韩文虹，高淑婷

（河南农业职业学院电子信息工程系，河南 郑州 451450）

SOM离散化和IGA优化神经网络传感器故障诊断

韩文虹，高淑婷

（河南农业职业学院电子信息工程系，河南 郑州 451450）

为实现对节点进行实时有效的故障诊断，提出一种基于SOM自组织网映射算法和免疫遗传神经网络的故障诊断方法。首先，设计节点故障诊断的通用模型；然后采用自组织网映射（self organize mapping，SOM）算法对故障特征数据进行离散化以提高诊断模型的泛化性能，并通过主成分分析法（principal component analysis，PCA）对特征数据属性进行约简以减少数据量；最后，建立三层的BP神经网络节点故障诊断模型，并通过免疫遗传算法（immune gene algorithm，IGA）对BP神经网络优化从而得到最终优化的节点故障诊断模型。仿真实验证明该法能有效进行故障诊断，且与其他方法相比，具有诊断效率高和精度高的优点。

传感器节点；故障诊断；免疫遗传；BP神经网络

0 引 言

传感器节点（sensor node，SN）[1]是无线传感器网络（wireless sensor network，WSN）[2]的基本单元，其通过无线自组织的方式组成无线网络，实现对某一监测区域的数据采集、监测和控制，已经成功应用于农田监控、智能家居、环境监测和智慧交通等领域[3-5]。

目前对传感器节点进行故障诊断的研究工作主要有：文献[6]建立了一种分布式的基于数据融合的节点故障诊断方法；文献[7]设计了一种基于粗糙集理论和贝叶斯决策的节点故障诊断方法；文献[8]建立了一种基于分簇路由协议的节点故障诊断方法；文献[9]建立了一种基于粗糙集和神经网络的节点故障诊断方法。

上述工作仍具有故障诊断准确度不高和诊断时间长等缺点，为解决上述问题，本文提出了一种基于SOM离散化、PCA主成分分析方法降维和免疫遗传算法优化神经网络的故障诊断模型。

1 诊断模型定义

本方法采用分簇协议，在各簇头节点处对簇内成员节点进行故障诊断，能克服采用Sink节点进行故障诊断所带来的“热区”问题，减少了节点能耗，均衡了网络负载。

在某传输数据周期内，当簇头节点在收集了簇内成员节点发送的数据后，为了对簇内节点进行故障诊断，首先对数据采用SOM算法进行离散化，然后通过PCA主成分分析进行属性约简处理，最后，通过IGA优化的神经网络进行故障诊断。传感器节点故障诊断模型见图1。

图1 节点故障诊断模型

2 基于SOM算法的数据离散化

传感器采集的数据是连续型数据，不能直观地反映数据分布情况，为了使得故障诊断具有更好的泛化能力，采用SOM算法对数据进行离散化处理。

SOM自组织映射（self organize mapping，SOM）由Kohonen首次提出，属于无监督学习方式的一种，其主要包含输入层和输出层。

采用SOM对连续属性进行离散化的过程可以描述为：

初始化：对SOM中输入层与输出层之间以及输出层之间的权值Wij（t）赋予随机初始值，随机初始化学习率η（t）的初始值以及领域半径N（t），算法迭代次数最大值为T。

输出：各连续属性的离散化值。

1）令当前迭代次数t=1。

2）输入样本并对样本数据进行归一化。

3）寻找获胜神经元：使用欧式距离准则，计算输入样本与所有输出节点的距离：

选择具有最小Dij（t）（j=1，2，…，m）的输出神经元为获胜神经元。

4）根据式（2）、式（3）和式（4）对获胜神经元邻域内N（t）的所有节点的连接权值、邻域及学习率进行更新：

5）返回3）重新选择一个新的输入模式，直到所有模式均已遍历完。

6）t=t+1，判断其是否达到最大值T，如果达到则算法结束，否则，返回3）继续执行。

3 PCA主成分分析降维

3）将每个训练样本减去均值后，计算协方差矩阵，如下所示：

主成分分析法（principal component analysis，PCA）是由Kirby等人于1990年首次提出，能将高维空间中的故障样本空间投影到独立的低维空间，其原理可以描述为：

