工業(yè)建筑中無線火災傳感網絡故障診斷的應用研究

應一鎮(zhèn)

摘 要：工業(yè)建筑的火災防護是通過傳感器系統(tǒng)來完成，但是隨著火災防護等級的提升，傳統(tǒng)的有線網絡故障診斷模式已經無法滿足工業(yè)防護需求。因此，文章研究在粗糙集結合神經網絡的基礎上，構建神經網絡系統(tǒng)，經過綜合診斷，發(fā)現(xiàn)優(yōu)于新系統(tǒng)的優(yōu)化作用，其迭代次數(shù)明顯低于舊神經網絡系統(tǒng)，而在準確率方面，卻呈現(xiàn)明顯的提升趨勢。可見，建立新的無限火災傳感網絡故障診斷系統(tǒng)具有重要的應用價值。

關鍵詞：工業(yè)建筑；無線火災傳感網絡；故障診斷

工業(yè)是推動社會發(fā)展的重要產業(yè)，由于工業(yè)建筑具有復雜性的特點，導致其一旦出現(xiàn)火災，降火具有發(fā)展快以及多樣性的特點，嚴重時甚至出現(xiàn)爆炸，因而工業(yè)火災容易造成巨大的損失[1]。傳統(tǒng)的有線報警技術需要較多的線路，且維修和安裝較為困難[2]。隨著我國《建筑設計防火規(guī)范》的頒布，其對工業(yè)建筑的防火提出了更高的需求[3]。無線傳感網絡（Wireless Sensor Networks，WSN）技術是通過探測技術和無線技術相結合的產物，通過節(jié)點故障診斷，可以提升故障的診斷效率。本文主要結合粗糙理論以及神經網絡，采用無線傳感網絡來預測故障，以此來提升故障診斷的準確率以及處理效率。

1 粗糙集在工業(yè)建筑故障中的約簡作用

工業(yè)建筑中構建無線傳感網絡，需要通過電池來進行供電，因而節(jié)點的處理能力相對有限，但是其節(jié)點數(shù)量相對較多，因而在網絡構建的環(huán)境下，必然會出現(xiàn)冗余的信息，部分數(shù)據在診斷中未出現(xiàn)故障，但是在數(shù)據增加的情況下，會增加故障的診斷時間，并且會消耗較多的能量，影響診斷效率以及質量[4]。在此情況下，采用粗糙集對數(shù)據進行處理，可以去除冗余信息，保留有用的信息，以此來提升故障的處理效率。

在無線傳感網絡的診斷中，設定BI=（X，A）是系統(tǒng)，設定Onxn=（Cij）nxn是差別函數(shù)，給定知識庫K=（U，S）和關系簇，如果IND（G）=IND（T），且G獨立存在，可以確定G是T的約簡，如果IND（T-{G}）≠IND（T），則G是T必要因素，T的構成因素可以標記為COPE（T），稱之為T的核。通過對算法的改進，可以實現(xiàn)如下功能：

計算差別矩陣Onxn（BI）。

根據差別矩陣，對BI的核進行計算，設定B=CORE（T）。

a（xi，xj），其中i和j=（1，2，...，n），并且a與B的交集不是空集，則可以確定a（xi，xj）=0。

統(tǒng)計差別矩陣，確定出現(xiàn)次數(shù)最多的屬性納入到B中，確定B和a的并集包含B，則重新計算第三步驟。

獲取約簡B，結束算法。

通過對改進算法的分析，可以獲取屬性約簡的算法，并且可以對故障信息進行約簡，去除冗余信息，提升故障的處理效率。

2 基于粗糙神經網絡的無線傳感網絡故障診斷

對于粗糙神經網絡無線傳感網絡的故障診斷，包括工業(yè)建筑故障診斷網絡以及人工神經網絡與粗糙集的結合[5]。對于診斷網絡的確定，需要建立故障診斷樣本，對其進行粗糙集處理，之后將相關信息傳輸?shù)紹P神經網絡，通過RS-BP的方式來確定故障的類型[6]。對于人工神經網絡與粗糙集的結合，工業(yè)建筑由于具有差異性，因而具有模糊性和不完整的特征，人工神經網絡具有較高的容錯以及組織能力，但是對于冗余信息的處理能力不足，粗糙集可以進行簡約處理，但是不具有干擾能力，因此，將兩種方式結合起來，通過粗糙集對數(shù)據信息進行預處理，分辨出系統(tǒng)的冗余信息，之后通過人工神經網絡進行分析，可以較好地確定故障類型，從而為故障的診斷提供科學的依據。

