CN104168599B - 基于时间加权k-近邻法的无线传感器网络故障诊断方法 - Google Patents
基于时间加权k-近邻法的无线传感器网络故障诊断方法 Download PDFInfo
- Publication number
- CN104168599B CN104168599B CN201410321375.8A CN201410321375A CN104168599B CN 104168599 B CN104168599 B CN 104168599B CN 201410321375 A CN201410321375 A CN 201410321375A CN 104168599 B CN104168599 B CN 104168599B
- Authority
- CN
- China
- Prior art keywords
- nearest neighbour
- class
- wireless sensor
- sensor network
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 230000002123 temporal effect Effects 0.000 claims abstract description 14
- 230000004075 alteration Effects 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000004092 self-diagnosis Methods 0.000 abstract description 2
- 241000854291 Dianthus carthusianorum Species 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于时间加权K‑近邻法的无线传感器网络故障诊断方法,先建立K‑近邻法训练库;按时离散采样WSN状态特征值并组成特征向量,每个特征向量代表无线传感器网络该采样时刻的状态;K‑近邻法对WSN特征向量作预诊断,启动判断时间相关性机制;如符合条件,则启动加权修改规则,最后输出结果。本发明针对无线传感器网络(WSN)系统故障的诊断问题,按照系统故障机理确立特征值,根据WSN系统故障的时间相关性,设计基于时间加权的故障诊断分类规则和参数,并结合K‑近邻法建立系统故障诊断模型,达到以诊断历史修改当前诊断结果的目的。本发明能对WSN实现故障自诊断和自更新,具备分布式计算特征,保证诊断正确率和低功耗。
Description
技术领域
本发明是一种基于时间加权K-近邻法的无线传感器网络故障诊断方法,具体是采用时间加权法对无线传感器网络进行自动故障诊断。属于无线传感器网络、分布式模式识别的学科交叉范畴。
技术背景
作为当今自动化和人工智能领域的研究热点,无线传感器网络(wireless sensornetwork,WSN)由大量低成本节点构成,是一个具备分布性、多层次、节点多跳和自组织协作特性的系统,在全球范围内被广泛应用于环境监测、农业生产、智能系统、医疗保健等多个领域。WSN通过其多样的拓扑结构检测各种环境物理信息,应用范围正不断扩大。然而,WSN在采集、处理、传递数据和系统协调等各个环节均可能出现故障,降低或失去系统监控功能,其可靠性和稳定性需求与日俱增。
WSN部件故障研究在硬件技术相对落后的阶段意义重大,但在芯片制造工艺日益进步的今天,WSN部件模块的可靠性和稳定性已大幅提高,单纯研究节点部件故障已不能适应WSN故障诊断发展的需要。
系统故障相比部件故障的产生原因更复杂,因其故障特殊性易被诊断错误,而且影响更深,波及范围更大,对WSN造成难以预计的破坏性。
综上所述,利用时间加权K-近邻法能及时,高效、可靠地进行WSN故障诊断,能改善目前智能算法针对WSN故障呈现性能不足的问题。
发明内容
本发明的目的在于提供一种能提高无线传感器网络故障诊断自动化程度的基于时间加权K-近邻法的无线传感器网络故障诊断方法。该方法可用于无线传感器网络故障诊断,实时高效地对无线传感器网络的运行状态进行在线监控或诊断。
本发明的具体技术方案如下:本发明的基于时间加权K-近邻法的无线传感器网络故障诊断方法,先建立K-近邻法训练库;按时离散采样WSN状态特征值并组成特征向量,每个特征向量代表无线传感器网络该采样时刻的状态;K-近邻法对WSN特征向量作预诊断,启动判断时间相关性机制,符合条件,则启动加权修改规则,并输出结果;
基于时间加权K-近邻法的无线传感器网络故障诊断方法具体包括如下步骤:
1)建立K-近邻法训练库用于算法预诊断;
2)离散采样无线传感器网络状态特征值:误码率,丢包率,吞吐量,信噪比并组成特征向量,特征向量代表该采集时刻的WSN状态;
3)把采集的无线传感器网络特征向量与训练库组成矩阵,并将数据归一化使数据映射到0至1的区间,变为无量纲形式;
4)利用K-近邻法对无线传感器网络状态特征预诊断,即在N个训练样本中,有n1个D1类故障的样本,有n2个D2类故障的样本…有nc个Dc类故障样本,设d1,d2…dc分别为特征向量X与每类故障特征向量样本K个近邻欧氏距离的求和,当d1,d2…dc存在di(i=1,2...c)=min(d1,d2...dc),则特征向量X归为Di类故障。
5)所谓判断时间相关性机制是当连续采样的特征向量通过K-近邻法被诊断出超过R次相同结果时,类别标志位Rflag是一个1*4的向量,类别标志位Rflag在对应类别位设置为“1”,且预诊断结果与上一时刻的特征向量不符则进入加权权利,修改相关参数;
6)若进入加权权利,则启动加权修改规则,否则跳到步骤7);
加权修改规则如下:在N个训练样本中,有n1个D1类故障的样本,有n2个D2类故障的样本…有nc个Dc类故障样本,设d1,d2…dc分别为特征向量X与每类故障特征向量样本K个近邻欧氏距离的求和,根据分类规则:当d1,d2…dc存在di(i=1,2...c)=min(d1,d2...dc),则特征向量X归为Di类故障,其中,dm=ω·SR+1-Tflag(dm),当Rflag≠(0,0,0,0)且maxTflag=R,m为X在前一个采样时刻特征向量对应故障类别,即,当X诊断故障类别与前一个采样时刻不同且进入加权权利时,X与前一个采样时刻的故障类别的K个近邻欧氏距离的求和将被加权修改,最后重新根据分类规则对X进行分类;
7)输出结果并返回步骤2)循环诊断检测;
其中,R为最大加权回合,Rflag为类别标志位,Tflag为加权次数标志位,加权次数标志位Tflag是算法是否进入加权权利的标准,同时记录每类相关性类别的可加权次数,最大值由最大加权次数R决定,最小值为0,ω为权值,S为衰减系数,衰减系数S>1。
上述最大加权回合R决定时间加权K-近邻法的最大加权回合数,即,同一时间序列采集的数据,若出现同一诊断结果超过R次,后续待诊断向量被认为存在时间相关性,算法进入时间加权权利,另外,诊断向量使用加权权利修改诊断结果超过R次,后续待诊断向量取消时间相关性。
上述加权次数标志位Tflag记录每类相关性类别的可加权次数,最大值由最大加权次数R决定,最小值为0,当算法未进入加权权利时,使用K-近邻法诊断出与前一个数据相同结果时,加权次数标志位自加1;不同结果则自减1。
上述步骤5)中,若在步骤4)预诊断中连续R个数据被判断为同类,则后续的待诊断数据视为存在时间相关性,R值设为3。
本发明针对无线传感器网络(WSN)系统故障的诊断问题,本发明按照系统故障机理确立特征值,根据WSN系统故障的时间相关性,设计基于时间加权的故障诊断分类规则和参数,并结合K-近邻法建立系统故障诊断模型,达到以诊断历史修改当前诊断结果的目的。本发明能对WSN实现故障自诊断和自更新,具备分布式计算特征,保证诊断正确率和低功耗。
附图说明
图1基于时间加权K-近邻法无线传感器网络故障诊断流程图。
具体实施方式
本发明的方法针对的网络类型为典型的3层无线传感器网络模型,由控制后台、簇头、普通节点组成。控制后台负责处理数据(由簇头收集并返回),簇头负责收集普通节点传送回来的环境物理值及整个簇的网络运行特征值,普通节点负责收集监控区环境物理值,并返回数据至簇头。
故障类型:本发明的方法主要针对3种故障类型:1、噪声干扰,信道有干扰噪声,节点接收信号时易出现误码,丢包率上升,直接影响WSN节点间的通信质量;2、软件拥塞,节点发生软件拥塞故障能导致数据不能进行打包处理或出现数据溢出等情况,直接影响WSN系统的数据传递和流动;3、碰撞机制失效,当WSN的碰撞机制失效时,节点没有侦测信道是否被占用,在同一时间发送数据包,可能造成节点收发数据包时隙混乱。
通过离散采样WSN运行特征向量,分析判断其时间相关性,对其特征向量采用基于时间加权K-近邻方法进行故障诊断,利用WSN特征向量时间相关性,在保持方法便捷同时提升故障诊断正确率。本发明的具体实施方法如下:
1、建立K-近邻法训练库,向控制后台输入先验数据作为训练库,为后续预判断提供依据;
2、按时离散采样WSN状态特征值并组成特征向量:(1)按照固定时间间隔进行离散采样WSN状态特征值:误码率,丢包率,吞吐量,信噪比;(2)数据处理,按(1)的次序将其组成特征向量方便处理分析,每个特征向量代表其采样时刻的WSN特征;
3、把采集的向量与训练库组成矩阵并进行数据归一化;
4、K-近邻法对WSN特征向量作预诊断:使用K-近邻法对WSN状态特征向量作预诊断作为判断时间相关性的依据。K-近邻法的决策规则为:设在N个训练样本(4维特征向量)中,有n1个D1类故障的样本,有n2个D2类故障的样本…有nc个Dc类故障的样本。对未知类别的特征向量X(X与训练样本具有相同维数),比较其与每类训练样本的欧氏距离最短的K个近邻。设d1,d2...dc分别为每类K个近邻欧氏距离的求和,故决策规则为:当d1,d2...dc中存在di(i=1,2...c)=min(d1,d2...dc),则特征向量X归为Di类。
5、启动判断时间相关性机制:根据步骤4的预诊断结果,若状态特征向量(连续诊断为同类)超过R次,则后续待诊断状态特征向量具有时间相关性,在类别标志位Rflag对应类别位设置“1”并进入加权权利,修改相关参数。
6、符合条件启动加权修改规则:(1)若步骤5判断后续待诊断特征向量具有时间相关性且步骤4预诊断的结果与上一时刻的特征向量类型不符即启动步骤6;(2)步骤4的最短欧氏距离总和d与步骤6的加权欧氏距离总和dm比较,若dm较小则修改回上一时刻特征向量的类别,否则不修改,而分类规则为:当d1,d2...dc中存在di(i=1,2...c)=min(d1,d2...dc),则特征向量X归为Di类故障,其中,dm=ω·SR+1-Tflag(dm)(当Rflag≠(0,0,0,0)且maxTflag=R),m为特征向量X在前一个采样时刻特征向量对应故障类别。即,当X诊断类别与前一个采样时刻不同且进入加权权利时,X与前一个采样时刻故障类别K个近邻欧氏距离的求和将被加权修改,最后重新根据分类规则对X进行分类。
7、输出结果并返回2循环诊断检测。
本发明针对的网络模型结构采用分簇方式包括后台控制服务器、簇头节点和普通节点。后台控制服务器处理分析由簇头节点传送回来的WSN运行特征值(参数),簇头负责收集簇内普通节点运行特征值(参数)。在诊断过程中,WSN运行(故障)特征值(参数)随WSN收集的环境数据传输以节省能耗。
Claims (4)
1.一种基于时间加权K-近邻法的无线传感器网络故障诊断方法,其特征在于先建立K-近邻法训练库;按时离散采样WSN状态特征值并组成特征向量,每个特征向量代表无线传感器网络该采样时刻的状态;K-近邻法对WSN特征向量作预诊断,启动判断时间相关性机制;如符合条件,则启动加权修改规则,最后输出结果;
基于时间加权K-近邻法的无线传感器网络故障诊断方法具体包括如下步骤:
1)建立K-近邻法训练库用于算法预诊断;
2)离散采样无线传感器网络状态特征值:误码率,丢包率,吞吐量,信噪比并组成特征向量,特征向量代表该采集时刻的WSN状态;
3)把采集的无线传感器网络特征向量与训练库组成矩阵,并将数据归一化使数据映射到0至1的区间,变为无量纲形式;
4)利用K-近邻法对无线传感器网络状态特征预诊断,即在N个训练样本中,有n1个D1类故障的样本,有n2个D2类故障的样本…有nc个Dc类故障样本,设d1,d2…dc分别为特征向量X与每类故障特征向量样本K个近邻欧氏距离的求和,当d1,d2…dc存在di(i=1,2...c)=min(d1,d2...dc),则特征向量X归为Di类故障;
5)所谓判断时间相关性机制是当连续采样的特征向量通过K-近邻法被诊断出超过R次相同结果时,类别标志位Rflag是一个1*4的向量,类别标志位Rflag在对应类别位设置为“1”,且预诊断结果与上一时刻的特征向量不符则进入加权权利,修改相关参数;
6)若进入加权权利,则启动加权修改规则,否则跳到步骤7);
加权修改规则如下:在N个训练样本中,有n1个D1类故障的样本,有n2个D2类故障的样本…有nc个Dc类故障样本,设d1,d2…dc分别为特征向量X与每类故障特征向量样本K个近邻欧氏距离的求和,根据分类规则:当d1,d2…dc存在di(i=1,2...c)=min(d1,d2...dc),则特征向量X归为Di类故障,其中,dm=ω·SR+1-Tflag(dm),当Rflag≠(0,0,0,0)且maxTflag=R,m为X在前一个采样时刻特征向量对应故障类别,即,当X诊断故障类别与前一个采样时刻不同且进入加权权利时,X与前一个采样时刻的故障类别的K个近邻欧氏距离的求和将被加权修改,最后重新根据分类规则对X进行分类;
7)输出结果并返回步骤2)循环诊断检测;
其中,R为最大加权回合,Rflag为类别标志位,Tflag为加权次数标志位,加权次数标志位Tflag是算法是否进入加权权利的标准,同时记录每类相关性类别的可加权次数,最大值由最大加权次数R决定,最小值为0,ω为权值,S为衰减系数,衰减系数S>1。
2.根据权利要求1所述的基于时间加权K-近邻法的无线传感器网络故障诊断方法,其特征在于上述最大加权回合R决定时间加权K-近邻法的最大加权回合数,即,同一时间序列采集的数据,若出现同一诊断结果超过R次,后续待诊断向量被认为存在时间相关性,算法进入时间加权权利,另外,诊断向量使用加权权利修改诊断结果超过R次,后续待诊断向量取消时间相关性。
3.根据权利要求1所述的基于时间加权K-近邻法的无线传感器网络故障诊断方法,其特征在于上述加权次数标志位Tflag记录每类相关性类别的可加权次数,最大值由最大加权次数R决定,最小值为0,当算法未进入加权权利时,使用K-近邻法诊断出与前一个数据相同结果时,加权次数标志位自加1;不同结果则自减1。
4.根据权利要求1所述的基于时间加权K-近邻法的无线传感器网络故障诊断方法,其特征在于上述步骤5)中,若在步骤4)预诊断中连续R个数据被判断为同类,则后续的待诊断数据视为存在时间相关性,R值设为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321375.8A CN104168599B (zh) | 2014-07-07 | 2014-07-07 | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321375.8A CN104168599B (zh) | 2014-07-07 | 2014-07-07 | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104168599A CN104168599A (zh) | 2014-11-26 |
CN104168599B true CN104168599B (zh) | 2018-11-09 |
Family
ID=51912189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321375.8A Expired - Fee Related CN104168599B (zh) | 2014-07-07 | 2014-07-07 | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104168599B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104717689B (zh) * | 2015-03-12 | 2018-05-11 | 清华大学 | 一种无线传感器网络的故障诊断方法 |
CN107371125B (zh) * | 2017-08-09 | 2020-10-23 | 广东工业大学 | 基于粒子群算法的无线传感器网络故障修复方法及装置 |
CN107907858B (zh) * | 2017-11-15 | 2021-06-08 | 南京邮电大学 | 一种基于传统加权k近邻技术的时间窗定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101257355A (zh) * | 2008-04-08 | 2008-09-03 | 杭州电子科技大学 | 一种无线传感器网络节点故障检测方法 |
