邓懿心 宋玉阶

(武汉科技大学信息科学与工程学院 武汉 430081)



无线火灾传感网络故障诊断在工业建筑的应用

邓懿心 宋玉阶

(武汉科技大学信息科学与工程学院 武汉 430081)

本文使用粗糙集中一种改进的基于差别矩阵和属性选择的属性约简算法，对故障样本数据进行约简，得到最小约简集，结合使用新旧版本的BP神经网络，对工业建筑节点故障进行检测，仿真实验结果得到采用RS-new BP神经网络比old BP神经网络的迭代次数减少了61次，正确率提高了7.11%。

节点故障诊断 属性约简 RS-new BP神经网络

0 引言

近年来，工业火灾成为火灾发展的新动向。由于工业建筑内部复杂，火灾形式具有多样性，火情发展速度很快，特殊工业建筑内还会有爆炸的危险，这些特点决定了工业建筑火灾扑救难度大，造成的损失也大，因此采用科学有效的方法预防火灾发生显得至关重要。传统的有线火灾自动报警技术布线复杂、安装繁琐、维修困难，很多时候不适合工业建筑火灾预警，特别是《建筑设计防火规范》(GB 50016—2014)的颁布实施，对工业建筑防火设计有了更高的要求。而随着无线网络通信技术的快速发展，将火灾探测技术和无线通信网络相结合，构成无线传感网络(WSN)[1]，能够在无线环境下探测火灾，实现对工业建筑火灾的预警，保障工业建筑安全。在WSN中，无线传感网络节点故障检测在整个无线网络系统中占据着重要的地位，无线传感网络各个节点的能量极为有限，在网络中工作的传感器节点如果因为能量耗尽则不能进行正常的故障诊断工作，导致工业建筑安全受到威胁。

为了保障工业建筑无线火灾传感网络正常工作，本文通过将粗糙理论与神经网络相结合的方法来对WSN故障节点进行诊断，降低了无线网络中每个节点在故障检测过程中的能量损耗，通过智能方式对工业建筑中网络节点的故障及时进行诊断和排除，使得各类火灾探测器能够正常工作，及时预警，提高了WSN节点故障诊断的效率和正确率。

1 粗糙集对工业建筑WSN故障约简

在大型工业建筑中，由于建筑内部无线传感网络每个节点由电池供电，能量十分有限，单独节点只有有限的处理和存储能力，而工业建筑节点一般达到几千个，建筑内网络运行在动态变化不可靠的环境中。在工业建筑WSN故障诊断的过程中，火灾预警无线传感器的故障类型中有些条件属性是冗余的，少量简单数据在故障诊断中没有问题，随着数据增多，如果不去除冗余条件属性，那么在故障检测过程中，故障检测时间会增加，并且要消耗过多能量，运用粗糙集知识能够处理不完整和模糊的数据[2]，将这些不精确，不完整和不确定的粗糙故障信息进行故障信息的约简[3]，消去WSN故障信息中非必要的信息，仅仅保留真正有用的部分，保证对故障信息的检测同时消耗较少的能量，让工业建筑中的无线传感器能够工作在正常状态。

在工业建筑WSN故障信息中任意等价关系表示一个属性和用属性表示的关系等价类。设BI=(X,A)为WSN故障诊断知识表达系统，其中X={x1，x2，...，xn}，|X|=n，设On×n=(cij)n×n为系统的差别函数，其中cij={a|(a∈A)∧(fa(xi)≠fa(xj))}，∀i,j=1,2,…,n。给定一个知识库K=(U,S)和知识库中的等价关系簇，T⊆S,∀G∈T, 如果G是独立的，并且IND(G)=IND(T),则称G是T的一个约简，T的全体约简为Y(T)。若IND(T-{G})≠IND(T), 则称G为T中必要的，T中所有必要的知识组成的集合称为T的核，记为COPE(T)，COPE(T)={a|(a∈T)∧(∃cij((cij∈On×n)∧(cij={a}))}。信息系统里的核等于信息系统中差别矩阵每个属性单元组成的集合。

算法改进实现如下：

(1)计算故障信息中的差别矩阵On×n(BI)。

(2)根据第一步得到的差别矩阵On×n(BI)计算信息系统BI的核CORE(T)，设B=CORE(T)。

(3)在算法中，对∀a(xi,xj) (i,j=1,2,3,…,n)，如果有a(xi,xj)∩B≠∅,则令a(xi,xj)=0。

(4)∀a(xi,xj) (i,j=1,2,3,…,n)，如果

a(xi,xj)=0，转到下一步。

(5)统计当前差别矩阵中每个属性出现的次数，选出出现次数最多的那个属性，加入到集合B中，即B⊆(B∪a),转到第(3)步。

(6)输出求得的的属性约简B，算法结束。

通过改进的基于差别矩阵和属性选择的属性约简算法可以容易地得到信息系统的核和属性的约简，保证工业建筑WSN故障信息的约简。

2 粗糙神经网络WSN故障诊断分析

2.1 工业建筑故障诊断网络的确定

工业建筑故障诊断网络结构如下图1所示，其中x1，x2，…，xn为工业建筑故障检测样本，经过粗糙集处理后输入到BP神经网络进行训练，简称RS-BP。最终输出结果对故障类型进行诊断。

图1 工业建筑故障诊断网络结构示意图

2.2 粗糙集和人工神经网络的结合

工业建筑WSN在故障诊断过程中，故障有多样性和相关性，而对于各种不同故障进行决策具有不完整和模糊性。人工神经网络的优点是具有较强的自组织、容错和推广能力，但对于数据中信息的重要程度和信息中的冗余信息，人工神经网络不能够分辨。粗糙集可以对数据进行简约，区分出数据的重要程度，但是抗干扰能力差，容错和推广能力相当软弱，且只能处理量化数据等问题。采用粗糙集和人工神经网络相结合的方式[4]，先用粗糙集对数据进行预处理，去除数据中冗余信息，简化人工神经网络的网络结构。人工神经网络通过对处理后的网络进行训练，可以有效地检测出工业建筑WSN中的故障类型。粗糙神经网络故障诊断框图如图2所示。

图2 粗糙神经网络故障诊断框图

3 工业建筑WSN故障诊断仿真实验

3.1 故障诊断系统设计

某大型工业建筑基于无线传感网络的火灾预警故障诊断系统，建筑有N个区域，每个区域采用无线温湿度火灾探测传感器，无线温湿度传感器由SHT11型温湿传感器和MC13213中央处理器构成，传感器和中央处理器之间的通信，采用的是Chipcon公司的CC1000无线通信芯片，传感器的节点由中央处理器、无线通信芯片CC1000、火灾传感器、能量模块4个部分组成。工业建筑中火灾预警WSN采用确定性覆盖，在传感器节点位置已知的情况下对传感器的故障信息进行检测。

网络的拓扑结构为树形结构，采用Zigbee协议栈组织数据传输网络，并将采集到的温湿度信息通过中心节点，发送至检测服务器，实现对建筑内区域的监控。感知节点距离检测的区域最近，作用是对故障数据进行采集，通过无线网络传到汇聚节点，汇聚节点根据设定程序接受到实际的故障征兆，并诊断感知节点的故障类型，完成对故障类型的判别。

3.2 故障征兆分类

根据设计的工业建筑火灾故障诊断预警系统，结合WSN节点在故障检测的实际应用，采集到的数据通过无线发送模块发送。在仿真实验中把WSN的故障类型分为5种，分别是没有发生故障，能量不足故障，CC1000故障，MC13213故障和SHT11故障。结合粗糙集知识，建立无线火灾传感器节点故障诊断知识系统，K=(T,C)，C=W∪V，知识系统的2个属性子集分别是W和V，条件属性是W，结果属性是V，论域为T，把WSN故障检测节点反馈的各种不同信息作为故障征兆，故障征兆的属性值设为1和0(1代表故障发生；0代表系统运行正常，没有发生故障)。wi和vi分别表示条件属性和结果属性的子集，即{wi}⊆W,{vi}⊆V,其中i=1,2,…,n。

工业建筑WSN故障类型和征兆列于表1 。工业建筑WSN节点故障检测决策表如表2所示。

表1 工业建筑WSN故障类型和征兆

注：w1为测试节点是否周期循环传输数据；w2为汇聚节点是否收到测试节点发送的数据信息；w3为测试节点是否能中断循环发送警报命令；w4为测试节点是否能进行通讯；w5为测试节点的参数是否超过正常设定的阀值；w6为发射频率改变后，测试节点对发出的询问命令是否有响应；w7为检测节点发出的数据是否有误码产生；w8为检测节点的温度值是否异于正常值；w9为检测节点的湿度值是否异于正常值。

表2 工业建筑WSN节点故障检测决策表

由于表1中5种故障类型对应的故障征兆相互之间有重叠，通过表2可以看出，目前建立的节点故障检测决策表还是有部分冗余性，为了简化BP神经网络的设计，使得神经网络计算得到优化，利用改进的基于差别矩阵和属性选择的属性约简算法，对表2进行约简，根据算法的约简规则，在保留了具有和原来的决策表相同的对故障检测的分类能力的前提下，去除掉冗余的条件属性，得到最简化的条件属性约简{w2，w4，w5，w6}，如表3所示。

