CN102340811A - 无线传感器网络故障诊断方法 - Google Patents

Abstract

本发明涉及无线传感器网络和故障诊断领域，公开了一种无线传感器网络故障诊断方法，包括以下步骤：S1、在线实时采集无线传感器网络中的传感器节点所测量到的数据；S2、利用所述数据的时空特性检测单个传感器节点的故障；S3、利用相邻节点之前的相关性检测整个无线传感器网络的故障；S4、对步骤S2和步骤S3这两个过程获取到的参数进行属性约简；S5、根据步骤S4的属性约简结果得出无线传感器网络的故障诊断结果。本发明利用无线传感器网络中的传感器节点所测量到的数据的时空特性检测单个节点的故障，并利用节点之间的相关性实现网络中全部节点的快速、正确地故障检测。

Description

无线传感器网络故障诊断方法

技术领域

本发明涉及无线传感器网络和故障诊断领域，特别涉及一种适用于室内水产养殖的无线传感器网络故障诊断方法。

背景技术

从国内外对室内水产养殖水质监控系统的研究来看，目前对基于有线技术的室内水产养殖水质监控系统的研究相对比较成熟，但应用这种系统时，室内必然布满了大量的信号传输线和动力线，导致设施建造困难、安装与维护复杂、工作量大、成本高、可靠性低，同时限制了农业机器人等移动作业设备的应用。现有的基于有线技术的室内水产养殖水质监控系统不利于进一步提高现代化室内水产养殖的自动化、智能化、“无人化”程度。将无线传感器网络应用于室内水产测控系统是近几年室内水产养殖水质监控系统的重要研究领域。而对室内水产养殖水质监控系统的无线传感器网络(WSN)故障诊断的研究则尚不多见。

由于室内水产养殖水质监控系统的WSN工作于高温高湿水环境中，而且WSN中的传感器节点一般由电池供电并通过无线通讯方式收发数据，存在能量有限和抗干扰能力弱等缺点，因此传感器节点出现故障的可能性较高。一旦室内水产养殖池水质监控系统的WSN产生故障又不能及时检测故障源并进行处理，就有可能造成网络瘫痪，降低系统可靠性，甚至导致测控系统失控，危及整个室内养殖池的生产安全。因此如何实时对室内无线水质监控系统的WSN的运行状态进行故障诊断，及时发现故障并定位故障源就成了室内水产养殖水质监控系统的WSN研究的重点领域之一。

发明内容

(一)要解决的技术问题

本发明所要解决的技术问题是：如何实现对无线传感器网络中全部节点的快速、正确故障检测。

(二)技术方案

为解决上述技术问题，本发明提供了一种无线传感器网络故障诊断方法，包括以下步骤：

S1、在线实时采集无线传感器网络中的传感器节点所测量到的数据；

S2、利用所述数据的时空特性检测单个传感器节点的故障；

S3、利用相邻节点之前的相关性检测整个无线传感器网络的故障；

S4、对步骤S2和步骤S3这两个过程获取到的参数进行属性约简；

S5、根据步骤S4的属性约简结果得出无线传感器网络的故障诊断结果。

优选地，步骤S2中通过建立时间序列故障诊断模型和空间序列故障诊断模型来检测单个传感器节点的故障。

优选地，步骤S3中，通过检测当前传感器节点与其相邻传感器节点所测量到的数据之间的差值超过阈值的个数来判断当前节点是否发生故障。

优选地，步骤S4中，利用粗糙集算法对步骤S2和步骤S3获取到的参数进行属性约简。

优选地，步骤S2具体包括：

201、预处理各组传感器节点每个采样周期的数据，获取诊断样本，设A组的诊断样本为A′_i，h+t，令h＝0，其中，i表示传感器节点在所在组的序号，设A组的汇聚节点也为A，则该组内全部传感器节点的标识符按各自所在的位置顺序命名为A₁，A₂，…，A_p，其中p为该组内传感器节点的总数，t是第t个传感器的采集周期；