3 工業(yè)建筑無線傳感網絡故障診斷實驗

3.1 系統(tǒng)設計

某工業(yè)建筑采用無線傳感網絡構建火災預警診斷體系，在該建筑中，共具有N個地區(qū)，均采用無線溫度和濕度探測器，其主要結構為SHT11溫濕傳感器以及中央處理器（MC13213）。對于兩者之間的通信，主要是采用CC1000無線通信芯片（Chipcon公司生產）來實現(xiàn)，其主要包括中央處理器、火災傳感器、無線通信芯片以及能量模塊4個組成部分，其通過傳感器的節(jié)點位置分析來確定工業(yè)建筑中的故障。

對于系統(tǒng)拓撲結構的設計，采用樹形結構，通過ZigBee協(xié)議來構建數(shù)據網絡，將采集的信息發(fā)送到服務器，實現(xiàn)對建筑的整體監(jiān)控，通過感知節(jié)點，可以實現(xiàn)對故障的收集，并且在匯聚節(jié)點程序的設計下，可以實現(xiàn)對故障類型的診斷，從而便于對工業(yè)建筑火災的監(jiān)控和預防。

3.2 故障分類

在對故障分類處理中，通過預警系統(tǒng)以及故障診斷系統(tǒng)，采用無線發(fā)送模塊將數(shù)據發(fā)送到服務器，通過仿真實驗，可以將故障類型進行分類，其主要包括以下5種故障類型：（1）未發(fā)生故障；（2）能量不足；（3）CC1000故障；（4）SHT11故障；（5）MC13213故障。在故障分析中，結合粗糙集，可以建立傳感器故障診斷系統(tǒng)，在系統(tǒng)中，K=（T，C），在數(shù)據集中，C=W∪V，2個子集的條件屬性為W，而其結果屬性為V，T是系統(tǒng)的論域，將故障節(jié)點信息作為征兆，將其屬性值設定為0和1，其中0表示未發(fā)生故障，1表示出現(xiàn)故障，經過對屬性的分析，可以確定故障的類型。其節(jié)點故障類型情況如表1所示。

在表1中，W1—W9分別表示：周期循環(huán)數(shù)據、節(jié)點接收數(shù)據、節(jié)點發(fā)送命令、節(jié)點具有通信功能、參數(shù)是否超過閾值、節(jié)點對發(fā)射頻率是否響應、節(jié)點是否存在誤碼、溫度是否正常以及濕度是否正常。從表1中可以看出，幾種故障類型之間存在重疊的現(xiàn)象。

在確定故障類型后，對故障決策情況進行分析，為了保證結果的簡潔性，通過約簡規(guī)則，去除冗余屬性，確定最為簡單的集合{W2，W4，W5，W6}，結果如表2所示。

通過表2的分析，可以將向量位數(shù)縮小到4維，通過人工神經網絡建立仿真系統(tǒng)，在舊版本的神經網絡中，向量維數(shù)為4，神經元為9，輸出個數(shù)為3，向量范圍[0，1]，通過S對數(shù)函數(shù)，可以確定其迭代次數(shù)為1 000。而新版本的神經網絡中，通過相同的參數(shù)設置，并且在Matlab7.12的基礎上，可以對兩者的參數(shù)進行對比。發(fā)現(xiàn)舊版本的神經網絡迭代次數(shù)為98，準確率為91.2%，RS-old神經網絡迭代次數(shù)為54，準確率為95.2%。新版本神經網絡迭代次數(shù)為73，準確率為93.4%，RS-newBP的迭代次數(shù)為37，準確率為98.4%。可見，新系統(tǒng)的迭代次數(shù)低于以往系統(tǒng)，但是準確率較高。