基于感知数据时域特征的WSNs故障被动诊断方法*

李金荣，王国英，2，莫路锋*

（1.浙江农林大学低碳与物联网联合实验室，浙江临安 311300；2.西安交通大学计算机系，西安 710049）

基于感知数据时域特征的WSNs故障被动诊断方法*

李金荣1，王国英1，2，莫路锋1*

（1.浙江农林大学低碳与物联网联合实验室，浙江临安 311300；2.西安交通大学计算机系，西安 710049）

由于大规模无线传感器网络的动态拓扑性及资源受限，无线传感网的故障诊断成为该领域内的一个难点。现有的诊断方法消耗大量通信带宽和节点资源，给资源有限的网络带来繁重的负担。本文提出一种利用感知数据时域特征来检测故障以及对故障进行分类的被动诊断方法（TDSD）。首先运用一维离散Gabor变换对感知数据进行特征提取与分析，进而结合

无线传感器网络；故障诊断；时域特征；Gabor变换；SOM神经网络

无线传感器网络（Wireless Sensor Networks，WSNs）广泛应用于农业生产和森林生态环境监测等各个行业，WSNs的工作环境通常比较特殊，传感器节点大多随机部署在野外环境中，网络节点数量庞大、传感器类型多样、网络拓扑的动态性以及节点资源受限的特性使的WSNs时常会出现各种故障。当单个关键节点或者某一区域内节点发生故障时，将导致其周围某一特定范围内的节点无法正常工作，造成网络连通分割，这样会大大降低无线传感器网络系统的服务质量，使WSNs预定功能削弱或者失效。所以进行及时准确的无线传感网故障诊断以保证网络的可靠及有效运行显的及其重要。

文献［1］介绍了当前一些主要的分布式无线传感器网络故障检测算法，并把算法归为基于多数投票策略、基于中值策略、基于决策扩散策略、基于加权和基于分簇的算法五大类，详细阐述了各个算法的原理和步骤，并指出其中的优势与不足。文献［2］利用基于K近邻分类法构建多抗体故障检测器并进行故障分类，通过对故障数据变化进行追踪来更新抗体库。文献［3］通过给网络中的消息都标记上其源节点的ID，在成簇阶段依据节点ID和RSSI值由簇头判断各个簇内是否存在克隆节点，待全部节点的ID汇聚至基站后，利用分簇算法中各个簇是不相交的子集这一特点，在基站处检测是否存在同一个ID属于多个簇的异常情况。

GreenOrbs［4-5］是部署在森林环境中的多达330传感器节点的大规模WSNs系统，节点定时获取感知数据，以多跳方式进行通讯。在当前的WSNs故障诊断中，按照诊断信息的获取方式把故障分为主动式诊断和被动式诊断。主动诊断过程中需要传输大量的状态信息和特定的控制指令，往往会给网络带来繁重的负担。被动式诊断满足传感器节点资源受限的特性，对网络的正常数据采集工作影响小，适合WSNs低耗、高效的应用需求。文献［6-8］介绍了在WSNs故障诊断中被动诊断方法的研究，Liu等人［5］提出一种PAD算法，运用网络状态参数的概率模型对WSNs进行诊断，诊断过程比较复杂。Nie等人［6］提出一种DSD算法进行故障诊断，但是算法没考虑到时域的影响。Miao等人［7］提出一种在线的轻量级故障诊断AD算法。算法对于静态故障有很好的诊断效果，但是不能用于动态的故障诊断。

针对以上问题，在进行无线传感网故障诊断时，本文提出一种利用感知数据时域特征来检测故障以及对故障进行分类的被动诊断方法。算法运用离散Gabor变换并结合SOM神经网络技术，能够有效的进行故障检测与分类。

1 无线传感器网络故障类型

无线传感器网络的节点故障类型通常分为三类：节点故障、网络故障和软件故障。

①节点故障

大规模无线传感器网络节点数量巨大，节点部署在野外恶劣环境，传感器节点极易损坏或遭到破坏；同时节点携带的能量有限，因电源耗尽而失效的现象非常普遍，故障发生率比较高。传感器节点硬件问题也会引起读数等相关的故障，所以把节点故障细分为节点故障（低电压引起）和传感器故障。

②网络故障

网络发生了故障是指网络设备或网络服务处于不正常的状态。常见的网络故障有网络拥塞、链路故障、回路等，网络故障的发生常常以区域的方式体现。

③软件故障

软件故障一般包括操作系统崩溃、程序BUG等问题引起的无线传感器网络故障。一旦节点的软件发生故障，将会给无线传感器网络带来较大的影响，在成熟的大规模无线传感器网络中，出现软件故障的概率相对较小。

