刘志光

摘要：随着无线传感器在环境监测、医疗、军事等领域的广泛应用，无线传感器故障检测成为重中之重。现有无线传感故障诊断基于无线传感器传感数据的时空相关性进行，当无线传感器分布密集且故障较少时，能达到很好的诊断精度。提出一种基于距离加权的算法，将邻居节点的数据加权平均后与待检测点进行比较，提高了故障诊断的精度，且能对具有正常诊断的节点状态进行扩散，减少能量消耗，延长网络寿命。

关键词：无线传感器；故障诊断；时空相关性；距离加权

DOIDOI：10.11907/rjdk.181168

中图分类号：TP312

文献标识码：A文章编号文章编号：16727800（2018）009010604

英文标题Fault Diagnosis in Wireless Network Sensor Fault Based on Distance Weighting Algorithm

--副标题

英文作者LIU Zhiguang1，2

英文作者单位（1.Fujian Institute of Scientific and Technological Information；2.Key Laboratory of Fujian Information Network，Fuzhou 350003，China）

英文摘要Abstract：With the extensive application of wireless sensors in environmental monitoring，medical treatment and military，fault detection in wireless sensor becomes more and more important.The existing wireless sensor fault diagnosis is based on spatiotemporal correlation of wireless sensor sensing data，and when the wireless sensor is densely distributed and the number of faults is small，good diagnostic accuracy can be achieved.In this paper，a distanceweighted algorithm is proposed.The data of neighboring nodes are weighted averagely and compared with the test points for diagnosis.The diagnostic accuracy of the fault is improved，and the state of the node with normal diagnosis is diffused to reduce the energy consumption and extend network life.

英文關键词Key Words：wireless sensor networks； fault detection； spatiotemporal correlation； distance weighted

0引言

无线传感器因其低成本、低功耗、小体积、短距离通信且能通过自组织形成无线传感器网络的特点，被广泛应用到军事、交通、环境监测和预报、卫生保健等各个领域，备受关注[1]。无线传感器一般被部署在环境恶劣、人迹稀少的环境中，通过多跳将传感器检测到的数据传输给基站，基站人员对接收到的传感数据进行分析并作出正确决策。但由于无线传感器极易发生故障，致使基站接收到错误的传感数据而作出错误决策，会导致一系列无法估计的连锁反应。因此，在无线传感器网络中对无线传感器节点进行故障诊断至关重要。

现有的无线传感器故障诊断算法主要分为集中式故障诊断算法和分布式故障诊断算法。在集中式故障诊断算法中，网络存在一个具有较强计算能力和通信能力的节点，且该节点有足够大的能量供应。待检测节点通过多跳邻居将待检测数据传输到基站，基站通过对传感数据分析得出待检测节点的状态。文献[1]中心节点通过对接收节点的历史数据堆积从而对下一时刻传感数据进行预测，对比预测值与真实值之间的相似性以诊断节点状态。该算法中，节点要将传感数据通过多跳发送给基站，消耗大量能量，降低了网络寿命。分布式检测算法中，所有传感器都具有相同的能量和传输半径，每个节点处于平等地位，都具有采集、计算能力，节点之间利用时空相关性，对节点状态进行判断。文献[2-3]中提出分布式无线传感器故障检测算法，基于节点的时空相关性，通过计算节点与其邻居节点数据的相似性进行故障诊断。

文献[4]是基于多数投票策略的算法，网络中每个节点先根据自身数据对节点状态进行判断，再根据邻居节点的决策判断自身决策是否正确，进而判断节点的真实状态。该算法具有复杂度低、能耗低等优点，但故障诊断精度一般，尤其当故障节点数较高时，故障诊断精度会迅速降低。文献[5-8]使用神经网络进行故障诊断，通过对数据进行分类找到故障节点。文献[9-11]基于聚类中值的方法对文献传感器进行故障检测，通过对节点进行聚类，再选取中值，比较节点数据间的相似度，判断节点的最终状态。文献[12-13]利用无线传感器中数据的相关性对无线传感器节点进行状态诊断。文献[14]基于图论知识，构造故障诊断定位集确定节点状态。

