基于WSN 與異常數據識別的拉線動態監測方法研究

鄭 曉，汪 豪，梁偉昕，鄭武略

（中國南方電網有限責任公司超高壓輸電公司廣州局，廣東廣州 510700）

隨著計算機、無線傳感設備、智能數據處理等技術的發展與5G的推廣應用，越來越多的行業開始向數據化轉型。利用數字化技術（Digitization Technology）進行行業賦能，有利于提升傳統行業的生產效率及加強人工成本控制[1-5]。該文針對施工過程中干字塔的受力狀態、工況姿態等難以監控的問題進行了研究。

在傳統場景下，干字塔狀態受控于作業工人的經驗，受力情況無法進行數據化描述，故不符合現階段的安全生產管理要求。而在極端狀態下，還存在工人違規施工、超重吊裝及控制繩設置不規范等安全隱患。嚴重的甚至可能還會導致吊裝系統超負荷，從而出現拉線斷裂、桿或塔折斷等事故。為解決目前工地上干字塔受力不便于監控的問題，可以將張力、傾角等不同測量部分進行模塊化設計。同時通過大規模無線傳感網絡（Wireless Sensor Networks，WSN）完成信號的采集與傳輸，并對干字塔拉線狀態進行數字化描述。然后再基于采集的數據，利用智能化算法進行報警預測。最終，實現施工過程的全局精準化控制。

文中針對桿塔拉線的狀態監測設計了一套軟硬件系統。該系統通過多種傳感器進行測力，然后基于無線網絡將數據傳送至監控系統，最終由監控系統中的數據識別算法模塊實現拉線狀態的評估判斷，進而實現施工全過程的數字化、遠程化監控。此次對系統的實現思路和異常數據識別的方法進行了詳盡地闡述，同時還基于系統的實測數據，對數據識別精度進行了仿真分析。

1 理論設計

1.1 系統架構

測力監控系統由十二套拉線張力測試機、一套兩軸抱桿傾角傳感器以及數據接收器、聲光報警器等附件組成。其中，傾角傳感器采用角鋼外固板與內固板，通過螺釘緊固于橫材上；而拉線張力測試機則連接于拉線繩上，若連接可靠，二者就能進行測量操作。

測力傳感器[6]和傾角分別實現鐵塔組立過程中的力值及傾斜角度檢測，并根據設置的報警數據發出提示，且通過無線通信與數據接收器完成數據傳輸。數據接收顯示器可讀取、顯示各傳感器的測量數據及報警狀態，再將測量數據發送至聲光報警器完成聲光報警。測力監控系統的構成，如圖1 所示。

圖1 測力監控系統基本結構

系統基于藍牙及ZigBee 協議[7]實現采集信號的無線傳輸，藍牙的傳輸距離最遠可達50 m，而ZigBee協議的最遠傳輸距離則為450 m。基于無線數字信號傳輸方式，可以消除長電纜傳輸造成的布線繁瑣與噪聲干擾。后期無線傳感器節點能夠組成龐大的無線網絡，支持上千個測點同時進行傾角監測。此外，該系統還配套專業的電腦軟件，可進行實時的數據測量及記錄。

1.2 WSN網絡的數據異常識別算法

在圖1 的系統內，數據接收器中可以采集大量的拉線數據。基于這些數據，引入智能數據處理算法就可以實現拉線狀態的動態監測。而當前神經網絡(Back Propagation,BP)是流行的機器學習算法，其網絡結構如圖2 所示。

圖2 BP神經網絡基本結構

該網絡[8-12]主要包含信號的正向傳播與誤差的反向傳播兩個過程。記網絡的層數為L，xi為神經網絡的輸入單元，yj為輸出層的神經單元，hi為隱藏層神經單元，則網絡的正向傳播方程為：

式中，σ是當前層次神經元所使用的激活函數，是第l層第j個神經元的輸出值，w為神經元間的傳播權重，b為神經元的傳遞截距。在進行網絡的初始化時，將輸入層的值賦值給，則對于第1 層的全部神經元，有：

記C為神經網絡使用的代價函數，基于網絡的輸出aL，可求得：

在BP 神經網絡中通過誤差的反向傳播不斷調整w和b，進而使網絡的輸出值逐漸接近理想輸出。基于鏈式求導法則(Chain Rule)和梯度下降法(Gradient Descent)，能夠得到參數的更新方程為：

其中，:=為更新賦值符號，α是網絡的學習率。傳統的BP 神經網絡雖可實現數據的分類，但上文中WSN 網絡采集的數據規模龐大且信息豐富，即使神經網絡具有較強的擬合泛化性能，仍無法滿足該場景對于算法訓練效率、監控實時性的需求。針對WSN 網絡[13-16]的數據特點，此次對傳統BP 網絡進行了改進，以滿足實際的應用場景。

針對WSN 采集器的采集異常或數據缺失等問題，文中根據傳感器數據的時間相關性，并基于馬爾可夫鏈(Markov Chain，MC)的假設，引入狀態轉移概率進行數據校準：

式中，si為序列x在t-1 時刻的狀態；pij為si在t時刻出現sj狀態的概率，N則是該狀態出現的總次數。

此外，在網絡訓練時還引入了一種基于置信區間思想的殘差判定模型。該模型可有效剔除由于WSN 網絡波動導致的異常數據。定義殘差M的計算表達式為：

式中，v是選取的樣本數量，Ei為實際的樣本值，F為選取樣本的數學期望。此時可得到置信區間的上下界，分別如下：

式中，S為狀態集，tα/2,v-1為t分布(t-distribution)，Xˉ為迭代過程中網絡的輸出值，k是[0,1]之間的一個常數。

2 方法實現

2.1 系統實現

基于圖1 系統結構和上文的技術方案，完成了系統的軟硬件構建。表1 給出了系統實現中，無線傳感網絡所使用的傳感器類型及其技術參數，表2則為整個系統的相關技術參數。

表1 系統使用的傳感器及其參數

表2 拉線狀態監測系統技術參數

2.2 異常識別算法驗證

2.2.1 識別算法仿真實驗設計

接下來，對寫入的異常數據識別算法的性能加以驗證。系統中，11 個傳感器節點的采集數據可通過服務器端的MySQL 數據庫導出。從中篩選出如表3 所示的數據集，進行算法的訓練與性能測試。

表3 數據集參數

根據上文所述的模型理論，設計相關模型參數如表4 所示。

表4 模型參數

為了避免網絡在訓練過程中陷入局部最優解，還引入了一種動態的學習率調整機制。該機制的主要思路：在網絡訓練的初期，降低網絡的目標訓練誤差，提升學習率及訓練效率；而在網絡訓練的后期，隨著網絡的逐漸收斂，提升網絡的目標訓練誤差，且降低其學習率，以保證網絡的擬合精度。具體的調整策略，如表5 所示。

表5 學習率調整策略

在評估算法性能時，使用檢測率(True Positive Rate，TPR)和誤報率(False Positive Rate，FPR)兩個指標，計算公式如下：

其中，mTP、mFP、mTN、mFN分別為識別結果中真正例、假正例、真反例及假反例的個數。

2.2.2 識別算法仿真實驗結果

為驗證所提算法對拉線異常狀態的識別效率，文中引入了傳統的BP 神經網絡進行對比。首先在驗證算法的訓練速度時，將表3 的數據集按照表6 進行劃分。

表6 樣本劃分

圖3 給出了所提算法與傳統BP 網絡在不同樣本上的訓練時間。從整體來看，每個樣本集中所提算法的訓練時間均優于傳統BP 算法。且測量得到該文算法的平均訓練時長為12.32 s，較傳統的BP 神經網絡降低了27.53%。

圖3 不同樣本上的算法訓練時間

兩種算法在迭代過程中，網絡的訓練誤差與迭代步數變化情況如圖4 所示。同時，各算法在迭代過程中均采用表5 所述的學習率調整策略。由表可知，所提算法在91 次便達到了目標誤差，而傳統BP網絡則在124 次時才達到，故所提算法較傳統算法迭代次數下降了26.61%。

圖4 算法的訓練誤差隨迭代步數的變化

表7-8 分別給出了傳統BP 網絡與所提算法在測試集上的指標計算結果。根據表6 的樣本劃分，選用每個樣本集的30%作為測試集。

對比表7-8 的結果可以看出，兩種算法的模型指標均會隨著訓練測試樣本規模的增加而改善。從算法的平均TPR 及FPR 指標可知，所提算法較傳統BP 網絡均有明顯改善。其中TPR 從傳統的96.25%提升至99.05%，增長了2.8%，FPR 則從傳統的4.43%下降至2.45%，降低了1.98%。

表7 傳統BP算法的模型指標

綜上所述，在算法的訓練速度及模型指標兩個方面，所提算法的性能均顯著優于傳統BP 網絡。

表8 所提算法的模型指標

3 結束語

該文基于大規模無線傳感網絡設計了一套拉線動態監測系統。該系統實現后，能在每個數據接收器上對監控點進行數據顯示，其數顯界面直觀明了，報警值設置操作簡單便捷。因此，該系統可以有效實現電力工程施工安全的可控、能控及在控，進而提高了安全性與作業效率。