分布式傳感器網絡系統故障預測方法

路萍,　鄭偉

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

?

分布式傳感器網絡系統故障預測方法

路萍1,鄭偉2

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

針對分布式傳感器網絡很難采用一種通用方法來實現算法簡單的故障預測問題，提出了一種基于知識發現的故障預測方法。該方法首先建立了時間信息的數學描述系統，以實現基于因果指數的知識發現；然后，利用因果關系的知識推理機制，實現分布式傳感器網絡系統的故障預測。通過對瓦斯抽放監控系統的故障預測實驗，證明該方法能準確預測分布式傳感器網絡系統故障，具有算法簡單、實用高效的優點。

瓦斯抽放監測; 分布式傳感器網絡; 故障預測； 知識發現

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160429.1122.008.html

0　引言

在煤礦瓦斯抽放監控系統中，需要利用傳感器監測井下瓦斯抽放情況，包括管道的流量、溫度、壓力、甲烷濃度及環境甲烷濃度等參數。這些傳感器分布在不同的監測地點，通常通過這些傳感器節點采集的數據來監測和預測系統故障[1]。目前，煤礦瓦斯抽放監控領域仍有一些特殊的問題亟待解決，對分布式傳感器網絡系統的故障預測技術提出了很大挑戰。首先，分布式傳感網絡由若干傳感器節點組成，這些傳感器通過相互協作去監測不同參數，這些參數通常具有隨時間和空間不斷變化的特點[2]，由于傳感器節點和監測參數的個體差異，系統故障分析變得非常困難。第二，每個傳感器節點捕獲到數據后組成一個時間序列，代表了感測物理變量在空間和時間上的演變趨勢[3]，由于傳感器損壞或環境變化，實現對不同時空數學模型的監測過程非常困難[4]。第三，分布式傳感器網絡通常由體積小巧、價格便宜的智能傳感器節點組成，這些傳感器節點只能夠感知環境參數，處理簡單的任務[5]。目前，系統故障預測方法主要有如下幾種：① 基于模型的故障預測方法，如參考文獻[6]采用基于灰色系統模型的預測系統，常用于數據少以及不確定性背景下處理數據并預測事物發展趨勢，但該方法在應用上需要獲取對象系統的精確數學模型，一旦模型不準確，預測偏差就較大；② 基于數據驅動的故障預測方法，如參考文獻[7]采用小波神經網絡對測試數據進行學習訓練，建立了開關磁阻發電機系統故障預測模型，該方法不需要對象系統的先驗知識，但需要大量樣本數據進行模型訓練，有時候存在收斂速度慢等問題；③ 基于概率統計的故障預測方法，如參考文獻[8]針對復雜武器測試系統，將預測對象歷史數據排列構成一個隨時間變化的統計序列，建立時間序列預測模型，該方法根據故障歷史數據的統計特性進行故障預測，理論上不能保證預測結果的精度[9]。目前適用于多參量分布式傳感系統的故障預測手段還相對缺乏，尤其傳統算法時空復雜度高，多參量背景下的模型建立困難。針對上述問題，本文結合因果關系模型以及時序統計手段，提出了一種基于因果知識發現的分布式傳感器網絡系統故障預測方法，該方法具有算法簡單、實用高效的優點，為實現分布式傳感器網絡系統故障預測提供了一種新的技術思路。

1　因果信息描述系統

原因和結果是揭示客觀世界中普遍聯系著的事物具有先后相繼、彼此制約的一對范疇。 本文借鑒了參考文獻[10]對因果關系信息系統的描述。

定義1因果信息系統定義為

(1)式中：T為時間集，T={t1,t2,…,tk}；C∪R=D，為事件集,C為原因事件集，C={C1,C2,…,Cm}；R為結果事件集，R={R1,R2,…,Rn}；V為事件狀態集合， V={發生態，結束態，延續態，消失態}；f為一個信息函數，f:TXD→V，它指定T中每一時域元素t所在位置的事件狀態。

定義2當時間集T表示事件集D時，T|D=[TB, TE]，TB為事件集D的開始時間集，TE為事件集D的結束時間集。

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的因果關系強度，稱其為因果度。

本文對參考文獻[10]中的因果度σij的計算公式統一進行了量綱改進，定義如下： ?T|Ci=[tp,tq], ?T|Rj=[tg,th]。

(2)

式中：tp為原因事件Ci的開始時間；tq為原因事件Ci的結束時間；tg為結果事件Rj的開始時間；th為結果事件Rj的結束時間；k1為瞬態影響系數，k1>0；k2為累積影響系數,k2≤1。

式(2)實現了對因果關系強度的定量計算，對原因事件Ci和結果事件Rj而言，它們之間的因果度值越高，意味著兩者之間內在關聯性越強。

2　因果關系知識推理

為實現系統的故障預測，即實現從原因事件推測可能發生的結果事件，定義了影響度指標來評估因果知識。

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

(3)

式中WI(Ci,Rj) 為Ci和Rj的連接強度，用來表述概率的增強度。

通過計算IMPj(Ci)，再將結果按降序排列，可以預見，上述影響度計算值越大，表示原因事件Ci有更大的可能性導致產生結果事件Rj。上述知識推理可以實現從原因事件去推測結果事件，由此實現系統故障預測。