2 数据分析

2.1 预实验结果的发现

在无线传感器网络部署运行中，一般考虑节点故障和网络故障对WSNs的影响。在无线传感器中的故障诊断中，对于任意节点N，若在网络部署运行后始终没有数据包返回，则判定其通信设备故障；若有数据包返回，且感知数据正常，则节点工作正常。如图1所示，选取的数据电压值范围约在2.8 V，可以看到节点的温度和湿度随时间规律变化，温度在中午13点左右达到最高，而湿度最低。

图1 节点正常工作时连续三天温湿度规律

电压是无线传感网故障诊断中的一个重要影响参数，当节点电压出现异常时，会导致数据缺失、数据异常。根据四层电压划分模型（FLED）［7］初步判断节点电压是否正常，如图2（a）所示，在电量稍低的情况下，温度数据出现故障，但此时的温度还能反应出当前变化规律；2（b）中，当电压超低时，温度波动异常没有规律可循。当电池能量耗尽时，没有数据。

图3为2012年1月9日～14日期间多个节点的温度、湿度与电压从正常到异常再到节点恢复正常的过程。在a处，此时数据堆叠在一起不能反映出监测区的任何有效信息，判断a处发生网络故障；在b和c处可以看到，从这两个位置开始不再有节点数据传输回来，且之前的数据出现震荡。根据图2结果可以说明此时有节点发生故障（低电压故障），包括图中出现的直线部分，也判定为节点故障。当网络恢复正常后数据走势规律基本相似，这是因为在同一区域内节点的数据具有相关性，数据相差不大。

图2 电压异常时的温度变化情况

图3 节点时域数据图

2.2 Gabor变换

1946年，Gabor D［9-10］提出了一种同时使用时间和频率来表示一个时间函数的方法—Gabor变换。它继承了Fourier变换的信号频谱特性，同时克服Fourier变换只能反映信号的整体特征而不能对信号的局部特征的缺陷。Gabor变换广泛应用于信号的特征提取，可同时反映信号的时域与频域特征［11-12］。Gabor变换用以下公式描述：

其中f（t）是信号的原始函数，窗口函数g（t）是一个光滑函数，在有限区间外恒等于0（即具有紧支集的函数）或很快的趋于0。与Fourier变换一样，f（t）的Gabor变换Gf（ω, τ）也有反演公式、乘积定理及Parseval等式。式（2）为Gabor变换的反演公式：

根据Gabor变换的定义，Gf（ω ,τ）反映信号 f（t）在t=τ附近的频谱特性，且由反演公式（2）可见Gf（ω ,τ）确实包含了 f（t）的全部信息。此外，Gabor变换的窗口位置随τ平移，可以表征信号在不同时刻的局部特性。

2.3 SOM神经网络

自组织映射（Self-Organizing Maps，SOM）［13］神经网络采用无教师学习方式，根据其特有的网格结构和学习规则，通过对输入模式的反复学习，捕捉住各个模式中所含的模式特征，并对其进行自组织，在竞争层将分类结果表现出来。因此，SOM被广泛应用于故障检测与分类［14；15］。

得出一个具有最小距离的神经元，并给出一个周围的邻域Sk（t）。按照（4）式修正输出神经元及其邻接神经元的权值：

2.4 TDSD算法流程

本文提出一种利用感知数据特征的方法来检测故障以及对故障进行分类，主要运用温度、湿度等感知数据结合电压数据进行诊断。

第1步 将实验收集来的故障数据进行人工选择，得到的这部分数据包括当前网络中出现的所有故障类型。

第2步 把1中得到的数据运用Gabor变换进行特征提取。

第3步 建立神经网络，把经过Gabor变换处理的数据输入到SOM神经网络中进行训练，得出聚类结果，建立故障知识库。

第4步 将实验收集的真实数据经过Gabor变换特征提取后得到输入到SOM神经网络进行诊断。

第5步 将诊断结果与故障知识库中的故障类型进行匹配，判断当前网络是否故障以及故障原因，得出诊断结果。

算法框架如图4所示，诊断过程在Sink节点中进行，避免频繁的报告诊断参数，减少了网络通信负担。同时本文方法降低了数据的维数，避免了数据繁多给诊断过程带来的负担，提高了诊断的效率。

