SOMneuralnetwork EEACC：6210C；7230

TP212.9

A

1004-1699（2015）07-1078-08

10.3969/j.issn.1004-1699.2015.07.023

項目來源：國家林業局948項目（2013-4-71）；國家自然科學基金項目（61303236）；浙江省科技計劃項目重大科技專項項目（2012C13011-1）

2014-11-26 修改日期：2015-04-13

SOM神經網絡對數據進行診斷與分類，判斷當前網絡狀態并找出故障原因。實驗結果表明，與其它方法相比，此方法具有網絡通信負擔小、診斷準確率高及分類效果好等優點，對節點故障和網絡故障診斷都具有較高的診斷精度。