202、选择时间序列建模数据j，对时间序列A′_i，h+1，A′_i，h+2，...，A′_i，h+j进行建模，求出Y(h+j)和Y_R，δ是时间序列诊断模型的模型残差的标准差；ε是模型残差；Y是趋势因子；Y_R是因子变化阈值，令变量q＝1；

203、对诊断样本A′_i，h+j+q进行时间序列分析，求出

Y(h+j+q)和B_i，h+j+q，B表示在第i+q个采样周期时传感器节点A_i的时间序列工作状态，B_i，h+j+q＝Y(h+j)-Y_R；

204、当B_i，h+j+q≤0时，将q加1，再次执行步骤203；当B_i，h+j+q＞0时，执行步骤205；

205、根据节点位置，确定空间序列标识C的值，再对第h+j+q个周期A组全部传感器节点的诊断样本A′_1，h+j+q，A′_2，h+j+q，…，A′_p，h+j+q确定待分析的空间序列k₁，k₂，…，k_p；

206、对空间序列k₁，k₂，…，k_p进行建模，求出

Z(1)和Z_R；

空间序列故障诊断模型为：

式中——自回归参数，s＝1，2，，...，f；

f——自回归阶数；

模型输出残差序列{ε’_r}的方差为：

趋势因子为：

$Z\left(r\right)={\mathrm{\δ}}_{{\mathrm{\ϵ}}^{\′}}^2\left(r\right)-{\mathrm{\δ}}_{{\mathrm{\ϵ}}^{\′}}^2(r-1)$

令空间序列建模数据量为l，则因子变化阈值Z_R为

其中，为|Z(f+2)|，|Z(f+3)|，...，|Z(1)|的均值，

δ_Z为|Z(f+2)|，|Z(f+3)|，...，|Z(1)|的标准差；

W_i表示第m个采样周期时传感器节点A_i的工作状态；

W_i＝Z(p-i+1)-Z_R；

当W_i≤0表示A_i工作正常，当W_i＞0表示A_i发生故障；

207、当C＝0时对k_i进行空间序列分析，求出Z(i)和W_i；

当C＝1时对k_p-i+1进行空间序列分析，求出

Z(p-i+1)和W_i；

208、当W_i＞0时发出报警，并指出故障节点的位置；当W_i≤0时，将h赋值为h+j+q，返回执行步骤202。

优选地，步骤S3具体包括：

将节点A_i的所有相邻节点的集合记为Neighbor(A_i)；A_i的邻居节点总数，记为Num(Neighbor(A_i))，时刻t各自测量到的数据的差值不超过阈值θ₁；且在另一时刻t+1，两相邻节点所测量的数据之差与

的差值不超过阈值θ₂；

301、考虑Neighbor(A_i)中的任意节点A_i，置C_ij＝0，计算C_ij表示测试结果，如果节点A_i与A_j中至少有一个发生故障，则令测试结果C_ij＝1，否则令C_ij＝0；

若

置C_ij＝1，转至Neighbor(A_i)中的下一个节点；

若计算

若

置C_ij＝1，转至Neighbor(A_i)中的下一个节点；

重复执行上述步骤，直至获得A_i与Neighbor(A_i)中的每个节点间的测试结果；

302、若 $\underset{A_j\&Element;\mathrm{Neighbor}\left(A_i\right)}{\mathrm{\&Sigma;}}{C}_{\mathrm{ij}}<\mathrm{Num}\left(\mathrm{Neighbor}\left(A_i\right)\right)/2,$ 则令A_i的初步诊断状态T_i为可能正常LG，否则T_i为可能故障LT；

303、令

为S_i的邻居节点中初步诊断状态为LG的节点个数，若

$\underset{A_j\&Element;\mathrm{Neighbor}\left(A_i\right)\mathrm{and}{T}_i=\mathrm{LG}}{\mathrm{\&Sigma;}}{C}_{\mathrm{ij}}<\mathrm{Num}\left(\mathrm{Neighbor}{\left(S_i\right)}_{T_j=\mathrm{LG}}\right)/2,$ 则令A_i的状态为正常GD，否则为故障FT；