图4 基于数据时域特征的故障诊断

表1 故障类型判断

本文对于没有数据返回情况分为两种：①若节点始终没有数据返回，则判断链路故障；②若有历史数据返回，而没有当前数据，则判断节点能量耗尽。

当实验有数据返回时，本文根据数据不同把故障分为以下几种：网络故障、节点故障、传感器故障这三大类。具体的故障类型判断如表1所示。

3 实验与分析

实验数据来源于大规模无线传感器网络系统GreenOrbs，传感器节点每隔十分钟采集一次数据，数据通过无线网络汇聚到Sink节点。

3.1 训练

在实验的训练阶段，先对训练数据集用Gabor变换得到WSNs的故障数据特征，对数据进行归一化处理后运用SOM神经网络对其进行训练聚类。训练之后神经网络把数据聚类为几类，这几类分别代表不同的故障类型。在训练过程中，神经网络的聚类结果数量多于预期故障分类，这是因为在WSNs中同一种类型的故障数据也具有较大的差异性引起的。在诊断过程中把多于预期的聚类结果进行划分，这样就能使诊断结果有更明显的表示。3.1.1 训练所用数据

在实验中，综合考虑效率与效果，把训练步数定义为500。同时考虑神经元大小、训练样本大小对训练结果的影响。本文选取400个故障样本作为训练所用数据集，其中包含了已经发现的各种故障，在故障样本中每种故障类型数据平均分配，故障数据是由人工观察的方法获得。图5列举各种故障所对应的一些典型故障色块图。图中纵轴的每三行表示一个节点的温度、湿度及电压，横轴表示节点温度湿度及电压随时间的变化情况，图5（a）、5（b）、5（c）分别为传感器故障、网络故障和节点故障的图示，可以看到这些数据呈现不同的紊乱；而在（d）中，正常数据变化平稳，在图中循序变化，且不同节点在同一时间内数据的差距也很微弱。

3.1.2 神经元大小的影响

SOM神经网络在训练时，神经元的大小对于故障诊断的精度有着很大的影响，故障数据样本中每类故障数量平均分布。实验中故障所要分成的种类有4种，若要只选择4个神经元进行训练，故障样本不能够很好的聚类，此时误差影响很大，诊断效果较弱。这是因为本文的故障样本彼此之间相差很大，即使对样本进行归一化处理也不能够很好的消除数据之间的影响。所以只有增加神经元的数目来提高聚类的精度，而当神经元数目过多时，会使原本故障分类的种类增多，训练时间增长，会造成资源的浪费与效率低下。图6可以看出不同神经元下的训练聚合精度。

在10个×10个神经元时，聚类效果已经很好，再增加神经元的数目对诊断效果的影响不大。同时看到在神经元数目增大时，训练的时间也逐渐增长。所以，在无特殊标记的情况下，综合考虑，本文神经元选取10个×10个神经元。

图5 训练数据聚类色块图

图6 不同神经元大小对故障聚类的影响

3.1.3 故障样本大小的影响

在训练过程中，故障样本的大小也对诊断有一定的影响。在训练中，检测一种方法是否有效，要考虑到时效问题。分别选取100、200、400、600到800个故障样本进行训练聚类，随着样本的增大，训练所用的时间也有所增加，如图7所示。对本实验进行多次结果测试，实验表明，当选择400个样本数量时，基本已经包括已知的故障类型，对不同网络规模的节点诊断都具有较好的诊断效果。当然，随着时间的变化，样本感知数据数值的变化范围也较大，此时也要更新故障知识库的样本。如不特殊标记，本文采用400故障样本。

图7 不同故障样本下所用的训练时间

3.2 诊断

根据故障知识库对输入样本数据进行诊断，异常数据可以被检测出来并进行分类。衡量算法的优劣主要有两个指标：①故障检测率，②故障误警率。故障检测率表示用诊断算法诊断出的故障数量占总故障数量的百分比。故障误警率表示误判的故障数量与总的检测故障数量之间的百分比。

为了检测算法的准确性，采用从GreenOrbs系统采集的真实数据进行诊断；采用模拟数据进行诊断检测算法。

3.2.1 真实数据诊断结果

选择2012年1月的不同时间段的真实数据作为诊断数据，表2给出真实数据的来源。根据之前的训练聚合结果，对数据进行分类。

表2 真实数据来源

图8给出诊断数据分类结果，结果中除去正常数据所占的种类。由于故障数据差异较大，触发的神经元较多，所以分类较多。大部分数据触发的神经元分布较集中，部分数据零散分布，但是这不影响诊断结果，同时发现有些数据始终触发不到神经元，也就是不能正确分类，这一类未触发数据也在图中表示出来。在真实数据诊断过程中，一般不会在同一时间内出现所有类型的故障。

