物聯(lián)網(wǎng)無線傳感器網(wǎng)絡(luò)故障診斷研究方法

無線傳感網(wǎng)絡(luò)（Wireless Sensor Networks，WSNs）故障診斷一般分為四步：檢測(cè)、孤立、鑒別和恢復(fù)，這四步也適用于太陽能殺蟲燈物聯(lián)網(wǎng)（Solar Insecticidal Lamps Internet of Things，SIL-IoTs）故障診斷。首先檢測(cè)SIL-IoTs是否存在故障。當(dāng)存在故障時(shí)，需要使用診斷方法定位故障位置并鑒別故障類型。隨后將故障節(jié)點(diǎn)或故障鏈路孤立以保證無故障部分正常運(yùn)行。最后依據(jù)故障類型進(jìn)行針對(duì)性故障恢復(fù)，保證SIL-IoTs正常運(yùn)行。此外，在發(fā)生故障時(shí)，一般會(huì)采取故障容錯(cuò)機(jī)制，快速隔離故障保證WSNs的正常運(yùn)行?；诠收显\斷的觸發(fā)方式可將其分為主動(dòng)與被動(dòng)兩類。主動(dòng)觸發(fā)是一種節(jié)點(diǎn)或基站會(huì)定期檢測(cè)網(wǎng)絡(luò)狀態(tài)的故障診斷方式，而被動(dòng)觸發(fā)則是一種當(dāng)節(jié)點(diǎn)或網(wǎng)絡(luò)狀態(tài)不符合預(yù)設(shè)情況時(shí)再觸發(fā)故障診斷方法的診斷方式。基于這兩種觸發(fā)方式和不同的應(yīng)用背景及約束條件，如網(wǎng)絡(luò)密度、時(shí)效性要求、能耗要求、節(jié)點(diǎn)計(jì)算能力等，目前已研究出多種類型的WSNs故障診斷方法。根據(jù)這些方法的特性，將其分為以下6類方法：統(tǒng)計(jì)方法、概率方法、層次路由方法、機(jī)器學(xué)習(xí)方法、拓?fù)淇刂品椒ê鸵苿?dòng)基站方法。表1為近年經(jīng)典故障診斷研究方法的分類情況。

表1 WSNs故障診斷算法

Table 1 Fault diagnosis algorithms on WSNs

1 統(tǒng)計(jì)方法

統(tǒng)計(jì)方法通過建立模型，運(yùn)用統(tǒng)計(jì)指標(biāo)對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)，當(dāng)結(jié)果不符合檢驗(yàn)時(shí)，標(biāo)記為故障樣本，并進(jìn)一步根據(jù)故障樣本的離群程度、方差和標(biāo)準(zhǔn)差指標(biāo)等對(duì)其進(jìn)行故障分類。Panda和Khilar提出了一種基于改進(jìn)三西格瑪（3sigma）故障自診斷方法，每個(gè)節(jié)點(diǎn)收集一跳鄰居節(jié)點(diǎn)的數(shù)據(jù)并通過3sigma檢驗(yàn)觀察自身是否存在硬故障或永久性故障。此方法通過節(jié)點(diǎn)自身進(jìn)行故障診斷，因此要求節(jié)點(diǎn)有一定的存儲(chǔ)與計(jì)算能力。當(dāng)節(jié)點(diǎn)數(shù)量較少時(shí)，此種方法不適用。Jiang提出了一種改進(jìn)的分布式故障診斷方法。當(dāng)超過一半的鄰居節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)數(shù)據(jù)的差值超過閾值時(shí)，將節(jié)點(diǎn)標(biāo)記為可能故障，用同樣的方法標(biāo)記網(wǎng)絡(luò)中所有節(jié)點(diǎn)。然后判斷目標(biāo)節(jié)點(diǎn)中初始檢測(cè)狀態(tài)為正常的鄰居節(jié)點(diǎn)是否有一半超過閾值，如果是則確定目標(biāo)節(jié)點(diǎn)故障。當(dāng)目標(biāo)節(jié)點(diǎn)附近沒有鄰居節(jié)點(diǎn)或所有鄰居節(jié)點(diǎn)均標(biāo)記為可能故障時(shí)，如果目標(biāo)節(jié)點(diǎn)初始檢測(cè)狀態(tài)為可能故障，則目標(biāo)節(jié)點(diǎn)標(biāo)記為故障。此方法降低了統(tǒng)計(jì)方法對(duì)鄰居節(jié)點(diǎn)的依賴性，可用于節(jié)點(diǎn)稀疏的WSNs中。但是此類方法為主動(dòng)診斷方法，會(huì)造成較高的能量損耗。因此，Jin等提出了一種基于自回歸模型與Kuiper檢驗(yàn)的被動(dòng)故障診斷方法。基于當(dāng)某條路徑中的節(jié)點(diǎn)故障時(shí)，其他節(jié)點(diǎn)會(huì)選擇新的路徑并且通信時(shí)間會(huì)增加的特點(diǎn)，通過Kuiper檢驗(yàn)來檢測(cè)異常，從而判斷是否存在故障。

