分布式传感器网络系统故障预测方法

路萍,　郑伟

(1.中煤科工集团重庆研究院有限公司， 重庆　400039；2.重庆大学 光电工程学院， 重庆　400044)



分布式传感器网络系统故障预测方法

路萍1,郑伟2

(1.中煤科工集团重庆研究院有限公司， 重庆400039；2.重庆大学 光电工程学院， 重庆400044)

针对分布式传感器网络很难采用一种通用方法来实现算法简单的故障预测问题，提出了一种基于知识发现的故障预测方法。该方法首先建立了时间信息的数学描述系统，以实现基于因果指数的知识发现；然后，利用因果关系的知识推理机制，实现分布式传感器网络系统的故障预测。通过对瓦斯抽放监控系统的故障预测实验，证明该方法能准确预测分布式传感器网络系统故障，具有算法简单、实用高效的优点。

瓦斯抽放监测; 分布式传感器网络; 故障预测； 知识发现

网络出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160429.1122.008.html

0　引言

在煤矿瓦斯抽放监控系统中，需要利用传感器监测井下瓦斯抽放情况，包括管道的流量、温度、压力、甲烷浓度及环境甲烷浓度等参数。这些传感器分布在不同的监测地点，通常通过这些传感器节点采集的数据来监测和预测系统故障[1]。目前，煤矿瓦斯抽放监控领域仍有一些特殊的问题亟待解决，对分布式传感器网络系统的故障预测技术提出了很大挑战。首先，分布式传感网络由若干传感器节点组成，这些传感器通过相互协作去监测不同参数，这些参数通常具有随时间和空间不断变化的特点[2]，由于传感器节点和监测参数的个体差异，系统故障分析变得非常困难。第二，每个传感器节点捕获到数据后组成一个时间序列，代表了感测物理变量在空间和时间上的演变趋势[3]，由于传感器损坏或环境变化，实现对不同时空数学模型的监测过程非常困难[4]。第三，分布式传感器网络通常由体积小巧、价格便宜的智能传感器节点组成，这些传感器节点只能够感知环境参数，处理简单的任务[5]。目前，系统故障预测方法主要有如下几种：① 基于模型的故障预测方法，如参考文献[6]采用基于灰色系统模型的预测系统，常用于数据少以及不确定性背景下处理数据并预测事物发展趋势，但该方法在应用上需要获取对象系统的精确数学模型，一旦模型不准确，预测偏差就较大；② 基于数据驱动的故障预测方法，如参考文献[7]采用小波神经网络对测试数据进行学习训练，建立了开关磁阻发电机系统故障预测模型，该方法不需要对象系统的先验知识，但需要大量样本数据进行模型训练，有时候存在收敛速度慢等问题；③ 基于概率统计的故障预测方法，如参考文献[8]针对复杂武器测试系统，将预测对象历史数据排列构成一个随时间变化的统计序列，建立时间序列预测模型，该方法根据故障历史数据的统计特性进行故障预测，理论上不能保证预测结果的精度[9]。目前适用于多参量分布式传感系统的故障预测手段还相对缺乏，尤其传统算法时空复杂度高，多参量背景下的模型建立困难。针对上述问题，本文结合因果关系模型以及时序统计手段，提出了一种基于因果知识发现的分布式传感器网络系统故障预测方法，该方法具有算法简单、实用高效的优点，为实现分布式传感器网络系统故障预测提供了一种新的技术思路。

1　因果信息描述系统

原因和结果是揭示客观世界中普遍联系着的事物具有先后相继、彼此制约的一对范畴。 本文借鉴了参考文献[10]对因果关系信息系统的描述。

定义1因果信息系统定义为

(1)式中：T为时间集，T={t1,t2,…,tk}；C∪R=D，为事件集,C为原因事件集，C={C1,C2,…,Cm}；R为结果事件集，R={R1,R2,…,Rn}；V为事件状态集合， V={发生态，结束态，延续态，消失态}；f为一个信息函数，f:TXD→V，它指定T中每一时域元素t所在位置的事件状态。

定义2当时间集T表示事件集D时，T|D=[TB, TE]，TB为事件集D的开始时间集，TE为事件集D的结束时间集。

定义3∀T|C,T|R,Ci(i=1,2,…，m)为行向量,Rj(j=1,2,…，n)为列向量。 建立二维矩阵σm×n。σij反映了Ci和Rj的因果关系强度，称其为因果度。

本文对参考文献[10]中的因果度σij的计算公式统一进行了量纲改进，定义如下： ∃T|Ci=[tp,tq], ∃T|Rj=[tg,th]。

(2)