图8 真实数据诊断结果分类

3.2.2 模拟数据诊断结果

为了检测算法的诊断性能，在实验中，选择网络规模从60个节点开始并随机植入10%的故障数据，节点网络规模分别为80、100、120、140直到160为止，植入的每种故障类型平均分配，监测不同网络规模下的诊断性能。诊断结果显现，随着网络规模的增多，故障检测率并没有明显下降，并且诊断效果非常好，即使网络规模达到160个节点时，准确率也在97.43%左右，具有很好的诊断效果。这是因为实验中不只是单一运用一个参数进行诊断，而是运用多个进行特征提取的参数来进行诊断，不需要设定阈值，根据各个参数之间的相互联系，即可得到较好的效果。图9、图10所示为不同网络规模下的故障误警率和故障误警率。以上结果可以看出，随着实验节点数量的增大与故障样本数量的增多，对算法的诊断性有一定的影响，但是影响不大，图中可以看出随着网络规模的增大，故障检测率会逐渐下降，而故障误警率会逐渐增多。

图9 不同网络规模下的故障检测率

图10 不同网络规模下的故障误警率

3.3 诊断结果与分析

在以前GreenOrbs研究工作中，PAD算法运用数据包标记列表来有效的构建和动态维持推理模型。DSD算法以大量感知数据为基础，通过建立网络故障知识库的方法来进行分类确定故障类型。本文的方法与DSD算法相比较，具有更高的诊断效果，算法在网络规模增大的时候依然有较好的诊断率。图11、图12两种算法的故障检测率与误警率结果对比。DSD算法分别对节点、链路和传感器这三种故障类型进行分类诊断，从图中可以看到DSD算法对传感器故障的检测率具有最好的效果，达到95%以上，而且其误警率也随着网络规模的增大而降低最后趋于平稳约为33%。而其它两种故障类型链路故障和节点故障的故障检测率要稍低，随着网络规模的增大，最终平稳在约75%与82.5%左右，误警率分别为33%与38%左右。本文的算法是对整个网络的诊断，对于以上这三种故障类型都有很好的诊断与分类效果。文章算法在大规模无线传感器网络诊断中具有更好的检测率，本文的算法诊断达到97%以上，其误警率在160节点时也只有不到40%。

图11 两种算法的故障检测率结果对比

图12 两种算法的故障误警率结果对比

4 结论

本文通过分析GreenOrbs系统在3个月内收集的数据，利用Gabor变换提取感知数据时域特征，利用SOM神经网络建立故障知识库，对WSNs故障原因进行诊断分类，得出网络运行状态。在本文的诊断过程中，选取的网络规模较大，整体诊断效果较好。这也证明了本文的方法对于大规模无线传感器网络的故障诊断有较好的效果。实验表明，本文的诊断效率达到97%以上，这是因为本文故障知识库中的故障数据来自于无线传感网历史故障数据，而实验中的故障数据也是人工插入，所以整体诊断效果较好。在诊断过程中遇到新的故障数据类型会即时更新到故障知识库中，通过不断演化的过程，提高诊断精度。在未来工作中，将进一步优化数据的特征提取过程，更好更高效的运用网络收集到的数据来进行故障诊断，简化算法。

［1］ 徐小龙，耿卫建，杨庚，等.分布式无线传感器网络故障检测算法综述［J］.计算机应用研究，2012，29（12）：4420-4425.

［2］ 赵锡恒，何小敏，许亮，等.基于免疫危险理论的无线传感器网络节点故障诊［J］.传感技术学报，2014，27（5）：658-663.

［3］ 罗永健，陈涛，肖福刚，等.基于分簇的无线传感器网络克隆攻击检测方案［J］.传感技术学报，2014，27（2）：220-224.

［4］ Bo C，Ren D，Tang S，et al.Locating Sensors in the Forest：A Case Study in Greenorbs［C］//INFOCOM，2012 Proceedings IEEE，2012：1026-1034.

［5］ Liu Y，He Y，Li M，et al.Does Wireless Sensor Network Scale？A Measurement Study on GreenOrbs［J］.Parallel and Distributed Systems，IEEE Transactions on，2013，24（10）：1983-1993.

