工业建筑中无线火灾传感网络故障诊断的应用研究

应一镇

摘 要：工业建筑的火灾防护是通过传感器系统来完成，但是随着火灾防护等级的提升，传统的有线网络故障诊断模式已经无法满足工业防护需求。因此，文章研究在粗糙集结合神经网络的基础上，构建神经网络系统，经过综合诊断，发现优于新系统的优化作用，其迭代次数明显低于旧神经网络系统，而在准确率方面，却呈现明显的提升趋势。可见，建立新的无限火灾传感网络故障诊断系统具有重要的应用价值。

关键词：工业建筑；无线火灾传感网络；故障诊断

工业是推动社会发展的重要产业，由于工业建筑具有复杂性的特点，导致其一旦出现火灾，降火具有发展快以及多样性的特点，严重时甚至出现爆炸，因而工业火灾容易造成巨大的损失[1]。传统的有线报警技术需要较多的线路，且维修和安装较为困难[2]。随着我国《建筑设计防火规范》的颁布，其对工业建筑的防火提出了更高的需求[3]。无线传感网络（Wireless Sensor Networks，WSN）技术是通过探测技术和无线技术相结合的产物，通过节点故障诊断，可以提升故障的诊断效率。本文主要结合粗糙理论以及神经网络，采用无线传感网络来预测故障，以此来提升故障诊断的准确率以及处理效率。

1 粗糙集在工业建筑故障中的约简作用

工业建筑中构建无线传感网络，需要通过电池来进行供电，因而节点的处理能力相对有限，但是其节点数量相对较多，因而在网络构建的环境下，必然会出现冗余的信息，部分数据在诊断中未出现故障，但是在数据增加的情况下，会增加故障的诊断时间，并且会消耗较多的能量，影响诊断效率以及质量[4]。在此情况下，采用粗糙集对数据进行处理，可以去除冗余信息，保留有用的信息，以此来提升故障的处理效率。

在无线传感网络的诊断中，设定BI=（X，A）是系统，设定Onxn=（Cij）nxn是差别函数，给定知识库K=（U，S）和关系簇，如果IND（G）=IND（T），且G独立存在，可以确定G是T的约简，如果IND（T-{G}）≠IND（T），则G是T必要因素，T的构成因素可以标记为COPE（T），称之为T的核。通过对算法的改进，可以实现如下功能：

计算差别矩阵Onxn（BI）。

根据差别矩阵，对BI的核进行计算，设定B=CORE（T）。

a（xi，xj），其中i和j=（1，2，...，n），并且a与B的交集不是空集，则可以确定a（xi，xj）=0。

统计差别矩阵，确定出现次数最多的属性纳入到B中，确定B和a的并集包含B，则重新计算第三步骤。

获取约简B，结束算法。

通过对改进算法的分析，可以获取属性约简的算法，并且可以对故障信息进行约简，去除冗余信息，提升故障的处理效率。

2 基于粗糙神经网络的无线传感网络故障诊断

对于粗糙神经网络无线传感网络的故障诊断，包括工业建筑故障诊断网络以及人工神经网络与粗糙集的结合[5]。对于诊断网络的确定，需要建立故障诊断样本，对其进行粗糙集处理，之后将相关信息传输到BP神经网络，通过RS-BP的方式来确定故障的类型[6]。对于人工神经网络与粗糙集的结合，工业建筑由于具有差异性，因而具有模糊性和不完整的特征，人工神经网络具有较高的容错以及组织能力，但是对于冗余信息的处理能力不足，粗糙集可以进行简约处理，但是不具有干扰能力，因此，将两种方式结合起来，通过粗糙集对数据信息进行预处理，分辨出系统的冗余信息，之后通过人工神经网络进行分析，可以较好地确定故障类型，从而为故障的诊断提供科学的依据。

3 工业建筑无线传感网络故障诊断实验

3.1 系统设计

某工业建筑采用无线传感网络构建火灾预警诊断体系，在该建筑中，共具有N个地区，均采用无线温度和湿度探测器，其主要结构为SHT11温湿传感器以及中央处理器（MC13213）。对于两者之间的通信，主要是采用CC1000无线通信芯片（Chipcon公司生产）来实现，其主要包括中央处理器、火灾传感器、无线通信芯片以及能量模块4个组成部分，其通过传感器的节点位置分析来确定工业建筑中的故障。

对于系统拓扑结构的设计，采用树形结构，通过ZigBee协议来构建数据网络，将采集的信息发送到服务器，实现对建筑的整体监控，通过感知节点，可以实现对故障的收集，并且在汇聚节点程序的设计下，可以实现对故障类型的诊断，从而便于对工业建筑火灾的监控和预防。

3.2 故障分类

在对故障分类处理中，通过预警系统以及故障诊断系统，采用无线发送模块将数据发送到服务器，通过仿真实验，可以将故障类型进行分类，其主要包括以下5种故障类型：（1）未发生故障；（2）能量不足；（3）CC1000故障；（4）SHT11故障；（5）MC13213故障。在故障分析中，結合粗糙集，可以建立传感器故障诊断系统，在系统中，K=（T，C），在数据集中，C=W∪V，2个子集的条件属性为W，而其结果属性为V，T是系统的论域，将故障节点信息作为征兆，将其属性值设定为0和1，其中0表示未发生故障，1表示出现故障，经过对属性的分析，可以确定故障的类型。其节点故障类型情况如表1所示。

在表1中，W1—W9分别表示：周期循环数据、节点接收数据、节点发送命令、节点具有通信功能、参数是否超过阈值、节点对发射频率是否响应、节点是否存在误码、温度是否正常以及湿度是否正常。从表1中可以看出，几种故障类型之间存在重叠的现象。

在确定故障类型后，对故障决策情况进行分析，为了保证结果的简洁性，通过约简规则，去除冗余属性，确定最为简单的集合{W2，W4，W5，W6}，结果如表2所示。

通过表2的分析，可以将向量位数缩小到4维，通过人工神经网络建立仿真系统，在旧版本的神经网络中，向量维数为4，神经元为9，输出个数为3，向量范围[0，1]，通过S对数函数，可以确定其迭代次数为1 000。而新版本的神经网络中，通过相同的参数设置，并且在Matlab7.12的基础上，可以对两者的参数进行对比。发现旧版本的神经网络迭代次数为98，准确率为91.2%，RS-old神经网络迭代次数为54，准确率为95.2%。新版本神经网络迭代次数为73，准确率为93.4%，RS-newBP的迭代次数为37，准确率为98.4%。可见，新系统的迭代次数低于以往系统，但是准确率较高。