US8572746B2 (en) * | 2010-01-21 | 2013-10-29 | The Regents Of The University Of California | Predictive blacklisting using implicit recommendation |
-
2014
- 2014-07-07 CN CN201410321375.8A patent/CN104168599B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101257355A (zh) * | 2008-04-08 | 2008-09-03 | 杭州电子科技大学 | 一种无线传感器网络节点故障检测方法 |
US8572746B2 (en) * | 2010-01-21 | 2013-10-29 | The Regents Of The University Of California | Predictive blacklisting using implicit recommendation |
Non-Patent Citations (3)
Title |
---|
Distributed Fault Detection for wireless Sensor Based on Weighted Average;Sai Ji,Shen fang Yuan,Ting huai Ma;《Networks Security Wireless Communications and Trusted Computing,2010 Second International Conference On》;20100607;全文 * |
基于K-最近邻算法的话务智能预测技术;杨梦雄,杨贯中;《科学技术与工程》;20071121;第7卷(第21期);第2节,第4节 * |
基于免疫危险理论的无线传感器网络节点故障诊断;赵锡恒,何小敏,许亮,李秀喜;《传感技术学报》;20140531;第27卷(第5期);第2.1节,第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104168599A (zh) | 2014-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5299267B2 (ja) | 診断装置 | |
CN105325023B (zh) | 用于小区异常检测的方法和网络设备 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
Thangaraj | Data-driven ML Approaches for the concept of Self-healing in CWN, Including its Challenges and Possible Solutions | |
CN101867486A (zh) | 一种无线传感器网络故障诊断方法 | |
CN109688602A (zh) | 基于节点预状态的无线传感器故障检测算法 | |
US10588110B2 (en) | Location accuracy assessment and remediation for indoor positioning system deployments | |
CN107370617A (zh) | 基于svm的蜂窝网络故障诊断系统 | |
CN104168599B (zh) | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN112417766A (zh) | 一种以无故障数据为主的故障诊断方法 | |
CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
CN110062410A (zh) | 一种基于自适应谐振理论的小区中断检测定位方法 | |
Syrigos et al. | On the employment of machine learning techniques for troubleshooting WiFi networks | |
Xiao et al. | A Review on fault diagnosis in wireless sensor networks | |
CN116684253A (zh) | 基于智能运维的网络异常管控方法 | |
CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
CN114422379B (zh) | 一种多平台设备无线组网的分析方法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN113484693A (zh) | 基于图神经网络的变电站二次回路故障定位方法及系统 | |
Abid et al. | Centralized KNN anomaly detector for WSN | |
CN116451121A (zh) | 一种道岔故障诊断方法、系统、设备和介质 | |
CN109547248A (zh) | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 | |
CN115412443A (zh) | 一种基于突发检测的网络拓扑变化检测方法 | |
CN108494626A (zh) | 物理安装不当的Profibus DP工业现场总线通信故障智能诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181109 |
|
CF01 | Termination of patent right due to non-payment of annual fee |