304、若节点A_i的邻居节点中初步诊断状态为LG的节点数为0，则进一步，若A_i的初步诊断状态T_i为LG，则令A_i的状态为正常GD，否则为故障FT；

305、检查是否已完成对网络所有节点的状态诊断，若已完成，则退出，否则重复步骤301～304。

优选地，所述粗糙集算法如下：

401、设Hamming神经网络中前馈层连接权值为

其中i＝1，2，…，p；j’＝1，2，…，n，

代表第i个标准样本模式向量cⁱ的第j’个元素值；前馈层中每个处理单元的阀值设为θ_i＝-n/2(i＝1，2，...p)，前馈层的激活函数设为f₁(x)＝x/n，并设t＝0，j’表示每个样本中的第j’个元素，其大小不超过节点所有可能存在的故障属性的个数n；

402、经过前馈层后 $r_i\left(t\right)=(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{j^{\&prime;}i}{x}_{j^{\&prime;}}-{\mathrm{\&theta;}}_i)/n,i=\mathrm{1,2},...p;$

403、设Hamming神经网络中竞争层中处理单元的阀值均为0，激活函数为：

$f\left(k\right)=\left\{\begin{array}{c}o,k<0\\ k,k\&GreaterEqual;0\end{array}\right.$

404、任取一个满足o＜e＜1/(p-1)的e值；

405、计算 $r_i(t+1)=f(r_i\left(t\right)-e\underset{m\&NotEqual;i}{\mathrm{\&Sigma;}}{r}_m\left(t\right)),i=\mathrm{1,2},...p,$ m的取值范围为1，2，...p中不包含i的值；

406、计算 $\mathrm{\&delta;}=\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}(r_i\left(t\right)-r_i(t+1));$

407、如果δ≠0，则将t加1，并转到步骤405；

408、输出r_j′(t+1)为正值的项，即为x对应的分类，x表示可能存在的故障的种类。

(三)有益效果

本发明利用无线传感器网络中的传感器节点所测量到的数据的时空特性检测单个节点的故障，并利用节点之间的相关性实现网络中全部节点的快速、正确地故障检测。还并根据无线传感器网络的应用环境和故障特征得到诊断决策表，利用改进的粗糙集中的归纳属性约简算法对诊断决策表进行属性约简，用Hamming网络建立一套故障分类的方法。

附图说明

图1是本发明实施例的方法流程图；

图2是本发明实施例提供的室内水产养殖WSN拓扑结构示意图。

具体实施方式

下面对于本发明所提出的一种无线传感器网络故障诊断方法，结合附图和实施例详细说明。

如图1所示，本发明提供了一种适用于室内水产养殖的无线传感器网络故障诊断方法，包括以下步骤：

S1、在线实时采集无线传感器网络中的传感器节点(本发明中也简称为“传感器”)所测量到的数据。传感器分为很多种，在本发明实施例中指的是溶解氧传感器、温度传感器等水质传感器，对应的数据就是传感器采到的水中的溶解氧、水温等数据。

S2、利用所述数据的时空特性检测单个传感器节点的故障。本步骤中通过建立时间序列故障诊断模型和空间序列故障诊断模型来进行检测。

本步骤的基于时空双序列的室内水产养殖WSN单个节点故障诊断算法具体描述如下：

201)预处理各组传感器节点每个采样周期的数据，获取诊断样本。如A组的诊断样本为A′_i，h+t，令h＝0，其中，i表示传感器节点在所在组的序号。设A组的汇聚节点也为A。则该组内全部传感器节点的标识符按各自所在的位置顺序命名为A₁，A₂，…，A_p，其中p为该组内传感器节点的总数。t的含义是第t个传感器的采集周期。

202)根据室内水产养殖池特定情况(室内水产养殖WSN采集到的各种环境信息表现为变化缓慢，信息构成的时间序列和空间序列平稳性较为明显)，选择时间序列建模数据j，对时间序列A′_i，h+1，A′_i，h+2，...，A′_i，h+j进行建模，求出

