CN107426741B - 一种基于免疫机理的无线传感器网络故障诊断方法 - Google Patents
一种基于免疫机理的无线传感器网络故障诊断方法 Download PDFInfo
- Publication number
- CN107426741B CN107426741B CN201710593602.6A CN201710593602A CN107426741B CN 107426741 B CN107426741 B CN 107426741B CN 201710593602 A CN201710593602 A CN 201710593602A CN 107426741 B CN107426741 B CN 107426741B
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- detector
- diagnosis
- spatial correlation
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于空间相关性的免疫故障诊断方法,针对网络节点的故障展开研究,包括对免疫机理和空间相关性的节点诊断算法进行优化,将免疫机制和方法进行有效的融合,引入仿生学原理和免疫机理等现代智能算法开展节点的故障检测与诊断研究。通过引入具有故障识别、自组学习、二次免疫的免疫机理应用于无线传感器网络的节点故障诊断中,完成对无线传感网络节点故障的检测与对诊断故障类型的判别。通过免疫算法中抗体‑抗原相互识别,以及对记忆抗体的优化,在原始的训练样本基础上,对故障数据库依据记忆抗体进行分类,增加了故障数据库的多样性,提高故障诊断的精确率,目的是提高无线传感器网络的故障容错性和稳定性。
Description
技术领域
本发明涉及物联网技术领域,具体是一种基于免疫机理的无线传感器网络故障诊断方法。
背景技术
无线传感器网络具有如节点数量大、分布范围广、Ad Hoc网络无中心、拓扑结构动态变化、通信计算能力、网络安全和以数据为中心等特点。无线传感器网络工作环境的不可预测性,诸如干扰因素,如温度,振动和电磁波可能会导致故障或故障,如无线电频率冲突、时钟异步、电池耗尽、信号损失和软件运行错误等,这将大大降低传感器节点的可靠性,削弱或无效的无线传感器网络的部分功能。这对无线传感器网络的可靠数据传输、稳定性和鲁棒性带来巨大的挑战,这需要在无线传感器网络基础理论和工程技术实现突破。
高可靠性和稳定性仍然是目前无线传感器网络研究的难点问题。数据传输的准确性和可靠性密切关联着相关应用。网络自身的健康对无线传感器网络的稳定运行、可靠传输和性能优化至关重要。当故障发生时,它可以自适应地采用合理的故障容错控制方案来处理网络故障,继而提供高可靠的计算服务。故障诊断容错技术对提高无线传感器网络的可靠性和鲁棒性具有重要的意义。由于无线传感器网络的复杂性和多样性,以及实际应用的限制,如网络故障样本的先验知识很难获取,故障特征提取难以反映网络故障的完整性。传统故障容错模型缺乏独立的在线学习能力,难以反映新出现的故障特征,不能满足大规模网络可扩展性的需求。这使得无线传感器网络诊断容错技术问题并成为一个重要的研究方向。
无线传感网络凭借自身的特点,被广泛的在工程中应用,受到其自身的条件限制与外界条件的影响,传感器节点容易发生故障。针对节点故障进行可靠性的检测与诊断,如何迅速高效地进行故障诊断已成为无线传感网络的研究重点,当节点发生故障时,由于节点故障传播机制,扩散到网络的其他节点,影响网络的稳定运行,最终会影响到整个网络运行的稳定性和信息传输的可靠性,导致整个网络的服务质量的下降,甚至会导致整个网络系统的瘫痪。如何高效可靠的对无线传感网络发生故障的节点进行诊断和预防已成为应用中的关键技术。
在故障诊断技术中引入免疫计算等智能计算方法,能够提高无线传感器网络传输稳定性和可靠性。人工免疫系统具有信息处理机制的优点诸如开放性、分布性、动态性和鲁棒性。人工免疫系统采用自我识别方法,相互激励和约束形成动态平衡网络。两者都是典型的分布式和自组织网络,都需要在动态的场景中保持系统的稳定性。免疫系统机理为无线传感器网络的协同优化和故障诊断提供了新的思路和方法。因此,采用基于免疫机理的无线传感器网络故障策略,能够很好地解决上述存在问题,提高网络传输稳定和可靠性。
