含有擾動的無線傳感器網絡故障檢測

張 鵬，杜文祥，邸希元

(哈爾濱理工大學自動化學院，黑龍江 哈爾濱 150080)

0 引言

現如今針對WSN故障檢測的研究方法可以歸類為：定量、定性。文獻[1-2]即為定量方法：文獻[1]基于前饋神經網絡對故障進行檢測，通過神經網絡對WSN故障進行分類，可以診斷復合故障；文獻[2]使用了一種基于不確定性的分布式故障診斷方法，缺失的數據通過訓練來彌補，提高了故障檢測的準確性。文獻[3-5]為定性方法：文獻[3]通過WSN中相鄰節點之間的時間、空間相關性來對節點進行故障檢測；文獻[4]通過對節點之間決策信息的傳播進行比較實現故障檢測；文獻[5]通過重構決策屬性以及支持向量機訓練來對WSN進行故障檢測。

但以上定量、定性方法在對含有擾動的WSN進行故障檢測時都存在些許不足，無法直觀地判斷數據波動是由擾動引起還是故障引起，并且定性的方法以及定量方法當條件不充足或數據量不充足時對故障診斷結果會產生誤差。本文針對此問題，提出了含有擾動的無線傳感器網絡故障檢測方法：既包含定性又包含定量知識的置信規則庫模型(BRB-r)。

1 問題描述

WSN通過散播在大范圍內的感知節點收集監測信息，對WSN故障檢測問題進行研究，首先要對WSN節點是否出現故障進行判斷檢測，由于擾動的存在，若我們檢測到數據波動出現異常則能夠確定WSN節點可能出現故障。為完成以上目的進行如下定義：

(1)

(2)

故障檢測是通過對WSN收集的數據進行分析實現的，根據WSN數據的時間空間相關特性找出可能存在問題的數據。由于WSN收集監測數據時存在噪聲擾動，這會讓收集的數據不完全可信，此問題通過構建BRB-r解決。其中函數f為輸入數據集轉換到輸出檢測結果的過程。R為轉換過程中的參數合集。

2 基于BRB-r的故障檢測模型

本文對含有擾動的WSN故障檢測問題進行研究，在處理觀測數據時存在數據不可靠問題，傳統的BRB沒有考慮數據的不可靠因素，若在數據不完全可信的情況下還將它作為輸入會導致BRB出現建模精度的問題等，因此引入BRB-r模型來處理數據不可靠的問題。

BRB-r本質是一種專家系統，由一定數量的置信規則構成。它融合了屬性可靠性以及傳統BRB所擁有的屬性權重，屬性可靠性是從觀測數據中獲得的屬性的固有特性，能夠準確地表示數據信息的屬性。并且從WSN的工作原理中分析可知，WSN節點收集的觀測數據中存在數據相關特性，具體表現為：時間相關性，空間相關性以及屬性相關性。在對WSN收集到的數據進行研究時，可以通過這些相關特性提取前提屬性，從而進行下一步研究。

1) 時間相關前提屬性表現為均值、均方值、方差、標準差、偏度、峰度；

2) 空間相關前提屬性表現為殘差；

3) 屬性相關前提屬性表現為比例關系。

通過提取數據的前提屬性來建立前提屬性到故障檢測的對應關系。傳統BRB模型中存在屬性權重，它可以表示該屬性的相對重要性，但是屬性權重與屬性可靠性相比屬于比較主觀的方面，我們考慮屬性權重以及屬性可靠性等方面的因素，將BRB-r的第k條規則定義為：

其中，r1,r2,…,rM表示M個屬性的可靠性，經過證實在屬性完全可靠時BRB-r模型就是經典BRB模型，在WSN故障檢測中DN表示輸出結果(正常或故障)。

(3)

(4)

(5)

(6)

(7)

式(7)中，ak表示第k條規則的屬性權重以及屬性可靠性的匹配度，Tk表示第k條規則中的屬性數。接下來對第k條規則的激活權重進行計算如式(8)：

(8)