Y(h+j)和Y_R。δ的含义是时间序列诊断模型的模型残差的标准差；ε的含义是模型残差；Y的含义是趋势因子；Y_R的含义是因子变化阈值，令变量q＝1。

203)对诊断样本A′_i，h+j+q进行时间序列分析，求出

Y(h+j+q)和B_i，h+j+q。B表示在第i+q个采样周期时传感器节点A_i的时间序列工作状态，B_i，h+j+q＝Y(h+j)-Y_R。

204)当B_i，h+j+q≤0时，将q加1，再次执行步骤203；当B_i，h+j+q＞0时，执行下一步骤。

205)根据节点位置，确定空间序列标识C的值，再对第h+j+q个周期A组全部传感器节点的诊断样本A′_1，h+j+q，A′_2，h+j+q，…，A′_p，h+j+q确定待分析的空间序列k₁，k₂，…，k_p。

206)对空间序列k₁，k₂，…，k_p进行建模，求出

Z(1)和Z_R。

空间序列故障诊断模型为：

式中

——自回归参数，s＝1，2，，...，f；

f——自回归阶数；

r的含义是空间序列故障诊断模型的建模数据量，r的取值范围为0＜r≤p，p是空间序列总的数据量。

模型输出残差序列{ε’_r}的方差为：

趋势因子为：

$Z\left(r\right)={\mathrm{\&delta;}}_{{\mathrm{\&epsiv;}}^{\&prime;}}^2\left(r\right)-{\mathrm{\&delta;}}_{{\mathrm{\&epsiv;}}^{\&prime;}}^2(r-1)$

令空间序列建模数据量为l，则因子变化阈值Z_R为

其中，

为|Z(f+2)|，|Z(f+3)|，...，|Z(1)|的均值，

δ_Z为|Z(f+2)|，|Z(f+3)|，...，|Z(1)|的标准差。

W_i表示第m个采样周期时传感器节点A_i的工作状态

W_i＝Z(p-i+1)-Z_R

当W_i≤0表示A_i工作正常，当W_i＞0表示A_i发生故障。

207)当C＝0时对k_i进行空间序列分析，求出Z(i)和W_i；

当C＝1时对k_p-i+1进行空间序列分析，求出

Z(p-i+1)和W_i。

208)当W_i＞0时发出报警，并指出故障节点的位置；当W_i≤0时，将h赋值为h+j+q，返回执行步骤202。

S3、利用相邻节点之前的相关性检测整个无线传感器网络的故障；通过检测当前节点同其相邻节点所检测数据的差值超过阈值的个数来判断当前节点是否发生故障，所述阈值是通过实验分析与统计得到的经验值。若两个传感器节点间处于一跳的通信范围内，则认为它们是相邻节点，即为互为邻居节点。

某个节点A_i的所有相邻节点的集合，记为Neighbor(A_i)；A_i的邻居节点总数，记为Num(Neighbor(A_i))。因为两节点相邻、距离很近，某时刻t各自测量(或称感知)到的数据应非常接近，其差值不超过某一阈值θ₁；且在另一时刻t+1，两相邻节点所感知的数据之差

与

的差值

也不会相差太大，即不超过某一阈值θ₂。

301)考虑Neighbor(A_i)中的任意节点A_i，置C_ij＝0计算

C_ij表示测试结果，如果节点A_i与A_j中至少有一个发生故障，则令测试结果C_ij＝1，否则令C_ij＝0。

若

置C_ij＝1，转至Neighbor(A_i)中的下一个节点。

若

计算

若

置C_ij＝1，转至Neighbor(A_i)中的下一个节点。

重复执行上述步骤，直至获得A_i与Neighbor(A_i)中的每个节点间的测试结果。

302)若 $\underset{A_j\&Element;\mathrm{Neighbor}\left(A_i\right)}{\mathrm{\&Sigma;}}{C}_{\mathrm{ij}}<\mathrm{Num}\left(\mathrm{Neighbor}\left(A_i\right)\right)/2,$ 则令A_i的初步诊断状态T_i为可能正常(LG)，否则T_i为可能故障(LT)。