統(tǒng)計(jì)方法大多依據(jù)目標(biāo)節(jié)點(diǎn)與鄰居節(jié)點(diǎn)值的差異進(jìn)行診斷，是一種基于節(jié)點(diǎn)的分布式故障診斷方案。當(dāng)節(jié)點(diǎn)處于邊緣地區(qū)，沒有足夠的鄰居節(jié)點(diǎn)參與計(jì)算，或是鄰居節(jié)點(diǎn)也存在故障時(shí)，此類故障診斷方法的正確性無法得到保證。此外，此類方法大多基于節(jié)點(diǎn)進(jìn)行故障診斷，權(quán)衡節(jié)點(diǎn)能量消耗與故障診斷率是另一大挑戰(zhàn)。由于SIL-IoTs電池可充電、有一定計(jì)算和存儲(chǔ)能力，因此部署于節(jié)點(diǎn)處的統(tǒng)計(jì)方法十分適用，特別是節(jié)點(diǎn)暫時(shí)性與間歇性等依靠數(shù)據(jù)長(zhǎng)期波動(dòng)趨勢(shì)進(jìn)行分析的故障。

2 概率方法

概率方法將故障診斷問題當(dāng)作一個(gè)分類概率模型。Lau等提出了一種基于樸素貝葉斯框架的集中式硬件故障檢測(cè)方法。在基站分析收集到的端到端傳輸時(shí)間數(shù)據(jù)，判斷故障概率是否大于正常概率。如果是，則判定原路徑有節(jié)點(diǎn)故障，再選取近期多次數(shù)據(jù)傳輸時(shí)間數(shù)據(jù)進(jìn)行評(píng)估。此方法在無擁塞網(wǎng)絡(luò)中可以有效監(jiān)測(cè)網(wǎng)絡(luò)故障，并給出可疑故障節(jié)點(diǎn)，但無法檢測(cè)邊緣地區(qū)的節(jié)點(diǎn)。Peng和Chow提出了一種鄰域隱藏條件隨機(jī)域法來確定傳感器間的隱藏狀態(tài)。這種方法利用信號(hào)強(qiáng)度與信號(hào)延遲來估計(jì)不同故障后驗(yàn)概率，以此確定WSNs的健康狀況。此方法可用于不同通信條件與節(jié)點(diǎn)數(shù)量場(chǎng)景中。Liu等將工業(yè)WSNs中的故障節(jié)點(diǎn)識(shí)別問題轉(zhuǎn)化為軌跡提取問題。通過概率模型的在線學(xué)習(xí)，將感知節(jié)點(diǎn)分布變成概率值分布模式。根據(jù)生成的概率值分布軌跡，進(jìn)行模式匹配與時(shí)空約束檢查，以識(shí)別故障節(jié)點(diǎn)。

概率方法大多不能鑒別故障的類別。此外，因?yàn)橹饕褂眯盘?hào)強(qiáng)度、信號(hào)延遲等參數(shù)進(jìn)行故障診斷，因此難以獲取故障節(jié)點(diǎn)的數(shù)量，只能判斷存在故障的路徑及估計(jì)路徑丟失節(jié)點(diǎn)的情況。與統(tǒng)計(jì)方法類似，部署于節(jié)點(diǎn)的概率方法也適用于SIL-IoTs故障診斷，特別是前期的故障檢測(cè)與孤立。

3 層次路由方法

層次路由是一種將節(jié)點(diǎn)分為多個(gè)簇，每個(gè)簇的簇頭節(jié)點(diǎn)（Cluster Head node，CH）收集簇內(nèi)節(jié)點(diǎn)的信息，通過CH直接上傳數(shù)據(jù)到基站或多跳CH上傳數(shù)據(jù)到基站的數(shù)據(jù)傳輸方式。層次路由故障診斷方法也是通過CH對(duì)簇內(nèi)成員進(jìn)行診斷。Jassbi和Moridi采用混合節(jié)能分布式層次路由方法（Hybrid Energy-Efficient Distributed clustering，HEED）進(jìn)行分簇，采用加權(quán)中值法對(duì)簇內(nèi)節(jié)點(diǎn)進(jìn)行檢測(cè)。當(dāng)CH出現(xiàn)故障時(shí)，使用提前選取的簇內(nèi)備份CH進(jìn)行數(shù)據(jù)傳輸與故障檢測(cè)工作。Moridi等提出一種基于簇的多路徑故障容錯(cuò)算法，對(duì)WSNs中的節(jié)點(diǎn)分簇后，選擇一個(gè)備份節(jié)點(diǎn)提高CH節(jié)點(diǎn)容錯(cuò)性。當(dāng)簇內(nèi)數(shù)據(jù)傳輸時(shí)，通過假設(shè)檢驗(yàn)和簇內(nèi)投票的方式檢測(cè)節(jié)點(diǎn)的故障。最后根據(jù)剩余能量、跳數(shù)、傳播速度和可靠性參數(shù)選擇最優(yōu)傳輸路徑。該方法可以有效降低丟包率，提升數(shù)據(jù)準(zhǔn)確性。

層次路由方法比其他通過普通節(jié)點(diǎn)進(jìn)行自診斷的方法更加簡(jiǎn)單有效，在診斷故障后還可通過改變網(wǎng)絡(luò)路由保障WSNs的可靠性。但是，由于多輪的CH選取，層次路由方法增加了WSNs的通信與能量開銷。此外，由于CH依然通過鄰居節(jié)點(diǎn)數(shù)據(jù)判斷目標(biāo)節(jié)點(diǎn)故障狀態(tài)，當(dāng)簇內(nèi)大多數(shù)節(jié)點(diǎn)出現(xiàn)故障導(dǎo)致數(shù)據(jù)異常時(shí)，正常節(jié)點(diǎn)反而可能被誤診為故障節(jié)點(diǎn)。層次路由方法適用于較大規(guī)模的SIL-IoTs部署情況，其分簇進(jìn)行故障診斷的方式能快速檢測(cè)節(jié)點(diǎn)軟故障與硬故障。此外，層次路由方法亦適用于SIL-IoTs故障容錯(cuò)方案設(shè)計(jì)，保障其在發(fā)生故障時(shí)不受影響。

4 機(jī)器學(xué)習(xí)方法

監(jiān)督學(xué)習(xí)方法是機(jī)器學(xué)習(xí)方法在WSNs故障診斷領(lǐng)域中主要的應(yīng)用。監(jiān)督學(xué)習(xí)方法通過大量有標(biāo)簽的歷史數(shù)據(jù)訓(xùn)練故障診斷模型，利用目標(biāo)函數(shù)不斷地調(diào)整模型參數(shù)，直到模型能有效地檢測(cè)并分類故障。Zhao等采用半監(jiān)督學(xué)習(xí)方法對(duì)故障傳感器節(jié)點(diǎn)進(jìn)行分類，還引入了一種基于局部核密度估計(jì)的標(biāo)簽傳播機(jī)制。此方法考慮到基站收集的數(shù)據(jù)會(huì)出現(xiàn)丟包現(xiàn)象，用半監(jiān)督核密度估計(jì)方法估計(jì)丟包數(shù)據(jù)的類標(biāo)簽，以此分類故障并構(gòu)造訓(xùn)練集。Javaid等根據(jù)數(shù)據(jù)特征將故障分為偏移故障（傳感器校準(zhǔn)不佳）、增益故障（在特定時(shí)間段內(nèi)數(shù)據(jù)變化率不符合規(guī)律）、卡死故障（數(shù)據(jù)長(zhǎng)期為0）和超過范圍（有正常讀數(shù)但超出正常范圍），提出了一種基于信任函數(shù)的決策融合算法，通過增強(qiáng)支持向量機(jī)、增強(qiáng)K近鄰、增強(qiáng)極限學(xué)習(xí)機(jī)和增強(qiáng)遞歸極限學(xué)習(xí)機(jī)進(jìn)行組合運(yùn)算，以此分類故障。

機(jī)器學(xué)習(xí)方法需要設(shè)備具有較高的計(jì)算性能，因此大多在基站或后臺(tái)運(yùn)行，是一種集中式處理方案。盡管此類方法在故障診斷上有良好的檢測(cè)率，但其在后臺(tái)運(yùn)行的特點(diǎn)導(dǎo)致不能快速的發(fā)現(xiàn)故障并進(jìn)行恢復(fù)。此外，該方法依賴于大量數(shù)據(jù)建立模型，獲得較精確的分類結(jié)果，因此多用于間歇性與暫時(shí)性節(jié)點(diǎn)故障中。對(duì)于SIL-IoTs而言，機(jī)器學(xué)習(xí)方法可部署于基站或部署輕量級(jí)算法于節(jié)點(diǎn)處，結(jié)合統(tǒng)計(jì)方法檢測(cè)節(jié)點(diǎn)間歇性與暫時(shí)性故障，利用新數(shù)據(jù)不斷更新模型，對(duì)SIL-IoTs的野外環(huán)境變化有較大的容忍度。

5 拓?fù)淇刂品椒?/strong>

WSNs中的故障有可能改變網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。如節(jié)點(diǎn)剩余能量較低無法承擔(dān)數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù)時(shí)，在平面路由中其他節(jié)點(diǎn)將尋找別的傳播路徑，在層次路由中簇內(nèi)會(huì)喚醒備份節(jié)點(diǎn)替代此節(jié)點(diǎn)繼續(xù)執(zhí)行任務(wù)。O?ner等提出了一種基于拓?fù)浣Y(jié)構(gòu)的故障定位方法。通過基站將網(wǎng)絡(luò)拓?fù)?/span>以圖形表示，包含WSNs內(nèi)的故障信息?；诖私o每個(gè)節(jié)點(diǎn)分配一個(gè)可疑度得分，得分越高，故障概率越大。Sulieman和Gitlin提出了一種基于分集技術(shù)與三角網(wǎng)編碼組合的WSNs網(wǎng)絡(luò)故障診斷策略。該方法通過構(gòu)建冗余路徑，快速替代發(fā)生鏈路故障的路徑，可以有效地節(jié)省能量消耗并快速的調(diào)整拓?fù)浣Y(jié)構(gòu)。但k個(gè)目標(biāo)節(jié)點(diǎn)中發(fā)生n個(gè)鏈路故障時(shí)，至少需要kn+n個(gè)冗余鏈路。

拓?fù)淇刂品椒ǖ哪康氖墙档凸收习l(fā)生時(shí)WSNs的能量消耗與帶寬損失。拓?fù)淇刂品椒ㄔ诰W(wǎng)絡(luò)故障與故障定位方面有較好的性能表現(xiàn)，對(duì)于其他故障暫未有相關(guān)性研究。在SIL-IoTs中，拓?fù)淇刂品椒梢杂行г\斷網(wǎng)絡(luò)故障并重構(gòu)路由，是SIL-IoTs不可缺少的故障診斷策略。

6 移動(dòng)基站方法

數(shù)據(jù)從節(jié)點(diǎn)傳輸?shù)交居幸欢ǖ臅r(shí)延性，因此WSNs節(jié)點(diǎn)數(shù)量較大時(shí)故障診斷與故障恢復(fù)效率降低。此外，由網(wǎng)絡(luò)故障導(dǎo)致的拓?fù)浣Y(jié)構(gòu)變化也為網(wǎng)絡(luò)故障診斷增加了難度。Chanak等提出了一種基于移動(dòng)基站的分布式故障診斷方法。移動(dòng)基站是一種配備無線收發(fā)器的移動(dòng)機(jī)器人或車輛，其移動(dòng)到網(wǎng)絡(luò)中的不同區(qū)域通過單跳通信的方式來診斷附近傳感器的軟硬件狀態(tài)，有效提高了網(wǎng)絡(luò)的故障檢測(cè)精度。Fissaoui等提出了一種基于故障容錯(cuò)與能量有效性的分布式WSNs數(shù)據(jù)融合算法。該方法利用移動(dòng)代理在傳感器節(jié)點(diǎn)間的遷移進(jìn)行數(shù)據(jù)收集，規(guī)劃移動(dòng)代理的路徑與節(jié)點(diǎn)失效時(shí)的備用路徑，降低了節(jié)點(diǎn)能耗與數(shù)據(jù)傳輸時(shí)延。

移動(dòng)基站方法能夠有效地提高網(wǎng)絡(luò)的故障檢測(cè)精度，提高故障檢測(cè)與恢復(fù)的實(shí)時(shí)性，降低節(jié)點(diǎn)的能量消耗。目前移動(dòng)基站的主要研究問題在于檢測(cè)區(qū)域劃分與檢測(cè)路徑優(yōu)化。此外，由于移動(dòng)基站方法需要自主移動(dòng)的機(jī)器人或車輛，并且提前規(guī)劃好路徑，因此對(duì)應(yīng)用場(chǎng)景的要求較高。在SIL-IoTs中，可作為移動(dòng)基站的有無人收割機(jī)、植保無人機(jī)等具有移動(dòng)作業(yè)特性的農(nóng)機(jī)裝備。盡管移動(dòng)基站方法在故障檢測(cè)率、時(shí)延性方面均有較好效果，但SIL-IoTs故障診斷受無人收割機(jī)、植保無人機(jī)等作業(yè)路徑、工作時(shí)長(zhǎng)、作業(yè)區(qū)域等影響較大，能否有效結(jié)合是一個(gè)未知數(shù)。

如圖1所示，SIL-IoTs應(yīng)用于大田農(nóng)業(yè)、禽畜養(yǎng)殖、茶園種植等場(chǎng)景中（以藍(lán)色字體表示），在不同場(chǎng)景中可能存在多種無線傳感設(shè)備與SIL-IoTs相連（以紅色字體表示），通過無線通信設(shè)備進(jìn)行數(shù)據(jù)傳輸（以橙色虛線表示）。在此種復(fù)雜的SIL-IoTs場(chǎng)景中，使用單種故障診斷方法難以取得良好效果。對(duì)于部署在后臺(tái)的故障診斷方法（如概率方法、機(jī)器學(xué)習(xí)方法、拓?fù)淇刂品椒?，通過后臺(tái)分析接收到的全局信息進(jìn)行故障診斷），由于后臺(tái)強(qiáng)大的計(jì)算與存儲(chǔ)能力，以及從SIL-IoTs節(jié)點(diǎn)將數(shù)據(jù)經(jīng)過多跳鏈路傳輸?shù)胶笈_(tái)存在時(shí)延的特點(diǎn)，因此更適用于處理時(shí)效性要求不高、較難診斷的故障。對(duì)于部署在SIL-IoTs節(jié)點(diǎn)的故障診斷方法（如統(tǒng)計(jì)方法、層次路由方法，通過節(jié)點(diǎn)自身時(shí)間相關(guān)性與鄰居節(jié)點(diǎn)空間相關(guān)性進(jìn)行故障診斷），由于節(jié)點(diǎn)有限的計(jì)算與存儲(chǔ)能力，以及不需要多跳傳輸數(shù)據(jù)的特點(diǎn)，因此更適用于時(shí)效性要求較高、較易診斷的故障。其中故障診斷的時(shí)效性指故障出現(xiàn)到故障解決的時(shí)間。

圖1 SIL-IoTs故障診斷方法應(yīng)用場(chǎng)景

Fig. 1 Application scenarios of SIL-IoTs fault diagnosis methods

移動(dòng)基站方法可以綜合部署于后臺(tái)及部署于節(jié)點(diǎn)的故障診斷方法的優(yōu)點(diǎn)，但對(duì)作為基站的載體要求較高。此外，衛(wèi)星遙感數(shù)據(jù)、無人機(jī)數(shù)據(jù)等可用于故障診斷輔助決策或驗(yàn)證故障診斷正確性。如某殺蟲燈殺蟲計(jì)數(shù)值持續(xù)較低，通過無人機(jī)航拍數(shù)據(jù)可觀測(cè)實(shí)際蟲情，借此輔助判斷是燈管故障或是節(jié)點(diǎn)軟故障。

閱讀原文

溫馨提示：本文節(jié)選自《智慧農(nóng)業(yè)（中英文）》2020年第2卷第2期。

如果您無法在知網(wǎng)下載，可以點(diǎn)擊文末“閱讀原文”可直達(dá)期刊官網(wǎng)免費(fèi)閱讀、下載。

本文節(jié)選自

楊星, 舒磊, 黃凱, 李凱亮, 霍志強(qiáng), 王彥飛, 王心怡, 盧巧玲, 張亞成. 太陽能殺蟲燈物聯(lián)網(wǎng)故障診斷特征分析及潛在挑戰(zhàn)[J]. 智慧農(nóng)業(yè)（中英文）, 2020, 2(2): 11-27.

YANG Xing, SHU Lei, HUANG Kai, LI Kailiang, HUO Zhiqiang, WANG Yanfei, WANG Xinyi, LU Qiaoling, ZHANG Yacheng. Characteristics Analysis and Challenges for Fault Diagnosis in Solar Insecticidal Lamps Internet of Things[J]. Smart Agriculture, 2020, 2(2): 11-27.

微信交流服務(wù)群

為方便農(nóng)業(yè)科學(xué)領(lǐng)域讀者、作者和審稿專家學(xué)術(shù)交流，促進(jìn)智慧農(nóng)業(yè)發(fā)展，為更好地服務(wù)廣大讀者、作者和審稿人，編輯部建立了微信交流服務(wù)群，有關(guān)專業(yè)領(lǐng)域內(nèi)的問題討論、投稿相關(guān)的問題均可在群里咨詢。

入群方法：加小編微信331760296，備注：姓名、單位、研究方向，小編拉您進(jìn)群，機(jī)構(gòu)營(yíng)銷廣告人員勿擾。

信息發(fā)布

科研團(tuán)隊(duì)介紹及招聘信息、學(xué)術(shù)會(huì)議及相關(guān)活動(dòng)的宣傳推廣

本文內(nèi)容由互聯(lián)網(wǎng)用戶自發(fā)貢獻(xiàn)，該文觀點(diǎn)僅代表作者本人。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如發(fā)現(xiàn)本站有涉嫌抄襲侵權(quán)/違法違規(guī)的內(nèi)容， 請(qǐng)發(fā)送郵件至 sumchina520@foxmail.com 舉報(bào)，一經(jīng)查實(shí)，本站將立刻刪除。
如若轉(zhuǎn)載，請(qǐng)注明出處：http://www.qjsdgw.cn/88811.html