对比表2和表3可以看到，冗余属性w1，w3，w7，w8，w9通过差别矩阵和属性选择的属性约简算法被去除，输入到神经网络的向量维数减少到4维。在使用人工神经网络对所建立的工业建筑WSN节点故障系统进行故障检测仿真时，分别使用新版本的BP神经网络和旧版本的BP神经网络对属性约简前和属性约简后的故障样本数据建立RS-old BP和RS-new BP粗糙神经网络。旧版本的BP神经网络中，通过如下操作建立RS-old BP神经网络，调用参数newff，网络的输入向量的维数为4，隐含层神经元的个数是9个，网络的输出层神经元个数为3，网络的结构为4-9-3，由于网络的输入向量的范围为[0,1],隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函数采用的是S型对数函数logsig，训练函数设定为trainbr，神经网络的最大迭代次数设为1 000次，网络的误差为0.001，网络的学习率为0.01。新版本的BP神经网络中，建立BP网络的参数改为feedforwardnet，其余网络参数的设置和旧版本的BP网络设置相同。使用matlab7.12对所建立的BP神经网络进行仿真，检测工业建筑WSN节点故障属性，仿真结果如表4所示。

表3 约简后工业建筑故障检测决策表

表4 仿真结果

3.3 仿真结果分析

在工业建筑WSN节点故障检测中，使用新、旧版本BP神经网络分别对经过粗糙集处理前的故障样本和处理后的故障样本进行训练检测，由仿真结果可知，新版本BP神经网络的误差要小于旧版本的训练误差，这是因为在旧版本的BP神经网络中，会将输入的样本数据60%用于故障数据训练，20%用于故障数据检验，20%用于故障数据验证，所以造成新版本BP神经网络的误差要小于旧版本。通过对迭代次数的对比可以发现，使用粗糙神经网络的RS-new BP系统比old BP系统的迭代次数，最多减少了23.4%，使用粗糙集的神经网络，由于约简了部分冗余的条件属性，使得网络的结构变得简单，训练速度更快。对比网络的故障诊断准确率可以发现，4种训练方式都能够区分不同类型的节点故障，但由于粗糙集优化了神经网络的网络结构，使用粗糙集神经网络正确率比普通神经网络的故障诊断正确率都要高，RS-new BP比old BP网络高出了7.11%。分析表明，粗糙神经网络能够对工业建筑WSN节点的故障进行合理的诊断。

4 结论

(1)通过使用粗糙集BP神经网络的方法对工业建筑WSN故障进行诊断可以提高故障诊断的准确率和迭代速度，减少WSN节点的能量消耗。

(2)目前采用的是新、旧版本的BP神经网络对故障数据进行检测，在今后的学习中，还可以采用RBF和elman神经网络对故障进行检测，对比不同神经网络对故障数据检测的迭代次数和正确率。

(3)通过分析检测结果，采用无线传感网络可以对工业建筑故障类型进行判断，为工作人员提供故障排除依据，保证工业建筑现场无线火灾传感器正常工作。

[1]杨鹏，辛丽娜．基于WSN的智能火灾报警研究[J].机械管理开发，2013(2):21-24.

[2]王国胤．粗糙集理论与知识获取[M]．西安: 西安交通大学出版社，2001.

[3]罗来鹏，刘二根，王广超．基于矩阵的最简决策规则获取[J].计算机工程，2008，34(19):41-43.

[4]雷霖，代传龙.粗糙集-神经网络集成的WSN节点故障诊断[J].电子科技大学学报，2008,37(4):565-568.

Application of Wireless Fire Sensor Network Fault Diagnosis in Industrial Buildings

DENG Yixin SONG Yujie

(InstituteofInformationScienceandEngineering,WuhanUniversityofScienceandTechnologyWuhan430081)

In this paper, through using an improved rough set attribute reduction based on discernibility matrix and attribute selection algorithm，the fault sample data is reduced and the minimum reduction set is got. Combined with the old and new versions of BP neural network, the node failures of industrial buildings are tested. The simulation results show that, by using the RS-new BP neural network, the iterations has decreased 61 times compared with the old BP neural network and the accuracy has increased by 7.11%.

node fault diagnosis attribute reduction RS-new BP neural network

邓懿心，1991年生，硕士研究生，主要研究方向为通信电子线路、无线火灾传感器网络、故障诊断。

2015-10-12)

宋玉阶，1958年生，教授，研究方向为网络图论与系统优化。