303)令

为S_i的邻居节点中初步诊断状态为LG的节点个数，若

$\underset{A_j\&Element;\mathrm{Neighbor}\left(A_i\right)\mathrm{and}{T}_i=\mathrm{LG}}{\mathrm{\&Sigma;}}{C}_{\mathrm{ij}}<\mathrm{Num}\left(\mathrm{Neighbor}{\left(S_i\right)}_{T_j=\mathrm{LG}}\right)/2,$ 则令A_i的状态为正常(GD)，否则为故障(FT)。

304)若节点A_i的邻居节点中初步诊断状态为LG的节点数为0，则进一步，若A_i的初步诊断状态T_i为LG，则令A_i的状态为正常(GD)，否则为故障(FT)。

305)检查是否已完成对网络所有节点的状态诊断，若已完成，则退出，否则重复步骤301、302、303、304。

S4、利用粗糙集算法对步骤S2和步骤S3这两个过程获取到的参数进行属性约简。属性约简是指在保证信息系统分类或决策能力不变的条件下，删除条件属性中的冗余属性，从而减少数据挖掘要处理的数据量，提高数据挖掘结果的简洁性。粗糙集算法如下：

401)设Hamming神经网络中前馈层连接权值为

其中i＝1，2，…，p；j’＝1，2，…，n，

代表第i个标准样本模式向量cⁱ的第j’个元素值；前馈层中每个处理单元的阀值设为θ_i＝-n/2(i＝1，2，...p)，前馈层的激活函数设为f₁(x)＝x/n。并设t＝0。j’表示每个样本中的第j’个元素，其大小不能超过节点所有可能存在的故障属性的个数n。

传感器网络中除了传感器外，还有无线采集器，GPRS网关等传输设备，如果这些设备发生故障的话，也会影响到对传感器状态的判断。前面步骤S2、S3中对传感器数据的处理过程中，也会得到无线采集器和GPRS网关的状态信息，状态信息又分为通信状态和能量状态，这样的话属性就比较多了，而且这些属性之前有些是有关联的，有些没有关联。为了得到一个更确切的故障点，本发明的方法是通过Hamming神经网络把没有关联的属性给删去，从而得到更确切的故障点。

402)经过前馈层后 $r_i\left(t\right)=(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{j^{\&prime;}i}{x}_{j^{\&prime;}}-{\mathrm{\&theta;}}_i)/n,i=\mathrm{1,2},...p,$ 该公式及其中符号的含义为现有技术，可参见Hamming神经网络理论知识。

403)设Hamming神经网络中竞争层中处理单元的阀值均为0，激活函数为：

$f\left(k\right)=\left\{\begin{array}{c}o,k<0\\ k,k\&GreaterEqual;0\end{array}\right.$

404)任取一个满足o＜e＜1/(p-1)的e值。

405)计算 $r_i(t+1)=f(r_i\left(t\right)-e\underset{m\&NotEqual;i}{\mathrm{\&Sigma;}}{r}_m\left(t\right)),i=\mathrm{1,2},...p.$ m的取值范围为1，2，...p中不包含i的值；

406)计算 $\mathrm{\&delta;}=\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}(r_i\left(t\right)-r_i(t+1)).$

407)如果δ≠0，则将t加1，并转到步骤405。

408)输出r_j′(t+1)为正值的项，即为x对应的分类。x表示传感器、无线采集器、GPRS网关所有这些设备可能存在的故障中的一种。

Hamming神经网络中前馈层和竞争层的神经元数目与分类样本的数目相同，神经元的位置与具体的分类相对应。该算法的实质是并行计算n减去每个Hamming距离的值。Hamming神经网络能调节成具有最小误差的故障模式分类器，并且它总能给出一个故障模式来匹配位置的输入故障模式，不会出现不匹配的结果。