式中：tp为原因事件Ci的开始时间；tq为原因事件Ci的结束时间；tg为结果事件Rj的开始时间；th为结果事件Rj的结束时间；k1为瞬态影响系数，k1>0；k2为累积影响系数,k2≤1。

式(2)实现了对因果关系强度的定量计算，对原因事件Ci和结果事件Rj而言，它们之间的因果度值越高，意味着两者之间内在关联性越强。

2　因果关系知识推理

为实现系统的故障预测，即实现从原因事件推测可能发生的结果事件，定义了影响度指标来评估因果知识。

定义4∃Ci∈C(i=1,2,…,m), 原因事件Ci在结果事件集R中有不同的影响度。相对于Rj，Ci的影响程度称作IMPj(Ci)， IMPj(Ci)可通过如下公式计算：

(3)

式中WI(Ci,Rj) 为Ci和Rj的连接强度，用来表述概率的增强度。

通过计算IMPj(Ci)，再将结果按降序排列，可以预见，上述影响度计算值越大，表示原因事件Ci有更大的可能性导致产生结果事件Rj。上述知识推理可以实现从原因事件去推测结果事件，由此实现系统故障预测。

3　基于知识发现的故障预测方法应用步骤

依据基于知识发现的故障预测方法，分布式传感器网络系统故障预测步骤如下：

(1) 将原因集和结果集的时间信息矩阵化。

(2) 按式(2)计算因果度σij。

(3) 设置WI(Ci,Rj)，将步骤(2)因果度计算结果代入式(2)，计算影响度指标IMPj(Ci)。

(4) 将IMPj(Ci)计算结果按降序排列。

(5) 预测规则：按IMPj(Ci)从大到小排列，原因事件Ci最可能导致发生的是IMPj(Ci)值最大的结果事件Rj，导致其他结果事件的可能性按降序递推。

4　仿真实验与分析

4.1系统描述

实际工程中，瓦斯抽放监控系统包含对压力、浓度、流量、温度等参数的监测，各种参数可达几十种之多。为方便说明，将瓦斯抽放监控系统的参数监测简化为4路压力监测、3路浓度监测、3路流量监测、2路温度监测，各路监测组建为一个分布式传感器网络。 系统故障监测对象包括抽放泵故障、管道泄漏、电能损耗，如图1所示。传感器节点实时捕获传感器信号的变化情况并汇报给通信监测计算机，每一个节点都是一个具有时间记录能力的传感器单元。具有高速处理能力的通信监测计算机记录异常信号的发生和结束时间以及系统故障状态的开始和结束时间，完成信息融合任务。

图1　简化的瓦斯抽放监控系统

4.2时间信息矩阵化

传感器信息作为原因事件集C={C1,C2，…,Cm}，系统状态的输出作为结果事件集R={R1,R2，…,Rn}。通过模拟传感器节点的故障，获得时间信息表(表1)。其中监测参数有管道压力、电动机温度、瓦斯浓度、管道流量等，错误1、2、3分别为抽放泵故障、管道泄漏和电能损耗故障。

表1　实验获得的时间信息

按第3节所述步骤，将时间信息表述为矩阵形式：

对于式(2)设置k1=k2=1，计算出σij(i=1,2,…，12,j=1,2,3)的值。因果关系指数值的三维曲面如图2所示。

图2　因果关系指数值的三维曲面

峰值表示强的因果关系，谷值表示弱的因果关系，由此实现因果关系分布的定量描述。

4.3系统故障预测

影响力连接强度设为WI(Ci,Rj)=1/3，使用式(2)计算IMPj(Ci)(j=1,2,3)的结果，如图3所示。对传感器节点C1(对应监测管道压力1)，影响度指数为IMP1(C1)，IMP2(C1)和IMP3(C1)。按降序排列：IMP3(C1)>IMP1(C1)>IMP2(C1)。上述关系表示C1对R3,C1对R1以及C1对R2的影响度。R3是最有可能的结果事件(针对C1而言)，即在C1这一原因事件发生条件下，最有可能发生的系统故障预测为故障3。由C1产生的其他可能的故障分别预测为系统故障1和故障2。

在瓦斯抽放监控系统中，采用编码器采集阀门开度，根据管道压力和管道流量反馈控制阀门开度。实验过程中，调节减小C1监测管道的阀门开度，引起抽放管道内管道压力减小，负压增大，管道内压损变大，这种情况下，电能产生损耗。由此验证了管道压力C1是对应故障3,即电能损耗故障，与根据本文提出的方法，建立影响度排序，推理出的结论一致。