［6］ Liu Y，Liu K，Li M.Passive Diagnosis for Wireless Sensor Networks［J］.IEEE/ACM Transactions on Networking（TON），2010，18（4）：1132-1144.

［7］ Nie J，Ma H，Mo L.Passive Diagnosis for WSNs Using Data Traces ［C］//Distributed Computing in Sensor Systems（DCOSS），2012 IEEE 8th International Conference on，2012：273-280.

［8］ Miao X，Liu K，He Y，et al.Agnostic Diagnosis：Discovering Silent Failures in Wireless Sensor Networks［C］//INFOCOM，2011 Proceedings IEEE，2011：1548-1556.

［9］ Feichtinger H G，Strohmer T.Gabor Analysis and Algorithms：Theory and Applications［M］.Springer，1998.

［10］Bastiaans M J.Gabor's Signal Expansion and the Zak Transform ［J］.Applied Optics，1994，33（23）：5241-5255.

［11］Kawady T A，Elkalashy N I，Ibrahim A E，et al.Arcing Fault Identification Using Combined Gabor Transform-Neural Network for Transmission Lines［J］.International Journal of Electrical Power and Energy Systems，2014，61：248-258.

［12］Ricaud B，Stempfel G，Torrésani B，et al.An Optimally Concentrated Gabor Transform for Localized Time-Frequency Components ［J］.Advances in Computational Mathematics，2014，40（3）：683-702.

［13］Kohonen T.Self-Organizing Maps［M］.30.Springer Science and Business Media，2001.

［14］Wu Tao，Yuan Sicong，Meng Xin，et al.Vibrating Diagnosis of Rolling Bearings Based on Self-Organizing Feature Map NeuralNetwork［J］.Machinery Design and Manufacture，2010，（1）：198-200.

［15］Zhang Niaona，Wang Yongqing，Jingshuai L.Fault Diagnosis of Permanent Magnet Synchronous Motor Based on SOM Neural Networks［J］.Journal of Jilin University：Information Science Edition，2012，30（6）：555-560.

李金荣（1989-），硕士研究生，2012年就读于浙江农林大学林业信息技术专业，研究方向为无线传感器网络故障诊断；

莫路锋（1979-），研究生导师，2004年硕士毕业于北京大学，2014年博士毕业于西安交通大学，目前就职于浙江农林大学，研究方向为计算机软件，无限传感器网络，molufeng@gmail.com。

王国英（1977-），男，1999年毕业于本科北京交通大学，2004年硕士毕业于广西大学。目前就职于浙江农林大学，在读西安交通大学博士。研究方向为计算机网络；

PassiveDiagnosisforWSNsUsingTimeDomain FeaturesofSensingData*

LI Jinrong1，WANG Guoying1，2，MO Lufeng1*
（1.Joint Laboratory On Internet of Things and Global Climate Change，Zhejiang A&F University，Lin'an Zhejiang 311300，China；2.Computer Science Department，Xi'an Jiaotong University，Xi'an 710049，China）

Due to the dynamic network topology and limit of resources，fault diagnosis for wireless sensor networks is difficult.The existing diagnostic methods consume large of communication bandwidth and node resources，which lead to heavy burden of the resources-limited network.This paper presents a passive diagnosis method used for fault detection and fault classification based on the time domain features of sensing data（TDSD）.Firstly，the feature extraction and analysis of the sensing data are carried out using one-dimensional discrete Gabor transform，and then the data are diagnosed and classified with SOM neural network，finally the current network status and identify the fault cause are determined.The results show that，comparing with other methods，this method has fewer burdens in network communication，better diagnostic accuracy rate and classification results，etc，and it has a high diagnostic accuracy especially for both node fault and network fault.

wirelesssensornetworks；faultdiagnosis；timedomainfeatures；Gabortransform；SOMneuralnetwork EEACC：6210C；7230

TP212.9

A

1004-1699（2015）07-1078-08

10.3969/j.issn.1004-1699.2015.07.023

项目来源：国家林业局948项目（2013-4-71）；国家自然科学基金项目（61303236）；浙江省科技计划项目重大科技专项项目（2012C13011-1）

2014-11-26 修改日期：2015-04-13

SOM神经网络对数据进行诊断与分类，判断当前网络状态并找出故障原因。实验结果表明，与其它方法相比，此方法具有网络通信负担小、诊断准确率高及分类效果好等优点，对节点故障和网络故障诊断都具有较高的诊断精度。