式(8)中，θk是第k條規則的規則權重，L表示BRB-r 模型中定義的規則的數量，并且規則權重在0到1之間，所有規則的規則權重之和為1。

噪聲引起的不可靠數據通過融合了屬性可靠性的BRB-r模型處理，構建BRB-r模型時使用ER算法對規則進行組合具體計算如下：

(9)

(10)

βn表示第n個檢測結果Dn的置信度。綜合表示L條規則生成的BRB-r輸出結果為：

S(x·)={(Dn,βn);n=1,2,…,N}

(11)

BRB-r模型的整體優化則使用CMA-ES算法進行，BRB-r的建模精度由均方誤差(MSE)表示，T表示觀測數據量，outputactual表示系統實際輸出。計算方法如下：

(12)

3 仿真實驗

使用第2章構建的BRB-r模型以及Intel實驗室Intel Lab Data的無線傳感器網絡數據集進行實驗，驗證BRB-r在含有擾動的情況下故障檢測的有效性。首先根據DBSCAN聚類分析方法以及傳感器節點在實驗室中的空間位置對節點進行分類。結果如表1所示。

表1 聚類結果

前提屬性選擇完畢后構建一個BRB-r故障檢測模型，結構如圖1所示。

圖1 故障檢測模型圖Fig.1 Fault detection model diagram

圖1中x1，x2分別為空間殘差、時間標準差。x3表示BRB-r產生的輸出結果，也就是故障檢測結果。

根據實驗所使用的前提屬性時間標準差以及空間殘差設置參考點和參考值。x1的參考值設定為：負值大(S)，負值小(SL)，零(Z)，正值較小(XS)，正值較大(XLS)，正值大(XXS)等6個參考點，描述為：

x1k∈{S,SL,Z,XS,XLS,XXS}

(13)

x2的參考值點設置為：零(XS)，正值較小(XLS),正值較大(LLS)，正值大(XXS),正值極大(LXS)等3個參考點，描述為：

x2k∈{XS,XLS,LLS,XXS,LXS}

(14)

根據圖2所示時間相關性和式(14)選擇參考點參考值如表2、表3所示。

圖2 時間相關性分析Fig.2 Time correlation analysis

表2 x1參考點以及參考值

表3 x2參考點以及參考值

根據參考值以及參考點的設置構建BRB-r模型其中每一條規則為：

根據參考點選擇的個數給出如下置信度表4。

表4 初始置信度

構建上述置信度表，將不同的前提屬性x1，x2與故障檢測結果D之間關系進行確定，并根據此置信度表對故障檢測結果D進行實驗研究，實驗結果如圖3所示。

圖3 BRB-r故障檢測結果Fig.3 BRB-r fault detection results

圖3橫坐標表示實驗樣本數，縱坐標表示正常數據以及故障數據的區間。

3.1 對比實驗

使用BRB模型對WSN故障檢測進行分析與BRB-r模型實驗進行對比驗證，實驗結果如圖4所示。

圖4 故障檢測效果對比Fig.4 Comparison of fault detection effects

根據式(17)計算出BRB-r模型以及BRB模型的故障檢測結果，如表5所示,其中TL表示正確檢測的樣本數量，ALL表示樣本總體數量。

表5 實驗結果對比

(17)

4 結論

本文提出了含有擾動的無線傳感器網絡故障檢測方法。該方法包含了定性知識以及定量知識，融合了屬性可靠性以及屬性權重，可以更加完美地解決外界不可靠因素對故障檢測研究的影響。仿真實驗結果表明，BRB-r模型能夠在WSN處于擾動狀態下對WSN是否出現故障進行判斷，相較于BRB模型檢測準確率更高，穩定性實用性更強。在后續研究中會對出現故障的故障類型進行分類研究，提高本故障檢測方法的實際應用價值。