图3　影响度指数

类似地，分别计算其他Ci(i=2,3,…,12)中R1,R2以及R3的影响度，并按降序排列。具有较大影响度指数的事件Rj有更多的可能性是事件Ci的结果事件。将上述过程进行多次训练使系统学习到因果规则。此后，如果一个原因事件发生，系统将根据因果关系的知识评估机制来预测可能的结果事件。

5　结语

分布式传感器网络包含各种类型的传感器，目前很难通过建立一个通用方法来实现算法简单的故障预测，为此，提出了一种基于知识发现的故障预测方法，该方法包含因果度和影响度指数。因果度表明原因和结果事件的因果关系强度，可实现分布式系统各信号参量潜在的因果关系发现。影响度表明一个原因事件对结果事件的影响程度，将其统计排序可用于系统故障预测。由于该方法的使用只需要监测各传感器及系统故障发生的时间起止点，不需要建立规格各异的各传感器监测模型，也不需要了解各参量监测的具体物理背景，是一种对时态数据的知识挖掘手段，具有算法简单、实用高效的优点。以瓦斯抽放监控系统为例的分布式传感器系统故障预测实验，通过对因果度和影响度的简单计算及排序，可以依据探测到的传感器故障，根据训练好的规则迅速预测可能导致的系统故障。实验结果论证了本文方法的适用性。

[1]LEE M H, CHOI Y H. Fault detection of wireless sensor networks[J].Computer Communications,2008,31(14):3469-3475.

[2]CHATZIGIANNAKIS V, PAPAVASSILIOU S. Dignosing anomalies and identifying faulty nodes in sensor networks[J]. IEEE Sensors Journal, 2007,7(5):637-645.

[3]BORGNE Y A L, SANTINI S, BONTEMPI G. Adaptive model selection for time series prediction in wireless sensor networks[J]. Signal Processing,2007,87(12):3010-3020.

[4]KULLAA J. Distinguishing between sensor fault, structural damage, and environmental or operational effects in structural health monitoring[J]. Mechanical Systems & Signal Processing,2011,25(8):2976-2989.

[5]ZHENG W, LI Y, QIAN X,etal. An ultrasonic omni-directional sensor device for coverage structural deformation monitoring[J]. Measurement Science & Technology,2014,25(3):295-298.

[6]黄大荣,黄丽芬.灰色系统理论在故障预测中的应用现状及其发展趋势[J].火炮发射与控制学报,2009(3):88-92.

[7]李宁,雷洪利,韩建定,等. 基于小波神经网络的开关磁阻发电机故障预测模型研究[J]. 计算机测量与控制,2011,19(8):1835-1837.

[8]胡泽文,肖明清.基于时间序列模型的故障预测研究[J].计算机测量与控制,2013,21(6):1421-1423.

[9]马硕,焦现炜,田柯文，等.故障预测技术发展与分类[J].四川兵工学报,2013,34(2): 92-95.

[10]郑伟,孟晓风,孙群.基于时事折换图的因果知识量化分析方法[J].计算机应用,2007,27(10):2481-2483.

Fault prediction method of distributed sensor networks system

LU Ping1,ZHENG Wei2

(1.CCTEG Chongqing Research Institute, Chongqing 400039, China; 2.College of Optoelectronic Engineering, Chongqing University, Chongqing 400044, China)

It is difficult to use a general method to implement fault prediction of distributed sensor networks, a kind of fault prediction method based on knowledge discovery was put forward. Firstly, the method establishes mathematical description system of time information, in order to realize the knowledge discovery based on causal index; then, the method uses knowledge reasoning mechanism of causality relationship to realize fault prediction of distributed sensor networks system. A fault prediction experiment of gas drainage monitoring system was carried out, the experiment results prove that the method can accurately predict fault of distributed sensor networks system, and has advantages of simple algorithm, utility and high-efficiency.

gas drainage monitoring; distributed sensor networks; fault prediction; knowledge discovery

1671-251X(2016)05-0032-04

10.13272/j.issn.1671-251x.2016.05.008

2015-12-08；

2016-01-21；责任编辑：张强。

重庆市科技计划项目基础与前沿研究计划项目(cstc2015jcyjA40008)。

路萍(1978-)，女，山东济宁人，助理研究员，硕士，现主要从事传感器开发与故障检测方面的研究工作，E-mail:weblp@sohu.com。

TD712

A网络出版时间：2016-04-29 11:22

路萍,郑伟.分布式传感器网络系统故障预测方法[J].工矿自动化，2016,42(5)：32-35.