中图分类号：TP391 文献标志码：A 文章编号：1001-3695（2025）06-029-1815-07

doi：10.19734/j.issn.1001-3695.2024.10.0426

Data-driven WSN fault detection based framework

Xu Hana， Tong Yinghuaa，bt （a.DeptofComper，.TeStateKeybooofbenItellgentIfoaionPresingamp;AcoQingiNlUesit， Xining810008，China）

Abstract：Wirelessensor network nodes typicallydeployincomplex environments，where failuresare inevitable.Toaddress thischallenge，thispaperproposedadata-drivenframeworkforreal-timefaultdetectioninWSN.Thesystemfilteredandcollectedinitialoperationaldatafromwirelesssensornetworks，usingthisdatatoconstructdatasetsfortrainingfaultdetection models，withthegoalof enhancing modelaccuracy.Theapproach segmented thedata intotime windows，alowing the fault diagnosis model to identifyandcorectsensorfaults withinthemostrecent window.The modelthenreusedtherefined dataset toretrainitself，preparingforthedetectionoffaultsintheupcoming window.Throughcontinuouscyclesof raininganddetection，thesystemensuredthereal-timeupdateof thedetectionmodeltoimproveitsperformance.Experimentalresultsdemonstratethat，whencomparedtoclassicalandstate-of-the-artmachineleamingdetectionmodels，thisapproachachievesbetter precision，accuracy，and eficiencyacrossvarious typesoffaultdatasets.Consequently，theframework offerssuperiordetection capabilities and adapts more effectively to the dynamic nature of WSN environments.

Key words：wireless sensor network；fault tolerance；faultdetection；machinelearing；datadriven；data interpolation

0 引言

在无线传感器网络（wirelesssensornetwork，WSN）中，传感器故障会导致传感器读数不可靠和不准确[1]。在较低的计算能力和受限能源的条件下如何检测WSN中的节点故障已经成为重要问题。

基于统计的方法是经典的故障检测方法。聚类[2、超时响应[3]、多数投票检测[4]是常见的统计方法。不少学者在此基础上进行优化，如避免节点与故障节点通信[5]，使用分布式模糊逻辑方法以提高检测性能。基于统计的方法实现较为容易，但缺乏学习能力以及需要人为设置参数，适应性较弱，不同环境下检测精度难以保证。

此外，也有许多基于信念规则库的方法[7.8]，如Javaid 等人[9]采用基于信念函数的决策融合技术对分类结果进行融合，提高分类精度。 Sun 等人[10]提出了带有自适应质量因子的信念规则库故障诊断模型。信念规则库通过模糊化规则提高了检测模型的适应性和检测精度，但信念规则库的选取是另一个需要解决的重要问题。

在WSN故障检测中引入机器学习方法能够提高精度和效率[11]。K近邻法（K-nearest neighbor，KNN）是最基本的一类学习算法，简单高效。此外，负选择算法和支持向量机（supportvector machine，SVM）也常用于实现故障诊断[12]。也有学者结合进化算法和机器学习方法，进一步提高检测精度[13＼～17]。使用主成分分析对数据进行降维[18，19]或者通过神经网络对故障进行分类[20＼～22]均能提高检测性能。Goodge等人[23]使用样本与其局部邻域的距离，提出了一种新颖的基于图神经网络的异常检测方法（learnableunifiedneighbourhood-based anomalyranking，LUNAR），然而机器学习一般具有较高的计算和存储成本，并且可能导致较高的检测延迟。……