本专利主要研究并解决存在节点失效或链路质量影响网络层数据传输的稳定性和可靠性的情况下,运用免疫机理与方法动态诊断出节点故障类型等,包括构建故障诊断库、故障检测、故障诊断引擎技术等,提高无线传感器网络故障诊断准确性,最终提高无线传感器网络的传输可靠性和容错性。
发明内容
本发明的目的在于提供一种基于免疫机理的无线传感器网络故障诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于免疫机理的无线传感器网络故障诊断方法,主要包括:①利用节点的空间相关性搭建故障诊断库。运用具有空间相关性的检测器,在同一区域内的节点首先对感知到的数据进行自我检测,当超过设定的阈值时判定为异常检测,初步认为该节点发生故障,将信息传给具有空间相关性的邻居节点进行二次判定,若判定为故障,则认为节点发生故障。②在检测器生成和更新进程中,本专利在空间相关性的诊断方法的基础上引入免疫机理,通过对免疫系统与无线传感器网络故障检测诊断的属性关联的探讨,利用节点的空间相关性,提出了一种基于空间相关性的故障免疫诊断方法,实现节点故障的检测与诊断。
所述的一种基于免疫机理的无线传感器网络故障诊断方法,其特征在于:所述的故障特征的提取,针对节点的故障信号特征运用一种综合的传感器节点信号特征提取方法[44],根据传感器输出信号的特点,对节点的不同频带通过小波包变换中的能量变化方法进行分解,获得频带的能量分布特性,确定故障特征,利用变换进行特征向量的提取。
设X={x1,x2,…,xm}为训练样本集,对应的样本向量φ(X),设有ω1,ω2,…,ωc共c个类别,其中m为样本数,xi为n维列向量,第j类样本集Xj(j=1,2,…,c),样本数为mj。则核Fisher鉴别函数为
其中α为最佳核鉴别向量,d个最大的特征值对应的最佳鉴别向量为α1,α2,…,αd,此时一组最佳鉴别向量ν1,ν2,…,νd,v为任一非零向量。
所述的一种基于免疫机理的无线传感器网络故障诊断方法,其特征在于:所述的核Fisher判别方法对映射样本进行特征提取,特征提取的步骤如下:
步骤2,通过Kbα=λKwα,求解最佳鉴别向量为α1,α2,…,αd;
通过故障特征的提取,是节点故障类型判定的先决条件,为搭建故障诊断库做准备,本文通过故障特征的提取建立数据故障免疫库。
所述的一种基于免疫机理的无线传感器网络故障诊断方法,其特征在于:所述的检测器的更新和优化
1.训练产生初始检测器
对现有的数据进行归一化处理,再将归一化处理的数据按照时间轴加窗得到训练样本集,将训练样本集分为自我集合(正常数据)和非自我集合(故障数据),在通过改进后的免疫方法训练,自我集合为自体,非自我集合训练结果根据节点故障类型及其相应征兆为生成不同故障类别的初始检测器。
2.检测器的生成过程
在对收集到的具有空间相关性的故障节点信息形成原始的数据库,首先进行预处理、处理提取信息特征,依据基于空间相关性的NIFD方法进行检测器的生成。如附图1所示,对具有空间相关性的节点故障信息进行采集,对故障信息进行特征提取,生成未成熟的检测器原始库,利用阴性选择机制,抗体经过自我耐受过程,生成成熟检测器,在成熟检测器达到激活的阈值,形成记忆检测器库。
3.更新成熟检测器
在故障诊断过程中,被检测到的异常数据不能和现有的检测器进行匹配,则需要通过免疫系统的机理与方法进行选择,对现有的检测器进行变异,直到筛选出可以与之相匹配的检测器,对现有的成熟检测器进行更新,提高成熟检测器的多样性。成熟检测器更新流程图按附图2所示。在节点发生未知故障时,利用成熟检测器进行判别,计算节点故障的亲和力,利用亲和力的大小筛选出优良的记忆抗体,对优良的抗体进行复制、克隆,形成成熟的检测器经过多次的迭代,使成熟检测器的多样性增加,判定生成的成熟检测器达到预设的阈值则更新程序结束,否则再次返回到计算亲和力的程序。
4.检测器之间的优化
在对自体与非体的检测当中,检测器检测到的区域有重叠的区域,影响对故障检测的准确度。本文利用空间相关性的适应度函数对检测器的种群进行优化。检测器之间优化方法的具体步骤如下:
步骤1,在生成的检测器种群中随机选择一个检测器dri,在具有空间相关性的区域内选取m个邻居节点集合
步骤3,检测器dri可在具有空间相关性的区域内检测到的节点的密度
注:|Nm(dri)|表示的是在同一区域内具有空间相关性的节点组成的集合中元素的个数。
步骤4,计算在具有空间相关性的区域内的离散程度
步骤5,di(dri)较小时,认为检测器dri与邻近的检测器之间距离相当,重叠的区域较少,可认为该检测器在检测密度较小的区域,检测效果较好,保留在检测器种群中;否则,剔除该检测器。
所述的一种基于免疫机理的无线传感器网络故障诊断方法,其特征在于:所述的基于空间相关性下的节点免疫故障诊断方法
节点感知监测区域内的信息,首先节点进行自我诊断,当超过自身设定的故障阈值时,初步判定为节点发生故障;同时该节点将故障信息发送给空间上相关的邻居节点进行再次的判定,当前两者诊断至少判定为故障或者在没从邻居节点收到任何脉冲信号,中继节点(超级节点)进入故障诊断阶段,最终再与故障检测器的数据故障诊断库进行匹配,确定故障是否为已发生过故障;若为已发生过的故障则进行免疫阶段的处理;若判断为未知故障,则对该故障的数据进行处理提取特征,进行免疫自适应方法的处理生成新的故障检测库,更新已有的故障检测器,当再次发生此类故障时进行二次免疫。该诊断方法的性能取决于节点明确已知故障的特性,对异常数据的判别,在节点自身诊断和空间上相关的邻近节点的诊断中,在时间上和能量上都设定了一定的消耗阈值。目前通过自诊断和邻居节点诊断的双重机制,并且利用第三方中继节点的诊断,排出了节点发生瞬间故障的类型,可以有效地提高诊断的精准度,在一定程度上减少了故障免疫阶段的工作量。
基于空间相关性的节点发生故障时,通过对节点故障检测与诊断,对故障节点进行定位、故障类型判别,对当前发生的故障通过与现有的成熟检测器进行比对,判定是否为已发生故障,若为已发生故障则进行二次免疫,若为新发生过的故障,则运用免疫方法进行免疫。免疫过程如附图3所示。
本专利结合免疫系统和无线传感网络节点数据传输的特性,建立节点免疫诊断模型,如附图4所示。该故障诊断模型核心是免疫模块,免疫模块的记忆检测器模块是经过免疫处理后生成的检测器,具有当此类故障再次发生时可以进行二次免疫的功能;成熟检测器库是由对节点故障进行处理后产生的检测器。
基于空间相关性的免疫故障诊断方法主要步骤如下:
步骤1,网络节点的状态初始化,随机产生不同的网络节点,以及对各个网络节点赋值初始的状态信息;
步骤2,对每个需要检测的节点vi,根据式子和选取任意节点,判断节点的度,初始该节点的相邻节点的集合N(vi),并初始化每个节点状态Fi=1,初始化阈值θ1,θ2和q,生成r×q的矩阵初始化矩阵的是否故障矩阵Fi=0,如果为0,认定有故障,如果为1,判定为没有故障;然后初始阈值参数θi;
假设空间相关区域内任意的两个节点的状态信息分别为xi和xj,如果该两个节点之间的间距在节点最长通信距离范围之内认为是节点的度,那么进入检测状态,
从该公式中可知,如果两个节点相似,那么返回0,否则返回1。然后统计任意一个节点,其相邻节点相似的个数,即Ni。
步骤4,对检测器之间优化方法生成的故障检测器种群参数进行初始化;
步骤5,根据各个网络节点的状态信息和式P(vi=f)=wθ(H(vi))+(1-ω)T(vi),i=1,2,…,n,H(vi)=λ(K(vi),Pf(vi),Pd(vi))以及cij,判定节点发生的故障率、虚警率,初始化节点免疫目标函数。优化的目标函数定义如下所示:
这个优化目标函数的含义是如果每次迭代更新后的检测器所检测得到故障和真实的故障检测结果的差,如果差值趋向于0时,则认为该检测器越来越接近成熟检测器,否则进一步迭代;
步骤7,对亲和度较高的进行筛选,生成成熟的检测器;
步骤8,在每次迭代过程中,对节点的免疫信息需要进行更新。
每次迭代完成之后,更新所有节点免疫状态;
步骤9,利用成熟的检测器和节点故障类型发生的概率与外来的新的非自体(抗原)进行匹配,对能量消耗进行比对,跳转到步骤6;否则,判定已知故障类型,并对故障进行定位,将故障进行隔离,则方法结束;
步骤10,输出检测结果。
与现有技术相比,本发明的有益效果是:
本发明针对无线传感网络节点的故障,本文提出了一种基于空间相关性下的节点免疫故障诊断方法,主要针对网络节点的故障展开研究,包括对免疫机理和空间相关性的节点诊断方法进行优化,将免疫机制和方法进行有效的融合,引入仿生学原理和免疫机理等现代智能方法开展节点的故障检测与诊断研究。对无线传感器网络的节点诊断进行可靠的分析,生物免疫系统入侵识别与无线传感网络免疫故障诊断之间建立映射关系,建立无线传感器网络节点故障诊断模型,将基于空间相关性的节点故障诊断方法,通过引入具有故障识别、自组学习、二次免疫的免疫机理应用于无线传感器网络的节点故障诊断中,完成对WSN的节点故障的检测与对诊断故障类型的判别。提出的基于空间相关性下的节点免疫故障诊断方法,将人工免疫方法运用于无线传感网络阶段诊断过程中,通过免疫方法中抗体-抗原相互识别,以及对记忆抗体的优化,在原始的训练样本基础上,对故障数据库依据记忆抗体进行分类,增加了故障数据库的多样性。从故障诊断的结果来看,诊断的精确率较高,不易产生误诊误判。
附图说明
图1检测器的生成过程;
图2成熟检测器更新流程图;
图3基于空间相关性的节点免疫故障诊断的流程;
图4节点免疫故障模型。
图5基于空间相关性的节点故障诊断算法流程
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
(1)基于空间相关性下的节点免疫故障诊断方法
1)免疫系统与无线传感器网络故障检测与诊断的相关性
依据生物免疫系统特性中隐含的故障诊断机制,生物免疫系统入侵识别与无线传感网络免疫故障诊断之间建立映射关系,如表3.1所示。
表3.1生物免疫系统入侵识别与无线传感网络免疫故障诊断之间建立映射关系
无线传感器网络故障诊断是对故障特征信息进行提取,再进行检测与诊断,类似于生物免疫系统对非自体的识别。因此,可通过仿生机理的特性,运用于WSN的故障检测特征,达到对WSN的故障检测与诊断的目的。
2)根据人工免疫系统的特征,将生物免疫机理应用到人工免疫系统解决WSN故障诊断的实际问题的基本步骤如下:
①描述需要求解的节点故障诊断问题。梳理节点故障需要求解问题和人工免疫系统的内在联系,建立相互的映射的关系,包含变量、非变量、求解目标、功能和在求解问题上的参数;
②在节点故障求解过程中选取适当的免疫方法。根据节点故障问题的特点进行求解,筛选出恰当的生物免疫系统模型与算法,在已有研究成果基础上进行优化改良,对新的模型和算法的研发,在约束条件下对节点故障问题进行求解;
③设计恰当的人工免疫检测与诊断系统。依据筛选出的免疫系统节点故障筛选出合适的诊断模型,提取需要求节点故障问题相对应的免疫应答机理,利用提出的免疫算法进行免疫求解;
④人工免疫系统向节点故障问题的逆映射。利用提出的免疫系统模型完成节点故障问题的求解,然后需要把人工免疫系统表示的结果映射到节点的故障问题中,进而求解出节点故障问题的真实解。
3)免疫故障诊断模型
节点感知监测区域内的信息,首先节点进行自我诊断,当超过自身设定的故障阈值时,初步判定为节点发生故障;同时该节点将故障信息发送给空间上相关的邻居节点进行再次的判定,当前两者诊断至少判定为故障或者在没从邻居节点收到任何脉冲信号,中继节点(超级节点)进入故障诊断阶段,最终再与故障检测器的数据故障诊断库进行匹配,确定故障是否为已发生过故障;若为已发生过的故障则进行免疫阶段的处理;若判断为未知故障,则对该故障的数据进行处理提取特征,进行免疫自适应方法的处理生成新的故障检测库,更新已有的故障检测器,当再次发生此类故障时进行二次免疫。该诊断方法的性能取决于节点明确已知故障的特性,对异常数据的判别,在节点自身诊断和空间上相关的邻近节点的诊断中,在时间上和能量上都设定了一定的消耗阈值。目前通过自诊断和邻居节点诊断的双重机制,并且利用第三方中继节点的诊断,排出了节点发生瞬间故障的类型,可以有效地提高诊断的精准度,在一定程度上减少了故障免疫阶段的工作量。
基于空间相关性的节点发生故障时,通过对节点故障检测与诊断,对故障节点进行定位、故障类型判别,对当前发生的故障通过与现有的成熟检测器进行比对,判定是否为已发生故障,若为已发生故障则进行二次免疫,若为新发生过的故障,则运用免疫方法进行免疫。免疫过程如附图3所示。
本文结合免疫系统和无线传感网络节点数据传输的特性,建立节点免疫诊断模型,如附图4所示。该故障诊断模型核心是免疫模块,免疫模块的记忆检测器模块是经过免疫处理后生成的检测器,具有当此类故障再次发生时可以进行二次免疫的功能;成熟检测器库是由对节点故障进行处理后产生的检测器。
4)基于空间相关性的无线传感网络节点故障诊断基础准备
节点在其监测区域内建立空间关联,空间关联系数为:
其中x(n)为节点发送的第n组数据信号,y(n)为邻居节点收到的第n组数据信号,当邻居节点没有收到y(n)时,y(n)的大小表示为通信异常特征值。
Xi的期望值为
Yi的期望值为
Xi的方差为
Yi的方差为
Xi与Yi协方差为
其中pij为在Xi和Yi取值分别为xi和yi时的联合分布概率
Xi与Yi的相关系数为
在i节点自我诊断判定为异常时,再与空间相关性上相关的节点进行比较时,结果相似则返回1,否则返回0。Ci为vi节点与空间相关性上相关的节点比较后Cij=1的数量,Ci反映节点与其空间相关性上相关的节点的相似程度。该算法分为三步首先是判断与之具有空间相关性的节点的距离rij,确定范围;其次在经过阈值判定阶段,对节点进行阈值的检测,若Ci≥θ(θ为设定的阈值),则认定vi节点为正常状态下工作的节点,否则,
节点vi与邻居节点vj的距离rij
其中xi,xj对应的是节点vi的二维矢量。
节点的先验故障概率
其中f表示节点vi发生故障,P(vi=f)为节点vi发生故障的概率,w为加权系数,θ(·)为模糊隶属函数,H(vi)为节点vi的健康度。
节点的健康度[68]
其中λ(·)表示加权函数,K(vi)表示节点vi的可靠性,Pf(vi)表示节点vi的历史故障率,Pd(vi)表示节点vi的故障程度。
传感器节点vi与邻居节点vj空间相关性,可以用能量指数函数表征
其中di,j为节点vi与邻居节点vj之间的欧式距离,θ1为指数常数,θ1>0,θ2∈0 2。
节点的度:指与选定的节点相关联的边的条数,又称关联度。
故障诊断精度指的是发生故障节点被判断正确的个数占故障节点总数的比例。
节点故障诊断精度
其中p为节点发生故障的概率,np为网络中所有的故障节点个数,α为所有故障的节点数被正确诊断的个数。
虚警概率是由于节点受到噪声信号的干扰,发生虚警的概率。虚警概率定义为:
其中n(1-p)为无故障的节点个数,β为正常节点被错误诊断为故障节点个数。
定义11故障诊断率是指诊断到的故障节点与实际发生故障节点总数的比值。它反映算法对故障节点的识别能力。
故障诊断率
其中np为所有的故障节点个数,N为诊断的所有节点个数。
定义12抗体的亲和度g(Ab):抗体与抗原之间的亲和力。
基于空间相关性的节点故障诊断算法流程如附图5所示。在随机分布的节点,对节点初始化,通过式子(16)-(24)对具有空间相关性的节点进行判别组成集合N(vi),对节点故障的信息采集,通过小波包进行特征提取,进行节点是否发生故障的判别。
5)基于空间相关性的免疫故障诊断方法主要步骤如下:
步骤1,网络节点的状态初始化,随机产生不同的网络节点,以及对各个网络节点赋值初始的状态信息;
步骤2,对每个需要检测的节点vi,根据式子和选取任意节点,判断节点的度,初始该节点的相邻节点的集合N(vi),并初始化每个节点状态Fi=1,初始化阈值θ1,θ2和q,生成r×q的矩阵初始化矩阵的是否故障矩阵Fi=0,如果为0,认定有故障,如果为1,判定为没有故障;然后初始阈值参数θi;
假设空间相关区域内任意的两个节点的状态信息分别为xi和xj,如果该两个节点之间的间距在节点最长通信距离范围之内认为是节点的度,那么进入检测状态,
从该公式中可知,如果两个节点相似,那么返回0,否则返回1。然后统计任意一个节点,其相邻节点相似的个数,即Ni。
步骤4,对检测器之间优化方法生成的故障检测器种群参数进行初始化;
步骤5,根据各个网络节点的状态信息和式P(vi=f)=wθ(H(vi))+(1-ω)T(vi),i=1,2,…,n,H(vi)=λ(K(vi),Pf(vi),Pd(vi))以及cij,判定节点发生的故障率、虚警率,初始化节点免疫目标函数。优化的目标函数定义如下所示:
这个优化目标函数的含义是如果每次迭代更新后的检测器所检测得到故障和真实的故障检测结果的差,如果差值趋向于0时,则认为该检测器越来越接近成熟检测器,否则进一步迭代;
步骤7,对亲和度较高的进行筛选,生成成熟的检测器;
步骤8,在每次迭代过程中,对节点的免疫信息需要进行更新。
每次迭代完成之后,更新所有节点免疫状态;
步骤9,利用成熟的检测器和节点故障类型发生的概率与外来的新的非自体(抗原)进行匹配,对能量消耗进行比对,跳转到步骤6;否则,判定已知故障类型,并对故障进行定位,将故障进行隔离,则方法结束;
步骤10,输出检测结果。
本发明提出了一种基于空间相关性的免疫故障诊断方法,主要针对网络节点的故障展开研究,包括对免疫机理和空间相关性的节点诊断算法进行优化,将免疫机制和方法进行有效的融合,引入仿生学原理和免疫机理等现代智能算法开展节点的故障检测与诊断研究。通过引入具有故障识别、自组学习、二次免疫的免疫机理应用于无线传感器网络的节点故障诊断中,完成对无线传感网络节点故障的检测与对诊断故障类型的判别。通过免疫算法中抗体-抗原相互识别,以及对记忆抗体的优化,在原始的训练样本基础上,对故障数据库依据记忆抗体进行分类,增加了故障数据库的多样性,提高故障诊断的精确率,目的是提高无线传感器网络的故障容错性和稳定性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种基于免疫机理的无线传感器网络故障诊断方法,包括:①利用传感器节点的空间相关性搭建故障诊断库;运用具有空间相关性的检测器,在同一区域内的传感器节点首先对感知到的数据进行自我检测,当超过设定的阈值时判定为异常检测,初步认为该传感器节点发生故障,将信息传给具有空间相关性的邻居传感器节点进行二次判定,若判定为故障,则认为传感器节点发生故障;②基于空间相关性的故障免疫诊断方法,在检测器生成和更新进程中,在空间相关性的诊断方法的基础上引入免疫机理,基于免疫系统与无线传感器网络故障检测诊断的属性关联和传感器节点的空间相关性,实现传感器节点故障的检测与诊断;
故障特征的提取,针对传感器节点的故障信号特征运用一种综合的传感器节点信号特征提取方法,根据传感器输出信号的特点,对传感器节点的不同频带通过小波包变换中的能量变化方法进行分解,获得频带的能量分布特性,确定故障特征,利用Fisher变换进行特征向量的提取;
设X={x1,x2,…,xm}为训练样本集,对应的样本向量φ(X),设有ω1,ω2,…,ωc共c个类别,其中m为样本数,xi为n维列向量,第j类样本集Xj,其中j=1,2…,c,样本数为mj;则核Fisher鉴别函数为
其中α为最佳核鉴别向量,d个最大的特征值对应的最佳鉴别向量为α1,α2,…,αd,此时一组最佳鉴别向量ν1,ν2,…,νd,v为任一非零向量;
核Fisher判别方法对训练样本进行特征提取,特征提取的步骤如下:
步骤2,通过Kbα=λKwα,求解最佳鉴别向量为α1,α2,…,αd;
节点故障类型判定的先决条件是进行故障特征的提取,为搭建故障诊断库做准备,通过故障特征的提取建立数据故障免疫库;
检测器的种群的更新和优化,在对自体与非体的检测当中,检测器检测到的区域有重叠的区域,影响对故障检测的准确度;利用传感器节点的空间相关性的适应度函数对检测器的种群进行优化;检测器的种群优化方法的具体步骤如下:
步骤1,在生成的检测器种群中随机选择一个检测器dri,在具有空间相关性的区域内选取m个邻居传感器节点集合
步骤3,检测器dri在具有空间相关性的区域内检测到的传感器节点的密度
|Nm(dri)|表示的是在同一区域内具有空间相关性具有空间相关性的传感器节点组成的集合中元素的个数;
步骤4,计算在具有空间相关性的区域内的离散程度
步骤5,di(dri)较小时,认为检测器dri与邻近的检测器之间距离相当,重叠的区域较少,认为该检测器在检测密度较小的区域,检测效果较好,保留在检测器种群中;否则,剔除该检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593602.6A CN107426741B (zh) | 2017-07-20 | 2017-07-20 | 一种基于免疫机理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 |
---|---|---|---|
CN201710593602.6A CN107426741B (zh) | 2017-07-20 | 2017-07-20 | 一种基于免疫机理的无线传感器网络故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107426741A CN107426741A (zh) | 2017-12-01 |
CN107426741B true CN107426741B (zh) | 2021-04-30 |
Family
ID=60430697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710593602.6A Active CN107426741B (zh) | 2017-07-20 | 2017-07-20 | 一种基于免疫机理的无线传感器网络故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107426741B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108377261A (zh) * | 2018-01-24 | 2018-08-07 | 江苏新中天塑业有限公司 | 一种基于工业无线传感网络的电机故障诊断系统及方法 |
CN109743103B (zh) * | 2019-02-01 | 2021-07-27 | 福州大学 | 基于elm的fbg传感网络节点故障修复方法 |
CN109799425B (zh) * | 2019-02-22 | 2022-02-18 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
CN109831336B (zh) * | 2019-02-28 | 2022-02-11 | 福建师范大学 | 基于msd的传感器节点故障诊断方法 |
CN110017989B (zh) * | 2019-05-17 | 2021-06-08 | 山东科技大学 | 一种风力机轴承故障诊断的方法 |
CN110366196A (zh) * | 2019-07-11 | 2019-10-22 | 哈尔滨理工大学 | 一种无线传感器网络故障分类方法 |
CN111190412B (zh) * | 2020-01-06 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种故障分析方法、装置、存储介质及终端 |
CN112533276B (zh) * | 2020-11-27 | 2023-11-10 | 北京宇航系统工程研究所 | 基于箭载无线传感网络的自适应编帧设计方法及系统 |
CN112996037A (zh) * | 2021-03-02 | 2021-06-18 | 哈尔滨理工大学 | 基于改进的否定选择算法的无线传感器网络故障诊断方法 |
CN116723083B (zh) * | 2023-08-10 | 2024-01-26 | 山东智拓大数据有限公司 | 一种云服务器在线故障诊断方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101415256A (zh) * | 2008-11-28 | 2009-04-22 | 南京航空航天大学 | 基于人工免疫系统的无线传感器网络故障诊断方法 |
CN105791051A (zh) * | 2016-03-25 | 2016-07-20 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
-
2017
- 2017-07-20 CN CN201710593602.6A patent/CN107426741B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101415256A (zh) * | 2008-11-28 | 2009-04-22 | 南京航空航天大学 | 基于人工免疫系统的无线传感器网络故障诊断方法 |
CN105791051A (zh) * | 2016-03-25 | 2016-07-20 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于混合免疫系统机理的无线传感网络故障检测算法;王明伟 等;《仪表技术与传感器》;20160430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107426741A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107426741B (zh) | 一种基于免疫机理的无线传感器网络故障诊断方法 | |
Liu et al. | Fault-tolerant event region detection on trajectory pattern extraction for industrial wireless sensor networks | |
CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
Dong et al. | An Intrusion Detection Model for Wireless Sensor Network Based on Information Gain Ratio and Bagging Algorithm. | |
CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
Mukherjee et al. | Deep learning-based multilabel classification for locational detection of false data injection attack in smart grids | |
CN110213244A (zh) | 一种基于时空特征融合的网络入侵检测方法 | |
CN109670306A (zh) | 基于人工智能的电力恶意代码检测方法、服务器及系统 | |
JP2006079479A (ja) | 時系列データ判定方法 | |
CN109829514A (zh) | 一种网络入侵检测方法、装置、计算机设备和存储介质 | |
CN116520806A (zh) | 一种工业系统智能故障诊断系统及其方法 | |
CN115185937A (zh) | 一种基于sa-gan架构的时间序列异常检测方法 | |
CN112488171A (zh) | 一种变分模式分解的sru故障预测方法 | |
CN111586728A (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
CN110956543A (zh) | 异常交易检测的方法 | |
Liu | Misbehavior detection based on deep learning for vanets | |
Wang et al. | Abnormal event detection in wireless sensor networks based on multiattribute correlation | |
CN114710344B (zh) | 一种基于溯源图的入侵检测方法 | |
CN115643153A (zh) | 基于图神经网络的报警关联分析方法 | |
CN107103134A (zh) | 基于贝叶斯网络的低速无线传感器网络测试性分析方法 | |
Wang et al. | Sound and complete causal identification with latent variables given local background knowledge | |
CN112417446A (zh) | 一种软件定义网络异常检测架构 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |