基于时间加权K-近邻法的无线传感器网络故障诊断方法

摘要

本发明涉及一种基于时间加权K-近邻法的无线传感器网络故障诊断方法，先建立K-近邻法训练库；按时离散采样WSN状态特征值并组成特征向量，每个特征向量代表无线传感器网络该采样时刻的状态；K-近邻法对WSN特征向量作预诊断，启动判断时间相关性机制；如符合条件，则启动加权修改规则，最后输出结果。本发明针对无线传感器网络(WSN)系统故障的诊断问题，按照系统故障机理确立特征值，根据WSN系统故障的时间相关性，设计基于时间加权的故障诊断分类规则和参数，并结合K-近邻法建立系统故障诊断模型，达到以诊断历史修改当前诊断结果的目的。本发明能对WSN实现故障自诊断和自更新，具备分布式计算特征，保证诊断正确率和低功耗。

说明书

技术领域

本发明是一种基于时间加权K-近邻法的无线传感器网络故障诊断方法， 具体是采用时间加权法对无线传感器网络进行自动故障诊断。属于无线传感器 网络、分布式模式识别的学科交叉范畴。

技术背景

作为当今自动化和人工智能领域的研究热点，无线传感器网络(wireless  sensor network,WSN)由大量低成本节点构成，是一个具备分布性、多层次、 节点多跳和自组织协作特性的系统，在全球范围内被广泛应用于环境监测、农 业生产、智能系统、医疗保健等多个领域。WSN通过其多样的拓扑结构检测 各种环境物理信息，应用范围正不断扩大。然而，WSN在采集、处理、传递 数据和系统协调等各个环节均可能出现故障，降低或失去系统监控功能，其可 靠性和稳定性需求正与日俱增。

WSN部件故障研究在硬件技术相对落后的阶段意义重大，但在芯片制造 工艺日益进步的今天，WSN部件模块的可靠性和稳定性已大幅提高，单纯研 究节点部件故障已不能适应WSN故障诊断发展的需要。

系统故障相比部件故障的产生原因更复杂，因其故障特殊性易被诊断错误， 而且影响更深，波及范围更大，对WSN造成难以预计的破坏性。

综上所述，利用时间加权K-近邻法能及时，高效、可靠地进行WSN故障 诊断，能改善目前智能算法针对WSN故障呈现性能不足的问题。

发明内容

本发明的目在于提供一种能提高无线传感器网络故障诊断自动化程度 的基于时间加权K-近邻法的无线传感器网络故障诊断方法。本发明的方法可 用于无线传感器网络故障诊断，实时高效地对无线传感器网络的运行状态进行 在线监控或诊断。

本发明的具体技术方案如下：本发明的基于时间加权K-近邻法的无线传 感器网络故障诊断方法，先建立K-近邻法训练库；按时离散采样WSN状态特 征值并组成特征向量，每个特征向量代表无线传感器网络该采样时刻的状态； K-近邻法对WSN特征向量作预诊断，启动判断时间相关性机制，符合条件，则 启动加权修改规则，并输出结果。

本发明基于时间加权K-近邻法的无线传感器网络故障诊断方法，具体包 括如下步骤：

1)建立K-近邻法训练库用于算法预诊断；

2)离散采样无线传感器网络状态特征值：误码率，丢包率，吞吐量，信 噪比并组成特征向量，特征向量代表该采集时刻的WSN状态；

3)把采集的无线传感器网络特征向量与训练库组成矩阵，并将数据归一 化使数据映射到0至1的区间，变为无量纲形式；

4)利用K-近邻法对无线传感器网络状态特征值预诊断；

5)所谓判断时间相关性机制是当K-近邻法连续诊断出超过R次相同的结 果时，类别标志位Rflag在对应类别位置“1”并进入加权权利，修改相关参 数；

6)若进入加权权利，则启动加权修改规则，否则跳到步骤7)；

7)输出结果,并返回步骤2)的循环诊断检测。

上述步骤6)的加权修改规则是当条件满足算法进入加权权利时，能修改 或调整数据原有的诊断结果并修改相关参数，加权修改规则如下：设d₁，d₂… d_c分别为每类特征向量K个近邻欧氏距离的求和，G(X)＝min(d_i)(i＝1,2...c)，

其中，d_m＝ω·S^R+1-Tflag(d_m)(当Rflag≠(0,0,0,0)且maxTflag＝R)，m为上一采样时 刻特征向量对应的故障类别，其中，R为最大加权回合，Rflag为类别标志位， Tflag为加权次数标志位，ω为权值，S为衰减系数。

上述最大加权回合R决定时间加权K-近邻法的最大加权回合数,即，同一 时间序列采集的数据，若出现同一诊断结果超过R次，后续待诊断向量被认为 存在时间相关性，算法进入时间加权权利,另外，诊断向量使用加权权利修改 诊断结果超过R次，后续待诊断向量取消时间相关性。

上述类别标志位Rflag是一个1*4的向量，当算法在K-近邻法连续诊断 出超过R次相同的结果时，类别标志位在对应类别位置“1”。

上述加权次数标志位Tflag记录每类相关性类别的可加权次数，最大值由 最大加权次数R决定，最小值为0，当算法未进入加权权利时，使用K-近邻法 诊断出与前一个数据相同结果时，加权次数标志位自加1；不同结果则自减1。

上述权值ω采用指数加权形式，

上述衰减系数S>1，每次使用加权权利时，需乘以S^R+1-Tflag。

上述步骤4)中，若在步骤3)预诊断中连续R个数据被判断为同类，则 后续的待诊断数据视为存在时间相关性,R值设为3；

上述步骤5)中，在步骤4确认数据具有时间相关性后，若后续待诊断数 据被步骤3)预判断为不同类时，进入加权权利，修改相关参数。

本发明针对无线传感器网络(WSN)系统故障的诊断问题，按照系统故障机 理确立特征值，根据WSN系统故障的时间相关性，设计基于时间加权的故障 诊断分类规则和参数，并结合K-近邻法建立系统故障诊断模型，达到以诊断 历史修改当前诊断结果的目的。本发明能对WSN实现故障自诊断和自更新， 具备分布式计算特征，保证诊断正确率和低功耗。

附图说明

图1本发明基于时间加权K-近邻法无线传感器网络故障诊断的流程图。

具体实施方式

本发明针对的网络类型为典型的3层无线传感器网络模型，由控制后台、 簇头、普通节点组成。控制后台负责处理数据(由簇头收集并返回)，簇头负 责收集普通节点传送回来的环境物理值及整个簇的网络运行特征值，普通节点 负责收集监控区环境物理值，并返回数据至簇头。

故障类型：本方法主要针对3种故障类型：1、噪声干扰，信道有干扰噪 声，节点接收信号时易出现误码，丢包率上升，直接影响WSN节点间的通信 质量；2、软件拥塞，节点发生软件拥塞故障能导致数据不能进行打包处理或 出现数据溢出等情况，直接影响WSN系统的数据传递和流动；3、碰撞机制 失效，当WSN的碰撞机制失效时，节点没有侦测信道是否被占用，在同一时 间发送数据包，可能造成节点收发数据包时隙混乱。

通过离散采样WSN运行特征向量，分析判断其时间相关性，对其特征向 量采用基于时间加权K-近邻方法进行故障诊断，利用WSN特征向量时间相关 性，在保持方法便捷同时提升故障诊断正确率。具体实施方法如下：

1、建立K-近邻法训练库，向控制后台输入先验数据作为训练库，为后续 预判断提供依据；

2、按时离散采样WSN状态特征值并组成特征向量：(1)按照固定时间间 隔进行离散采样WSN状态特征值：误码率，丢包率，吞吐量，信噪比；(2) 数据处理，按(1)的次序将其组成特征向量方便处理分析，每个特征向量代 表其采样时刻的WSN特征；

3、把采集的数据向量与训练库组成矩阵并进行数据归一化；

4、K-近邻法对WSN特征向量作预诊断：使用K-近邻法对WSN状态特征 向量作预诊断作为判断时间相关性的依据。K-近邻法的决策规则为：设在N 个训练样本中，有n₁个D₁类故障的样本，有n₂个D₂类故障的样本…有n_c个 D_c类故障的样本。对未知数据X，比较其与每类训练样本的欧氏距离最短的K 个近邻。设d₁，d₂…d_c分别为每类K个近邻欧氏距离的求和，故决策规则为： G(X)＝min(d_i)(i＝1,2...c)；

5、启动判断时间相关性机制：根据步骤3的预诊断结果，若同类的状态特 征向量连续超过R次，则后续待诊断特征向量具有时间相关性；

6、符合条件启动加权修改规则：(1)若步骤4判断后续待诊断特征向量 具有时间相关性且步骤3预诊断的结果与上一时刻的特征向量类型不符即启 动步骤5；(2)步骤3的最短欧氏距离总和d与步骤5的加权欧氏距离总和D 比较，若D较小则修改回上一时刻特征向量的类别，否则不能修改，加权时 间修改规则：G(X)＝min(d_i)(i＝1,2...c)。其中， d_m＝ω·S^R+1-Tflag(d_m)(当Rflag≠(0,0,0,0)且maxTflag＝R)，m为上一采集时刻特征向量 对应的故障类别；

7、输出结果，并返回2循环诊断检测。

本发明针对的网络模型结构采用分簇的方式包括后台控制服务器、簇头节点和 普通节点。后台控制服务器处理分析由簇头节点传送回来的WSN运行特征值 (参数)，簇头负责收集簇内普通节点的运行特征值(参数)。在诊断过程中，WSN 运行(故障)特征值(参数)随WSN收集的环境数据传输以节省能耗。