本文通过改进分布式故障诊断算法，在计算邻居节点相似性时，不再只简单计算两节点间的欧几里得距离，通过判断欧几里得距离判断节点的相似性，而是对其邻居节点数据进行距离加权处理之后再计算两节点间的相似性。在基于距离的基础上对数据进行处理，进一步提升无线传感器故障诊断精度，并将诊断正常的节点状态进行扩散，减少节点间的通信，降低能量消耗。

1无线传感器网络模型

无线传感器网络由若干个无线传感器节点以自组织方式组成（见图1），无线传感器包含传感器、CPU、无线通信和电源等4个模块。节点间在一定通信范围内能够通信，相互之间能进行信息的传输与交换，传感器还具有简单的计算功能。

无线传感器网络节点状态分为正常和故障两种，正常传感器能够监测到正常的传感数据且能传输给基站，而故障传感器则无法进行上述过程。无线传感器故障可分为硬故障和软故障。硬故障指无线传感器因电量不足或其它原因无法进行数据采集或无法与其它节点进行通信。软故障是指传感器节点采集数据和通信功能正常，但采集到的数据与真实值之间有一定误差。

在本文中，无线传感器具有如下性质：①所有节点都是静态的，即节点位置是固定的；②所有节点具有相同的通信范围；③每个节点都有唯一的标识；④传感器节点都是同种性质的；⑤汇聚节点比一般节点具有更多的初始能量和更大的通信范围。

1.1硬故障检测

无线传感器网络中所有节点间的通信都使用多信道时分多址（TDMA）作为MAC协议共享数据，能够使发送的数据包最小化，减少数据发送冲突。时分多址（TDMA）是一种为实现共享传输介质或者网络的通信技术，允许多个传感器在不同时隙使用相同的传输信道。它把时间分割成周期性的帧，每一个帧再分割成若干个时隙向基站发送信号，在满足定时和同步的条件下，基站可以分别在各时隙中接收到各无线传感器的信号而不混扰。

TDMA调度的MAC协议包括两个阶段：控制阶段和数据阶段。图2显示了通信信道及其不同的阶段。控制阶段用于保留源与目的地之间的数据通信时间表。数据阶段用于数据通信，然后是控制时段时间表。控制时段被分成许多小时隙{C1，C2，…，Cn}，其中时隙大小取决于RTS / CTS分组大小。数据阶段被分成一些时隙{D1，D2，…，Dm}，时隙大小取决于数据包的大小。RTS / CTS分组尺寸比数据分组的尺寸小，RTS / CTS分组在交换阶段进行。RTS分组包含接收者节点ID和数据阶段的所选数据时隙号。具有数据的节点将RTS分组发送到其相应的目标节点，并且目标节点会发送包含源ID和选择数据槽号的CTS分组。

在初始状态下，控制阶段的所有节点都处于苏醒状态，节点选择任意通道的随机时隙并设置一个定时器。当定时器值为零时，节点发送RTS数据包，接收器接收到RTS数据包后，在超时周期内重新发送一个CTS。RTS / CTS分组的成功将影响到其它节点数据调度。如果接收器接收到RTS分组并且知道所选择的数据时隙被另一个节点占用，则它发送否定的CTS以通知源节点，并且在数据阶段中选择另一个时隙。

发生硬故障的节点无法与其它节点进行通信，所以在硬故障诊断过程中，汇聚节点发送请求数据包，等待其通信范围内节点回复，若在时间t内收到回复，则说明节点能够进行正常通信，没有发生硬故障。若在时间t内汇聚节点没有收到回复，则说明节点发生了硬故障（见图3）。

其中等候时间t=Rc， R为汇聚节点的通信半径，c为数据包的传输速度。

1.2软故障检测

无线传感器软故障指无线传感器节点所感知的数据与真实数据有偏差，使管理者接收到错误数据而得出错误结论。无线传感器软故障根据数据故障类型可分为如下4种：①永久性故障。节点所感知数据不会随时间变化而变化，所感知数据为一个固定值；②暂时性故障。节点在某段时间内感知数据异常，但在其它时间内感知数据正常；③瞬时故障。在某一个时刻节点感知有误，其它时间感知数据正常；④偏移故障。感知数据在每个时刻都比真实数据大或小于一个固定值。

在无线传感器网络软故障诊断中，网络中相邻范围内传感器节点同一时刻采集到的数据应该是相同或者相似的。因此为了判断节点是否处于正常状态，需要对采集到的节点数据进行分析处理。

假设将n个传感器节点随机部署在设定的检测范围内，这些传感器节点均为自身携带GPS定位设备的信标节点[15]。用（x0，y0）表示检测节点s0坐标，用（x1，y1），（x2，y2），…表示周围邻近节点si（1≤i≤n-1）的坐标，定义有效临近节点的距离范围，记为R，且仅当节点i、j间的距离dij=（xi-xj）2+（yi-yj）2小于通信半径R时，两节点互为邻居节点。在不同检测节点范围内用N表示临近节点的个数。

反距离加权插值法[16]基于相近相似原理（即两个传感器节点离得越近，其数值就越接近，反之离得越远则相似性越小），以测量节点与邻近节点间的距离为权重进行加权平均。同一时刻，在检测节点s0的R范围内，利用邻近节点的检测值，运用距离加权对s0进行预测，则：

Z*（s0）=∑Ni=1λiZ（si）（1）

其中，Z*（s0）为检测点s0处的预测值，λi为预测计算过程中各邻近节点的权重，该值随着邻近节点与检测节点之间距离的增加而减少，Z（si）是在邻近节点si处获得的测量值。关于权重的计算：

λi=d-Ri0/∑Ni=1d-Ri0，∑Ni=1λi=1（2）

其中，R为指数值，即有效距离范围；di0是检测点s0与各个邻近点si之间的距离，通过距离公式计算。

di0=（xi-x0）2+（yi-y0）2（3）

检测点预测值计算过程中，邻近点所占权重的大小受到参数R影响，说明检测点与邻近点的距离越大，邻近点对预测结果影响的权重越呈指数规律减少。在预测检测点数据过程中，各个邻近点对预测值作用的权重大小是呈比例的，这些权重值的总和是1。

将得到检测节点s0的预测值Z*（s0）与其测量值Z（s0）进行比较，设定阈值为θ，满足：

|Z*（s0）-Z（s0）|<θ（4）

阈值θ为节点测量值的正常波动范围。如果节点未发生故障，则式（4）成立。如果差值绝对值大于设定的阈值，就可判断所测量的節点为故障节点。

2仿真与分析

使用Python软件对所提算法进行仿真，并分析结果。在仿真实验中，将300个传感器节点随机分布在100m×100m的待检测区域内，且所有节点都具有相同的传输半径与性质。当网络中模拟节点故障率分别为0.1、0.2、03、0.4、0.5时，再虚拟算法的节点故障检测情况。

2.1算法节点准确性

目前衡量无线传感器故障检测算法好坏的标准是计算节点故障检测率与节点故障虚警率。其中：节点故障检测率能准确诊断出故障节点个数占总节点个数的比重；节点故障虚警率是正常状态节点被诊断为故障的个数与实际正常节点个数之比。

部署在待监测区域的无线传感器自己形成的网络可简化为一个无向图G（v，e），其中G（v）为传感器节点，G（e）为网络中的边。若节点i、j为邻居节点，则边eij∈G（e）。

将基于距离加权的无线传感器算法与传统分布式故障诊断算法进行对比，结果见图4、图5。

由图4可知，基于距离加权的无线传感器故障检测算法在节点故障率较高时，仍有较高的故障诊断率；当节点故障率超过40%时，DFD算法故障诊断精度急剧下降，而基于距离的无线传感器故障诊断算法诊断精度仍高达90%以上。

2.2能量消耗

无线传感器被部署在环境恶劣的监测区域，且无线传感器节点的能量有限，尽可能减少无线传感器网络的能量消耗至关重要。传统的分布式无线传感器故障诊断算法中，每个传感器节点都需要与其邻居节点进行一次通信才能确定节点的准确状态。在基于距离加权的无线传感器故障检测算法中，将已经确定状态正常的节点向邻居节点进行扩散，只需与一个节点进行一次通信，就能准确判断邻居节点的状态，减少节点间的通信，尤其是对无线传感器节点故障率较低的网络，能更多地减少能量消耗，从而延长无线传感器网络的寿命。

3结语

基于距离加权的无线传感器网络故障检测算法，运用无线传感器数据间的空间相关性，将邻居节点数据进行加权后与待测节点数据进行比较，从而判断出邻居节点准确状态，并将正常的节点状态向邻居节点传递。仿真结果表明，该算法在故障检测上有较好的准确度，且当无线传感器网络故障率较低时能有效减少能量消耗，延长网络寿命。

参考文献参考文献：

[1]任丰原，黄海宁，林闯.无线传感器网络[J].软件学报，2003，14（7）：12821291.

[2]季赛，袁慎芳，吴键，等.基于时空特性的无线传感器网络节点故障诊断方法[J].传感器与微系统，2009，28（10）：117120.

[3]陈欢欢，黄剑，王楷，等.基于节点相似性的WSNs故障检测方法研究[J].传感器与微系统，2014，33（4）：1013.

[4]KRISHNAMACHARI B，IYENGAR S.Distributed faultbayesian algorithms for faulttolerant event region detection in wireless sensor networks[J].Computers IEEE Transactions ，2004，53（3）：241250.

[5]孙寅秋.无线传感器网络故障诊断算法设计[D].西安：西安电子科技大学，2012.

[6]孙凌逸，黄先祥，蔡伟，等.基于神经网络的无线传感器网络数据融合算法[J].传感技术学报，2011，24（1）：122127.

[7]鈕永胜，赵新民，孙金玮.采用基于神经网络的时间序列预测器的传感器故障诊断新方法[J].仪器仪表学报，1998，19（4）：383388.

[8]蒲天银，饶正婵.基于神经网络的无线传感器网络故障诊断方法[J].现代电子技术，2015（23）：3436.

[9]张成.基于聚类中值比较的WSNs故障检测算法[J].传感器与微系统，2014，33（4）：135138.

[10]张鹏，冯欣，周建国.无线传感器网络中基于空间关联性的聚类异常检测算法[J].计算机应用研究，2013，30（5）：13701372.

[11]李平，李宏，吴敏.WSNs分布式事件区域容错算法[J].计算机工程，2009，35（14）：142144.

[12]刘艺蕾，尹长川.一种基于时空相关性的传感器网络节点故障检测方法[D].北京：北京邮电大学，2016.

[13]YAO B，CHEN Q.On the temporalspatial correlation based faulttolerant dynamic event region detection scheme in wireless sensor networks[J].Lecture Notes in Computer Science，2007（1）：511523.

[14]肖勇，连春雨，朱祥和.基于故障定位集的无线传感器网络故障检测[J].计算机测量与控制，2010，18（5）：971973.

[15]陈斌，杨俊杰.基于DFD算法的无线传感器网络故障诊断系统的设计[J].上海电力学院学报，2014，30（3）：269272.

[16]阳文锐，王如松，黄锦楼，等.反距离加权插值法在污染场地评价中的应用[C].中国青年生态学工作者学术研讨会，2006：20132018.

责任编辑（责任编辑：何丽）