S5、步骤S4的属性约简结果是判断出无线传感器网络内的设备是否有故障，如果有故障的话，具体是传感器故障，还是无线采集器的故障，还是GPRS网关这些设备中哪一设备的故障。根据步骤S4的属性约简结果得出无线传感器网络的故障诊断结果。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (7)

1.一种无线传感器网络故障诊断方法，其特征在于，包括以下步骤：

S1、在线实时采集无线传感器网络中的传感器节点所测量到的数据；

S2、利用所述数据的时空特性检测单个传感器节点的故障；

S3、利用相邻节点之前的相关性检测整个无线传感器网络的故障；

S4、对步骤S2和步骤S3这两个过程获取到的参数进行属性约简；

S5、根据步骤S4的属性约简结果得出无线传感器网络的故障诊断结果。

2.如权利要求1所述的方法，其特征在于，步骤S2中通过建立时间序列故障诊断模型和空间序列故障诊断模型来检测单个传感器节点的故障。

3.如权利要求2所述的方法，其特征在于，步骤S3中，通过检测当前传感器节点与其相邻传感器节点所测量到的数据之间的差值超过阈值的个数来判断当前节点是否发生故障。

4.如权利要求3所述的方法，其特征在于，步骤S4中，利用粗糙集算法对步骤S2和步骤S3获取到的参数进行属性约简。

5.如权利要求2所述的方法，其特征在于，步骤S2具体包括：

201、预处理各组传感器节点每个采样周期的数据，获取诊断样本，设A组的诊断样本为A′_i，h+t，令h＝0，其中，i表示传感器节点在所在组的序号，设A组的汇聚节点也为A，则该组内全部传感器节点的标识符按各自所在的位置顺序命名为A₁，A₂，…，A_p，其中p为该组内传感器节点的总数，t是第t个传感器的采集周期；

202、选择时间序列建模数据j，对时间序列A′_i，h+1，A′_i，h+2，...，A′_i，h+j进行建模，求出

Y(h+j)和Y_R，δ是时间序列诊断模型的模型残差的标准差；ε是模型残差；Y是趋势因子；Y_R是因子变化阈值，令变量q＝1；

203、对诊断样本A′_i，h+j+q进行时间序列分析，求出

Y(h+j+q)和B_i，h+j+q，B表示在第i+q个采样周期时传感器节点A_i的时间序列工作状态，B_i，h+j+q＝Y(h+j)-Y_R；

204、当B_i，h+j+q≤0时，将q加1，再次执行步骤203；当B_i，h+j+q＞0时，执行步骤205；

205、根据节点位置，确定空间序列标识C的值，再对第h+j+q个周期A组全部传感器节点的诊断样本A′_1，h+j+q，A′_2，h+j+q，…，A′_p，h+j+q确定待分析的空间序列k₁，k₂，…，k_p；

206、对空间序列k₁，k₂，…，k_p进行建模，求出

Z(1)和Z_R；

空间序列故障诊断模型为：

式中

——自回归参数，s＝1，2，，...，f；

f——自回归阶数；

模型输出残差序列{ε’_r}的方差为：

趋势因子为：

$Z\left(r\right)={\mathrm{\&delta;}}_{{\mathrm{\&epsiv;}}^{\&prime;}}^2\left(r\right)-{\mathrm{\&delta;}}_{{\mathrm{\&epsiv;}}^{\&prime;}}^2(r-1)$

令空间序列建模数据量为l，则因子变化阈值Z_R为

其中，

为|Z(f+2)|，|Z(f+3)|，...，|Z(1)|的均值，

δ_Z为|Z(f+2)|，|Z(f+3)|，...，|Z(1)|的标准差；

W_i表示第m个采样周期时传感器节点A_i的工作状态；

W_i＝Z(p-i+1)-Z_R；

当W_i≤0表示A_i工作正常，当W_i＞0表示A_i发生故障；207、当C＝0时对k_i进行空间序列分析，求出

Z(i)和W_i；当C＝1时对k_p-i+1进行空间序列分析，求出

Z(p-i+1)和W_i；

208、当W_i＞0时发出报警，并指出故障节点的位置；当W_i≤0时，将h赋值为h+j+q，返回执行步骤202。

6.如权利要求5所述的方法，其特征在于，步骤S3具体包括：

将节点A_i的所有相邻节点的集合记为Neighbor(A_i)；A_i的邻居节点总数，记为Num(Neighbor(A_i))，时刻t各自测量到的数据的差值不超过阈值θ₁；且在另一时刻t+1，两相邻节点所测量的数据之差

与

的差值

不超过阈值θ₂；

301、考虑Neighbor(A_i)中的任意节点A_i，置C_ij＝0，计算

C_ij表示测试结果，如果节点A_i与A_j中至少有一个发生故障，则令测试结果C_ij＝1，否则令C_ij＝0；

若

置C_ij＝1，转至Neighbor(A_i)中的下一个节点；

若

计算

若

置C_ij＝1，转至Neighbor(A_i)中的下一个节点；

重复执行上述步骤，直至获得A_i与Neighbor(A_i)中的每个节点间的测试结果；

302、若 $\underset{A_j\&Element;\mathrm{Neighbor}\left(A_i\right)}{\mathrm{\&Sigma;}}{C}_{\mathrm{ij}}<\mathrm{Num}\left(\mathrm{Neighbor}\left(A_i\right)\right)/2,$ 则令A_i的初步诊断状态T_i为可能正常LG，否则T_i为可能故障LT；

303、令为S_i的邻居节点中初步诊断状态为LG的节点个数，若

$\underset{A_j\&Element;\mathrm{Neighbor}\left(A_i\right)\mathrm{and}{T}_i=\mathrm{LG}}{\mathrm{\&Sigma;}}{C}_{\mathrm{ij}}<\mathrm{Num}\left(\mathrm{Neighbor}{\left(S_i\right)}_{T_j=\mathrm{LG}}\right)/2,$ 则令A_i的状态为正常GD，否则为故障FT；

304、若节点A_i的邻居节点中初步诊断状态为LG的节点数为0，则进一步，若A_i的初步诊断状态T_i为LG，则令A_i的状态为正常GD，否则为故障FT；

305、检查是否已完成对网络所有节点的状态诊断，若已完成，则退出，否则重复步骤301～304。

7.如权利要求6所述的方法，其特征在于，所述粗糙集算法如下：

401、设Hamming神经网络中前馈层连接权值为其中i＝1，2，…，p；j’＝1，2，…，n，

代表第i个标准样本模式向量cⁱ的第j’个元素值；前馈层中每个处理单元的阀值设为θ_i＝-n/2，i＝1，2，...p，前馈层的激活函数设为f₁(x)＝x/n，并设t＝0，j’表示每个样本中的第j’个元素，其大小不超过节点所有可能存在的故障属性的个数n；

402、经过前馈层后 $r_i\left(t\right)=(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{j^{\&prime;}i}{x}_{j^{\&prime;}}-{\mathrm{\&theta;}}_i)/n,i=\mathrm{1,2},...p;$

403、设Hamming神经网络中竞争层中处理单元的阀值均为0，激活函数为：

$f\left(k\right)=\left\{\begin{array}{c}o,k<0\\ k,k\&GreaterEqual;0\end{array}\right.$

404、任取一个满足o＜e＜1/(p-1)的e值；

405、计算 $r_i(t+1)=f(r_i\left(t\right)-e\underset{m\&NotEqual;i}{\mathrm{\&Sigma;}}{r}_m\left(t\right)),i=\mathrm{1,2},...p,$ m的取值范围为1，2，...p中不包含i的值；

406、计算 $\mathrm{\&delta;}=\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}(r_i\left(t\right)-r_i(t+1));$

407、如果δ≠0，则将t加1，并转到步骤405；

408、输出r_j′(t+1)为正值的项，即为x对应的分类，x表示可能存在的故障的种类。

Images