1）将经过SOM算法进行属性离散化的数据特征向量合成为训练样本集为X={x1，x2，…，xM}，每个样本xi的维数为R，从而构成M×R的故障数据矩阵X，并初始化贡献率阀值th。

2）计算所有训练样本的均值脸为

其中，协方差矩阵S的维数为R×R。

4）求解协方差矩阵S的特征值λi以及对应的正交归一化的特征向量zi，根据式（7）计算各特征值的累积贡献率α：

5）当某几个特征值对应的贡献率α大于预先设定的阀值th，同时对应的数量最少时，就选取这几个特征值对应的特征向量来构造特征空间Σ，并将训练样本集X投影到特征空间Σ上，从而得到降维后的特征向量集A，如下所示：

4 IGA神经网络故障诊断

4.1 IGA算法描述

免疫遗传算法（immune gene algorism，IGA）是一种将免疫算法和遗传算法相结合的算法,在免疫遗传算法中，将待求解的问题看作抗原，将问题的候选解看作抗体，将目标函数作为抗体与抗原之间的亲和度函数，通过抗体的交叉、变异、接种疫苗和免疫选择不断地匹配适应度函数，更新记忆细胞集，产生新的更优的抗体，其寻优过程如图2所示。

图2 免疫遗传算法流程

4.2 IGA神经网络故障诊断算法

文中采用IGA算法对BP神经网络的参数进行寻优，然后再采用优化的BP神经网络进行节点故障诊断，过程如下：

1）通过SOM对故障征兆数据进行离散化，然后通过PCA主成分分析法进行降维，采用最终的属性个数作为输入神经元的个数，将故障种类作为输出神经元个数，建立三层BP神经网络作为故障诊断模型。

其中，隐藏层神经元个数可以根据输入神经元和输出神经元个数获得：

式中：kin，kout——输入神经元和输出神经元个数；

l——一常数，其值为1～10之间的一个随机数。

2）采用S型函数作为隐藏层的基函数：

式中：λ——神经元阀值；

x——该神经元的基函数输入；

φ——调节参数，当φ足够大时，当x＞λ，则

y（x）趋向于1；当x＜λ，则y（x）趋向于0。

3）建立误差函数作为目标函数和抗体与抗原之间匹配的亲和度函数：

式中：Ei——第i次迭代时，输出神经元的总误差；

m，f——训练样本总数和网络的第f个输出。

4）采用图3所示的免疫遗传算法对输入层与隐藏层、隐藏层与隐藏层以及隐藏层与输出层之间的权值和阀值进行优化，直到满足预设的误差阀值eth，采用得到的最终参数初始化BP网络，得到最终的故障诊断模型。

5）输入故障诊断测试数据到BP神经网络进行故障诊断。

5 仿真实验

在Matlab仿真环境下对文中方法进行验证，采集400组样本数据，其中200组作为训练数据，另外200组作为测试数据。

表1 故障诊断特征向量

表2 约简的故障特征向量

表3 节点故障诊断结果

文中参数如下：贡献率阀值th为90%，IGA初始抗体种群规模为100，交叉概率0.6，变异概率0.55，记忆细胞集大小为10，神经网络误差阀值eth为0.01，常数l为3，部分样本故障诊断特征向量如表1所示。

首先，采用SOM算法对样本数据进行离散化，将数据映射到离散值0和1上，在此基础上采用PCA主成分分析法对特征向量进行属性约简，得到属性简约子集为{a[1]，a[2]，a[3]，a[4]，a[6]}，此时得到的经过属性约简后的特征向量如表2所示。

最后，采用4.2中基于IGA的BP神经网络算法进行故障诊断。首先，根据特征向量维数确定输入神经元个数为5，输出神经元个数为故障种类数即3，根据式（9）得到隐藏层神经元个数为6，即BP神经网络的结构为5-6-4，然后通过IGA优化BP网络权值和阀值，得到最终的故障诊断模型，然后输入测试数据进行故障诊断，并与文献[8]和[9]进行对比，结果如表3所示。

从表3中可以看出，文中方法能实现传感器节点的故障诊断，整个诊断时间仅需200ms，故障诊断精度高达99%，而文献[8]和文献[9]方法故障诊断时间分别为600ms和1100ms，同时对应的故障诊断精度分别为93%和91%，较文中方法分别低6%和8%，这是因为文中方法通过PCA主成分分析法进行属性约简降低了数据属性维数，同时，采用免疫遗传算法对BP神经网络进行权值和阀值等参数优化，使得文中故障诊断方法能在较短的时间内进行故障诊断，并具有较低的诊断误差。

6 结束语

为了保证监控系统长期有效地运行，需要对监控区域中传感器节点进行周期性故障诊断；因此，本文设计了一种基于SOM自组织映射算法和免疫遗传BP神经网络的节点故障诊断方法，采用SOM自组织映射算法对故障特征向量进行数据离散化处理，并通过PCA主成分分析方法对属性简约，最后通过免疫遗传算法优化的BP神经网络进行故障诊断。实验证明了文中方法能实现传感器节点故障诊断，且与其他方法相比，且具有诊断效率高和诊断精度高的优点。

[1]Yick J，Mukherjee B，Ghosal D.Wireless sensor network survey[J].Computer Networks，2008，52（12）：2292-2330.

[2]王雷，Wei R Z，田子红.无线传感器网络中一种基于分簇的节点调度算法[J].中国科学：信息科学，2011（41）：1013-1023.

[3]张瑞瑞，赵春江，陈立平，等.农田信息采集无线传感器网络节点设计[J].农业工程学报，2009，11（25）：213-218.

[4]严萍，张兴敢，柏业超，等.基于物联网技术的智能家居系统[J].南京大学学报：自然科学版，2012，1（48）：26-32.

[5]周舸，陈智勇.基于物联网的交通流量监测系统设计研究[J].计算机仿真，2011，8（28）：367-371.

[6]李强.一种基于诊断融合技术的传感器节点故障诊断[J].科技通报，2013，29（4）：79-81.

[7]潘佳梁，叶晓慧，王红霞.基于粗糙集理论和贝叶斯决策的WSN节点的故障诊断[J].传感技术学报，2009，22（5）：734-738.

[8]刘凯，彭力.分簇式无线传感器网络节点故障诊断算法研究[J].传感器与微系统，2011，30（4）：37-40.

[9]陈作聪.基于Rough set和禁忌神经网络的传感器节点故障诊断[J].计算机测量与控制，2013，5（32）：37-40.

Fault diagnosis of sensor node based on SOM and immune gene algorithm optimizing neural network

HAN Wen-hong，GAO Shu-ting
（Department of Electronic and Information Engineering，Henan Vocational College of Agriculture，Zhengzhou 451450，China）

In order to diagnose the fault in real-time and effectively，a fault diagnosis method based on SOM algorithm and immune gene neural network was proposed.Firstly，the general model for node fault diagnosis was designed，and then the SOM algorithm was used to get the discrete data to improve the generalization ability of the diagnosis model，and PCA（principal component Analysis）was used to reduce the dimension of data.Finally，the three layer node diagnosis model was built，and the improved immune gene algorithm was designed to train the network and the final node diagnostic mode was obtained.The simulation result shows that the proposed method can achieve sensor nodes fault diagnosis effectively and compared with other methods，it can diagnose node fault accurately in a shorter time.

sensor node；fault diagnosis；immune gene；BP neutral network

TP319；TP277；TP183；TN911.7

：A

：1674-5124（2014）05-0088-04

10.11857/j.issn.1674-5124.2014.05.023

2013-10-16；

：2013-12-03

韩文虹（1968-），女，河南南阳市人，副教授，硕士，研究方向为自动控制。