无线传感器节点的故障诊断研究

摘要/Abstract

摘要： 无线传感器网络节点发生故障不仅消耗节点的能量和网络带宽,甚至会造成网络瘫痪。在分析无线传感器网络节点故障类别的基础上,分别使用相关向量机、支持向量机等算法对其进行研究,并用节点的特征值及相应的故障类型训练相关向量机及支持向量机的分类器。仿真结果表明,相关向量机比支持向量机和人工神经网络有更高的诊断精度。

关键词: 无线传感器网络,故障诊断,相关向量机,支持向量机,人工神经网络

Abstract: In Wireless Sensor Networks(WSNs),faulty sensor nodes may consume the limited energy and bandwidth of network．Furthermore,they will produce the paralysis of entire systems．In this paper,RVM and SVM algorithm was applied to fault diagnosis for sensor nodes based on the analysis of fault type of WSNs nodes,and then the values of the features and the corresponding fault types of wireless sensor nodes were used to train RVM and SVM classifier．Simulation results show that the diagnosis results of the RVM model for wireless sensor are better than those of SVM and ANN.

Key words: Wireless sensor networks(WSNs),Fault diagnosis,Relevance vector machine(RVM),Support vector machine(SVM),Artificial neural networks(ANN)

尚兴宏,尚曦乐,章静,钱焕延. 无线传感器节点的故障诊断研究[J]. 计算机科学, 2013, 40(Z6): 327-329. https://doi.org/

SHANG Xing-hong,SHANG Xi-yue,ZHANG Jing and QIAN Huan-yan. Research on Fault Diagnosis of Wireless Sensor Nodes[J]. Computer Science, 2013, 40(Z6): 327-329. https://doi.org/

参考文献

[2] Tipping M E．Sparse Bayesian learning and the relevance vector machine[J]．The Journal of Machine Learning Research,2001,3:211
[3] Vapnik V N．The Nature of Statistical Learning Theory(2nd ed)[M]．New York,USA:Springer-Verlag,1995
[4] Scholkopf B,Alexander J S．Learning with Kernels:SupportVector Machines,Regularization,Optimization,and Beyond[M]．London:The MIT Press,2001
[5] Vladimir N V．The Nature of Statistical Learning Theory[M]．New York:Springer,1995
[6] Kropotov D,Ptashko N,Vasiliev O,et al．On kernel selection in relevance vector machines using stability principle[C]∥The 18th International Conference on Pattern Recognition(ICPR 06)．2006
[7] Zhang Q,Benveniste A．Wavelet networks[J]．IEEE Trans on Neural Networks,1992,3(6):889-898
[8] 所使用的Simulink仿真方法。对每次仿真的输出结果进行采样,其中故障发生之前采样3次,故障发生后采样7次。采样获取到的冲击故障、偏置故障、短路故障和漂移故障节点样本的信号输出分别如图1－图4所示。 图1 无线传感器节点冲击故障输出信号  图2 无线传感器节点偏置故障的输出信号  图3 无线传感器节点短路故障的输出信号  图4 无线传感器节点漂移故障的输出信号  由于特征值的取值不在同一个数量级,输入变量差异较大,因此为了提升诊断效果,需要进行归一化处理: x_i′=x_i－xminxmax－x_min 式中,x_i是样本节点i归一前的数据,xmin是样本数据中的最小值,x_max 是样本数据中的最大值,x_i′是样本节点i归一化后的数据。 4.2 分类器选择 在进行无线传感器故障诊断过程中,使用4个分类器来区别正常节点和4种故障节点[12],具体如表1所列。 CLASS1分类器用于训练将正常节点从训练集样本中区分出来,如果一个样本节点为正常节点,则CLASS1的输出值设置为+1,否则设置为－1；在测试过程中,CLASS1的输出为＋1,则表示样本节点处于正常状态,如果其值输出为－1,则表示样本节点为故障节点(即短路、偏置、漂移和冲击故障之一)。表1 分类器及节点状态分类器输出节点状态CLASS1 +1正常－1冲击偏置短路漂移CLASS2 +1冲击－1偏置短路漂移CLASS3 +1偏置－1短路漂移CLASS4 +1短路－1漂移 CLASS2分类器用于训练将冲击故障节点从剩余的训练集样本(冲击、偏置、短路和漂移故障样本)中区分出来,如果一个样本节点为冲击故障节点,则CLASS2的输出值设置为+1,否则设置为－1；在测试过程中,当CLASS2的输出为＋1,则表示样本节点处于冲击故障状态,如果其值输出为－1,则表示样本节点发生其他故障(即偏置、短路和漂移故障之一)。 CLASS3分类器用于训练将偏置故障节点从剩余的训练集样本(偏置、短路和漂移故障样本)中区分出来,如果一个样本节点为偏置故障节点,则CLASS3的输出值设置为+1,否则设置为－1；在测试过程中,当CLASS3的输出为＋1,则表示样本节点处于偏置故障状态,如果其值输出为－1,则表示样本节点发生其他故障(即短路和漂移故障之一)。 CLASS4分类器用于训练将短路故障节点从剩余的训练集样本(短路和漂移故障样本)中区分出来,如果一个样本节点为短路故障节点,则CLASS4的输出值设置为+1,否则设置为－1；在测试过程中,当CLASS4的输出为＋1,则表示样本节点处于短路故障状态,如果其值输出为－1,则表示样本节点发生漂移故障。 这样通过4个CLASS分类器的训练可以有效地从训练集样本中区分出正常节点、冲击故障、偏置故障、短路故障和漂移故障样本。 5 诊断结果分析 相关向量机、支持向量机及人工神经网络对无线传感器的样本故障仿真诊断研究详细结果如表2所列,3种算法诊断结果比较如图5所示。 相关向量机的训练是在贝叶斯框架下进行的,它能产生具有较高检测精度的决策函数,同时提高了系统的实时性。本文选择Mexican hat 小波作为其核函数,其仍具有较高的诊断结果。从表2可见,其平均诊断精度达到95.6%。  支持向量机的诊断结果是基于一种统计学习理论的新的机器学习方法,其采用结构风险最小化原则在最小化样本点误差的同时最小化结构风险,提高了模型的泛化能力,因此其也有较高的精度。本文选择RBF高斯核函数为SVM的核函数,利用交叉验证方法需找其最佳的惩罚因子c参数和核函数宽度σ。虽然其具有和相关向量机相似的决策函数,但由于不能很好地实现概率预测,因此其精度与上述RVM模型比有差距。从表2可见,其平均诊断精度为92.4%。 (下转第343页)(上接第329页)表2 诊断结果诊断算法节点数诊断错误数诊断正确率%平均正确率% RVM- Mexican 60395.0 120595.8 180895.6 2401095.895.6 SVM-RBF 60591.7 120893.3 1801492.2 2401892.592.4ANN-RBF 601083.3 1201984.1 1802884.4 2403685.084.2 图5 RVM,SVM及ANN 诊断结果比较  神经网络是基于传统统计学的基础上的,而传统统计学主要研究样本数据趋于无穷多时的统计性质,因此较上述算法有较弱的对策泛化能力。从表2可见,其平均诊断精度为84.2%。 从图5可见,在无线传感器网络不同样本数下,诊断算法的诊断精度一致表现为:RVM-Mexican>SVM-RBF>ANN-RBF。结果说明,对无线传感器节点的诊断使用RVM-Mexican算法会明显好于SVM-RBF和ANN-RBF。 结束语本文将相关向量机及支持向量机算法应用于无线传感器网络的节点故障诊断研究,在分析传感器节点故障类别的基础上以4个分类器区别正常节点及4类故障节点,并与人工神经网络等算法进行了比较。仿真实验表明,相关向量机算法比支持向量机和人工神经网络有更高的诊断精度。 Pottie G J,Kaiser W J.Embedding the Internet:Wireless integrated network sensors[J]．Communications of the ACM,2000,43(5):51-58[2]Tipping M E．Sparse Bayesian learning and the relevance vector machine[J]．The Journal of Machine Learning Research,2001,3:211[3]Vapnik V N．The Nature of Statistical Learning Theory(2nd ed)[M]．New York,USA:Springer-Verlag,1995[4]Scholkopf B,Alexander J S．Learning with Kernels:SupportVector Machines,Regularization,Optimization,and Beyond[M]．London:The MIT Press,2001[5]Vladimir N V．The Nature of Statistical Learning Theory[M]．New York:Springer,1995[6]Kropotov D,Ptashko N,Vasiliev O,et al．On kernel selection in relevance vector machines using stability principle[C]∥The 18th International Conference on Pattern Recognition(ICPR 06)．2006[7]Zhang Q,Benveniste A．Wavelet networks[J]．IEEE Trans on Neural Networks,1992,3(6):889-898[8]闫丹．基于人工免疫的无线传感器网络节点故障诊断[D]．成都:电子科技大学,2009
[9] Vapnik V N．Estimation of dependencies based on empirical data[M]．Berlin:Springer-Verlag,1982
[10] Zhang L,Zhou W D,Jiao L C．Wavelet support vector machine[J]．IEEE Trans Syst Man Cybern Part B,2004,34(1):34-37
[11] 何飞,黎敏,等．基于小波相关向量机的产品质量模型[J]．北京科技大学学报,2009,1(7):934-938

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed