基于wsns分布式節(jié)點故障診斷算法的研究

基于wsns分布式節(jié)點故障診斷算法的研究

0wsns節(jié)點故障診斷無線傳感器網(wǎng)絡（wtss）廣泛應用于環(huán)境評估、農(nóng)業(yè)生產(chǎn)、醫(yī)療、智能家居、軍事和其他領域。它通常用于檢測溫度、濕度、壓力和其他環(huán)境數(shù)據(jù)。WSNs節(jié)點會出現(xiàn)各種故障,降低或失去監(jiān)控功能,造成嚴重的經(jīng)濟損失。通過故障診斷,它能及時地、正確地對各種異常狀態(tài)或故障狀態(tài)給出診斷,預防或消除故障,提高網(wǎng)絡運行的可靠性。WSNs節(jié)點故障也可以分為兩類:硬故障和軟故障。硬故障是指傳感器節(jié)點在部署或長時間的工作中電源模塊、CPU、傳感器、通信模塊發(fā)生損壞以至于產(chǎn)生不可自行修復的故障;軟故障是指節(jié)點雖然能夠繼續(xù)工作并與其他節(jié)點通信,但節(jié)點所感知或發(fā)送的信息不準確,影響整個網(wǎng)絡的監(jiān)測效果。典型的WSNs節(jié)點故障診斷算法有:分布式故障診斷(distributedfaultdetection,DFD),加權中值故障診斷(wei-ghtedmedianfaultdetection),分布式Bayesian算法(distributedbayesianalgorithms)。DFD算法對每個節(jié)點及其鄰節(jié)點都進行一次數(shù)據(jù)融合,存在大量的冗余計算,節(jié)點自身的感知、通信或是自身的數(shù)據(jù)融合都會耗費大量的能量,進行故障檢測必須盡可能地減少功耗。文獻提出了一種用時間冗余技術來診斷傳感器網(wǎng)絡的通信和故障,但是容易在數(shù)據(jù)傳輸?shù)倪^程中出現(xiàn)錯誤。文獻建立了一個WSNs節(jié)點應用神經(jīng)網(wǎng)絡和粗糙集故障診斷方法,算法復雜性大,不適合節(jié)點數(shù)量大、耦合密切的網(wǎng)絡。本文針對DFD節(jié)點故障檢測算法計算冗余量大的缺點,提出適合故障檢測的分簇算法,各個簇可以選取優(yōu)化的分割閾值,提高診斷精度和效率。1wsns節(jié)點分簇WSNs中的拓撲控制技術主要可以分為2個方面:層次性拓撲結構和節(jié)點功率控制。在分層路由協(xié)議中,網(wǎng)絡一般是由多個簇組成,節(jié)點分為兩類:終端節(jié)點和簇頭節(jié)點。處于同一簇內(nèi)的終端節(jié)點和簇頭節(jié)點共同維護所在簇的路由信息。簇頭節(jié)點負責所管簇內(nèi)的拓撲信息的壓縮和摘要處理。在保證整個網(wǎng)絡的聯(lián)通度的情況下還會存在一些休眠節(jié)點,整個簇內(nèi)的節(jié)點通過一跳或多跳向簇頭節(jié)點匯聚信息。比較有代表性的算法有GAF,LEACH(lowenergyadaptiveclusteringhierarchy),HEED,TEEN等。WSNs節(jié)點分簇的基本要求:1)一個簇只能有一個簇頭,簇內(nèi)的所有終端節(jié)點都能和簇頭節(jié)點通過一跳或多跳和簇頭節(jié)點進行通信;2)簇頭節(jié)點和簇頭節(jié)點之間不互為鄰居;3)簇頭和簇頭之間通過網(wǎng)關節(jié)點鏈接。圖1描述了WSNs分簇的方式,簇頭節(jié)點可以接收該簇內(nèi)所有的終端節(jié)點的信息,值得指出的是其中還包括一些超過其通信范圍的節(jié)點,這些節(jié)點通過多跳的方式把信息傳送給簇頭節(jié)點。2節(jié)點si診斷WSNsDFD節(jié)點故障診斷算法是由ChenJinran等人提出的,針對網(wǎng)絡中鄰節(jié)點測量數(shù)據(jù)的比較測試進行故障診斷的方法。對于隨機分布在一定區(qū)域內(nèi)的WSNs節(jié)點,每個節(jié)點都會實時的檢測各種數(shù)據(jù),例如:溫度、壓力、濕度等。由于長時間的工作,節(jié)點很容易發(fā)生異常,對于不能去實地檢測或是檢測的工作量比較大的地方,通過檢測得到的數(shù)據(jù)進行故障分析是一個很好的辦法。DFD節(jié)點故障診斷算法的診斷過程為:對于一個該區(qū)域中的節(jié)點Si和它的某一個鄰節(jié)點Sj它們都會獲取到不同的感知數(shù)據(jù),因為它們是相鄰節(jié)點,距離很近,在某一時刻t所感知的數(shù)據(jù)也應該比較接近,其差dtij不超過閾值;并且在另一時刻t+1,兩相鄰節(jié)點感知的數(shù)據(jù)差dtij+1和dtij的差值Δdtij也不會超過另一閾值θ2。如果以上2個條件都滿足,那么,可以初步斷定診斷的2個節(jié)點都為正常節(jié)點,令測試結果Cij為0,只要有一條沒有滿足,那么,Si或Sj之中至少有一個發(fā)生了故障,令測試結果Cij為1。對于節(jié)點Si可獲得它與其所有的鄰節(jié)點的測試結果,如果與Si的測試結果為1的節(jié)點數(shù)大于鄰節(jié)點數(shù)目的一半,則認為節(jié)點Si的初步診斷狀態(tài)為可能故障,否則,認為是可能正常。對于網(wǎng)絡中所有節(jié)點進行遍歷后可獲得每個節(jié)點的初步診斷狀態(tài)。對于初步的診斷狀態(tài),并不能準確地確定節(jié)點的真正工作狀態(tài),根據(jù)Cij得到的診斷結果是不準確的。所以,對節(jié)點Si進行診斷時需要進行如下考慮:如果節(jié)點Si的所有鄰節(jié)點診斷狀態(tài)為可能正常的節(jié)點數(shù)減去與Si減去測試結果為1的節(jié)點數(shù),結果大于或等于Si的所有鄰節(jié)點數(shù)的一半,那么認為最終的診斷結果為正常,反之,Si的診斷結果為故障。假設每一個節(jié)點的故障率為p,對于任意節(jié)點Si通過節(jié)點自身的通信半徑檢測,尋找其鄰節(jié)點的節(jié)點標號和節(jié)點數(shù)目,以此計算出平均鄰居節(jié)點數(shù)k表示所有節(jié)點的鄰節(jié)點求平均數(shù)然后取整。對節(jié)點的故障檢測可能分為以下4種情況:實際狀態(tài)為正常的節(jié)點診斷為正常節(jié)點、實際狀態(tài)為正常的節(jié)點診斷為故障節(jié)點、實際狀態(tài)為故障的節(jié)點診斷為正常的節(jié)點、實際狀態(tài)為故障的節(jié)點診斷為故障的節(jié)點。令以上4種情況的概率分別為Pg/g,Pglf,Pflg,Pflf。它們的計算方法為DFD節(jié)點故障診斷的精度為由公式(5)可以計算出整個網(wǎng)絡的診斷精度,隨著節(jié)點故障率的提升,整個網(wǎng)絡的故障節(jié)點也會增多,發(fā)生故障的節(jié)點可能會提供更多的錯誤信息,這樣會導致節(jié)點診斷精度的下降。3簇頭節(jié)點的選取要應用分簇的節(jié)點故障診斷算法進行WSNs的故障檢測,必須要建立適合DFD節(jié)點故障診斷算法的分簇方法,本文中采取了一種適合DFD算法的改進LEACH的分簇算法并將其命名為LEACH-DFD算法。DFD節(jié)點故障診斷算法是根據(jù)鄰居節(jié)點之間的數(shù)據(jù)檢測進行診斷,所以,診斷時節(jié)點間的物理位置對診斷有著重要的影響,將節(jié)點完成分簇后,同一簇內(nèi)的節(jié)點根據(jù)簇頭節(jié)點來完成故障信息融合。LEACH算法給了一個“round”的概念,在每一輪都有簇建立和穩(wěn)定運行2個階段。在簇建立階段,會自適應的進行分簇,選出較為均勻分布的簇頭節(jié)點,然后就會進入穩(wěn)定運行階段進行各種數(shù)據(jù)的傳輸和處理。本文中改進LEACH算法的簇形成階段,提出一種適合DFD故障檢測的分簇算法LEACH-DFD。每個節(jié)點都要生成0~1之間的隨機數(shù),如果生成的隨機數(shù)小于閾值T(n),那么該節(jié)點就成為簇頭。閾值T(n)的大小由公式(6)確定式中p為網(wǎng)絡中簇頭所占的比例,r為目前進行的輪數(shù),G為在過去的1/p輪中沒有成為簇頭的節(jié)點且是在以往輪故障監(jiān)測中確定為正常的節(jié)點集合。在節(jié)點被選為簇頭后,就向外廣播信息,告知其他節(jié)點自身的簇頭地位。終端節(jié)點接收到廣播信息后,根據(jù)廣播信息信號的強弱決定要加入的簇,并向簇頭發(fā)送加入該簇的信息。簇頭節(jié)點接收到請求信息后,根據(jù)TDMA方式與簇內(nèi)節(jié)點進行通信。DFD節(jié)點故障診斷中是根據(jù)中心節(jié)點的數(shù)據(jù)來進行檢測,所以,簇頭節(jié)點的數(shù)據(jù)必須具有較高的置信度,假如:簇頭節(jié)點的數(shù)據(jù)是錯誤的,那么,診斷精度勢必受到很大影響。所以,選定簇頭的時候一定要確保簇頭節(jié)點是正常節(jié)點,假如根據(jù)本文的分簇算法分簇后,根據(jù)簇頭根據(jù)DFD算法檢測出過多的節(jié)點數(shù)據(jù)異常,那么就極可能是簇頭自身發(fā)生異常,所以要迅速進入下一輪重新分簇,直到選出的所有簇頭節(jié)點都為正常節(jié)點。具體的流程圖如圖2。在某一時刻某一區(qū)域內(nèi),節(jié)點所提供的數(shù)據(jù)可能會有以下4種情況:正常的節(jié)點提供正常的數(shù)據(jù),正常的節(jié)點提供錯誤的數(shù)據(jù),故障的節(jié)點提供正常的數(shù)據(jù),故障的節(jié)點提供錯誤的數(shù)據(jù)。第二,第四種情況是指在某些區(qū)域,由于該區(qū)域本身的特殊性數(shù)據(jù)的跳動性比較大,這可能是因為該區(qū)域內(nèi)環(huán)境惡劣,測得的數(shù)據(jù)之間相差較大,這種情況下可以引入圖像分割中的多閾值分割概念,根據(jù)先驗知識庫,對各個區(qū)域選取動態(tài)閾值,這樣可以有效的提高診斷精度。分簇式節(jié)點故障診斷算法步驟如下:1)應用LEACH-DFD算法完成分簇。2)分簇完之后進行一下故障檢測,確定所有簇頭都是正常節(jié)點,如果不是重新進行分簇。3)計算第一個簇頭與該簇內(nèi)所有節(jié)點的數(shù)據(jù)差dt1ij。如果dt1ij>θ11,則Cij1=1,然后計算下一個節(jié)點。如果dt1ij≤θ11,然后就計算Δdt1ij,如果Δdt1ij>θ12,則Cij1=1。然后計算下一個節(jié)點。4)由于簇頭節(jié)點是經(jīng)過檢測被證明是正常的節(jié)點,可以直接通過合適的閾值來判定在該簇頭節(jié)點所屬簇內(nèi)的所有終端節(jié)點的工作狀態(tài)。5)診斷完第1個簇可以順序檢測完其余剩下的所有簇,完成對整個網(wǎng)絡的檢測。6)經(jīng)過穩(wěn)定工作階段后,整個網(wǎng)絡將回到第1步重新分簇,以達到均勻消耗能量的效果,避免簇頭節(jié)點不僅要進行故障檢測也要與匯聚節(jié)點進行通信消耗太多能量而過早死亡的熱點效應。4dfd節(jié)點故障診斷算法的改進本文應用基于ZigBee無線通信協(xié)議的傳感器節(jié)點進行實驗,場景如下:在一個環(huán)境較為惡劣的目標區(qū)域內(nèi)隨機部署了50個不可移動節(jié)點用以檢測該區(qū)域內(nèi)的溫度值,節(jié)點帶有溫度傳感器、ZigBee無線通信模塊、電源模塊和低功耗MCU。針對前面的算法描述,對檢測到得溫度數(shù)據(jù)進行分析,由于在原DFD節(jié)點故障診斷算法中,要對所有分布在目標區(qū)域的節(jié)點進行遍歷,所以產(chǎn)生了大量的冗余計算,舉例說明:假如節(jié)點1和節(jié)點6是鄰居節(jié)點,在對節(jié)點1進行故障檢測時,要和節(jié)點6進行一次比較,在對節(jié)點6進行故障檢測時,又要對節(jié)點1進行一次比較。對于密集分布的網(wǎng)絡節(jié)點,這種算法產(chǎn)生了大量的冗余計算,如果多個采樣時間進行檢測,那么勢必產(chǎn)生大量的計算,浪費能源。而應用改進的分簇式節(jié)點故障診斷算法,用于故障檢測只需簇頭節(jié)點就能完成對其簇的診斷,避免了計算的冗余,減少了大量的計算,也相應的減少了對節(jié)點能源的使用,而且只用簇頭進行診斷,避免了很多冗余信息所造成的誤判。本實驗中采用節(jié)點的無線通信模塊發(fā)送電路和接收電路消耗的能量均為50nJ/bit。節(jié)點的初始能量為0.5J,且不可移動。發(fā)送信號的放大器能量功耗為100nJ/bit/m2,每輪每個節(jié)點的數(shù)據(jù)包為450bit。此外,無線通信時,兩節(jié)點之間的距離也會對功耗產(chǎn)生較大的影響。當節(jié)點間的距離較大時適用于多徑衰落信道模型,如公式(7);兩節(jié)點通信距離較遠時適用于自由空間信道模型,如公式(8)式中λ為發(fā)送或接收數(shù)據(jù)包的比特數(shù),E為發(fā)送或接收電路所損耗的能量,是傳輸?shù)木嚯x,ε為發(fā)送信號時放大器的功率,σ為無線信號受外界影響的常量,本文中選2。本文根據(jù)節(jié)點自身性能和所選目標區(qū)域大小,使用后者作為本文的發(fā)送信號功耗模型。由于本文中方法減少了大量的冗余計算,所以,節(jié)點消耗的能量有了較大的降低,具體如圖3。從圖3中可以看出:分簇式節(jié)點故障診斷算法比DFD節(jié)點故障診斷算法所消耗的能量有了顯著的減少,因為DFD算法與節(jié)點分布的狀態(tài)有著較大的關系,所以進行了五次隨機分布,從結果中可以看出:分簇式算法降低了很多能耗,相應的可以延長網(wǎng)絡壽命。除了消耗能量的約簡,診斷精度也是WSNs節(jié)點故障診斷的一個重要的影響因素,本文選取了優(yōu)化的閾值矩陣,每一簇都選取不同的閾值。閾值的選取是由先驗知識獲得,對各個簇使用有效的閾值進行故障檢測。原來DFD節(jié)點故障算法使用全局的靜態(tài)閾值,對于某些局部區(qū)域會達不到較好的分類效果,所以,分簇之后整個網(wǎng)絡的診斷精度也有了一定的改進,結果如圖4。從圖4中可以看出:隨著節(jié)點的故障率的增高,DFD節(jié)點故障診斷的診斷精度受錯誤節(jié)點數(shù)據(jù)的影響就更大,診斷精度會隨之降低。分簇式DFD算法由于在計算時先是選定了正確地節(jié)點作為簇頭節(jié)點,并且每一簇都選用了更加優(yōu)化的局部分割閾值,診斷精度有了顯著的提高,受節(jié)點故障率的影響也降低很多。5節(jié)點故障診