3　基于知識發現的故障預測方法應用步驟

依據基于知識發現的故障預測方法，分布式傳感器網絡系統故障預測步驟如下：

(1) 將原因集和結果集的時間信息矩陣化。

(2) 按式(2)計算因果度σij。

(3) 設置WI(Ci,Rj)，將步驟(2)因果度計算結果代入式(2)，計算影響度指標IMPj(Ci)。

(4) 將IMPj(Ci)計算結果按降序排列。

(5) 預測規則：按IMPj(Ci)從大到小排列，原因事件Ci最可能導致發生的是IMPj(Ci)值最大的結果事件Rj，導致其他結果事件的可能性按降序遞推。

4　仿真實驗與分析

4.1系統描述

實際工程中，瓦斯抽放監控系統包含對壓力、濃度、流量、溫度等參數的監測，各種參數可達幾十種之多。為方便說明，將瓦斯抽放監控系統的參數監測簡化為4路壓力監測、3路濃度監測、3路流量監測、2路溫度監測，各路監測組建為一個分布式傳感器網絡。 系統故障監測對象包括抽放泵故障、管道泄漏、電能損耗，如圖1所示。傳感器節點實時捕獲傳感器信號的變化情況并匯報給通信監測計算機，每一個節點都是一個具有時間記錄能力的傳感器單元。具有高速處理能力的通信監測計算機記錄異常信號的發生和結束時間以及系統故障狀態的開始和結束時間，完成信息融合任務。

圖1　簡化的瓦斯抽放監控系統

4.2時間信息矩陣化

傳感器信息作為原因事件集C={C1,C2，…,Cm}，系統狀態的輸出作為結果事件集R={R1,R2，…,Rn}。通過模擬傳感器節點的故障，獲得時間信息表(表1)。其中監測參數有管道壓力、電動機溫度、瓦斯濃度、管道流量等，錯誤1、2、3分別為抽放泵故障、管道泄漏和電能損耗故障。

表1　實驗獲得的時間信息

按第3節所述步驟，將時間信息表述為矩陣形式：

對于式(2)設置k1=k2=1，計算出σij(i=1,2,…，12,j=1,2,3)的值。因果關系指數值的三維曲面如圖2所示。

圖2　因果關系指數值的三維曲面

峰值表示強的因果關系，谷值表示弱的因果關系，由此實現因果關系分布的定量描述。

4.3系統故障預測

影響力連接強度設為WI(Ci,Rj)=1/3，使用式(2)計算IMPj(Ci)(j=1,2,3)的結果，如圖3所示。對傳感器節點C1(對應監測管道壓力1)，影響度指數為IMP1(C1)，IMP2(C1)和IMP3(C1)。按降序排列：IMP3(C1)>IMP1(C1)>IMP2(C1)。上述關系表示C1對R3,C1對R1以及C1對R2的影響度。R3是最有可能的結果事件(針對C1而言)，即在C1這一原因事件發生條件下，最有可能發生的系統故障預測為故障3。由C1產生的其他可能的故障分別預測為系統故障1和故障2。

在瓦斯抽放監控系統中，采用編碼器采集閥門開度，根據管道壓力和管道流量反饋控制閥門開度。實驗過程中，調節減小C1監測管道的閥門開度，引起抽放管道內管道壓力減小，負壓增大，管道內壓損變大，這種情況下，電能產生損耗。由此驗證了管道壓力C1是對應故障3,即電能損耗故障，與根據本文提出的方法，建立影響度排序，推理出的結論一致。

圖3　影響度指數

類似地，分別計算其他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的事件Rj有更多的可能性是事件Ci的結果事件。將上述過程進行多次訓練使系統學習到因果規則。此后，如果一個原因事件發生，系統將根據因果關系的知識評估機制來預測可能的結果事件。

5　結語

分布式傳感器網絡包含各種類型的傳感器，目前很難通過建立一個通用方法來實現算法簡單的故障預測，為此，提出了一種基于知識發現的故障預測方法，該方法包含因果度和影響度指數。因果度表明原因和結果事件的因果關系強度，可實現分布式系統各信號參量潛在的因果關系發現。影響度表明一個原因事件對結果事件的影響程度，將其統計排序可用于系統故障預測。由于該方法的使用只需要監測各傳感器及系統故障發生的時間起止點，不需要建立規格各異的各傳感器監測模型，也不需要了解各參量監測的具體物理背景，是一種對時態數據的知識挖掘手段，具有算法簡單、實用高效的優點。以瓦斯抽放監控系統為例的分布式傳感器系統故障預測實驗，通過對因果度和影響度的簡單計算及排序，可以依據探測到的傳感器故障，根據訓練好的規則迅速預測可能導致的系統故障。實驗結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.灰色系統理論在故障預測中的應用現狀及其發展趨勢[J].火炮發射與控制學報,2009(3):88-92.

[7]李寧,雷洪利,韓建定,等. 基于小波神經網絡的開關磁阻發電機故障預測模型研究[J]. 計算機測量與控制,2011,19(8):1835-1837.

[8]胡澤文,肖明清.基于時間序列模型的故障預測研究[J].計算機測量與控制,2013,21(6):1421-1423.

[9]馬碩,焦現煒,田柯文，等.故障預測技術發展與分類[J].四川兵工學報,2013,34(2): 92-95.

[10]鄭偉,孟曉風,孫群.基于時事折換圖的因果知識量化分析方法[J].計算機應用,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；責任編輯：張強。

重慶市科技計劃項目基礎與前沿研究計劃項目(cstc2015jcyjA40008)。

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

TD712

A網絡出版時間：2016-04-29 11:22

路萍,鄭偉.分布式傳感器網絡系統故障預測方法[J].工礦自動化，2016,42(5)：32-35.