基于感知數(shù)據(jù)時域特征的WSNs故障被動診斷方法*

李金榮，王國英，2，莫路鋒*

（1.浙江農(nóng)林大學(xué)低碳與物聯(lián)網(wǎng)聯(lián)合實驗室，浙江臨安 311300；2.西安交通大學(xué)計算機系，西安 710049）

基于感知數(shù)據(jù)時域特征的WSNs故障被動診斷方法*

李金榮1，王國英1，2，莫路鋒1*

（1.浙江農(nóng)林大學(xué)低碳與物聯(lián)網(wǎng)聯(lián)合實驗室，浙江臨安 311300；2.西安交通大學(xué)計算機系，西安 710049）

由于大規(guī)模無線傳感器網(wǎng)絡(luò)的動態(tài)拓?fù)湫约百Y源受限，無線傳感網(wǎng)的故障診斷成為該領(lǐng)域內(nèi)的一個難點?，F(xiàn)有的診斷方法消耗大量通信帶寬和節(jié)點資源，給資源有限的網(wǎng)絡(luò)帶來繁重的負(fù)擔(dān)。本文提出一種利用感知數(shù)據(jù)時域特征來檢測故障以及對故障進行分類的被動診斷方法（TDSD）。首先運用一維離散Gabor變換對感知數(shù)據(jù)進行特征提取與分析，進而結(jié)合

無線傳感器網(wǎng)絡(luò)；故障診斷；時域特征；Gabor變換；SOM神經(jīng)網(wǎng)絡(luò)

無線傳感器網(wǎng)絡(luò)（Wireless Sensor Networks，WSNs）廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)和森林生態(tài)環(huán)境監(jiān)測等各個行業(yè)，WSNs的工作環(huán)境通常比較特殊，傳感器節(jié)點大多隨機部署在野外環(huán)境中，網(wǎng)絡(luò)節(jié)點數(shù)量龐大、傳感器類型多樣、網(wǎng)絡(luò)拓?fù)涞膭討B(tài)性以及節(jié)點資源受限的特性使的WSNs時常會出現(xiàn)各種故障。當(dāng)單個關(guān)鍵節(jié)點或者某一區(qū)域內(nèi)節(jié)點發(fā)生故障時，將導(dǎo)致其周圍某一特定范圍內(nèi)的節(jié)點無法正常工作，造成網(wǎng)絡(luò)連通分割，這樣會大大降低無線傳感器網(wǎng)絡(luò)系統(tǒng)的服務(wù)質(zhì)量，使WSNs預(yù)定功能削弱或者失效。所以進行及時準(zhǔn)確的無線傳感網(wǎng)故障診斷以保證網(wǎng)絡(luò)的可靠及有效運行顯的及其重要。

文獻［1］介紹了當(dāng)前一些主要的分布式無線傳感器網(wǎng)絡(luò)故障檢測算法，并把算法歸為基于多數(shù)投票策略、基于中值策略、基于決策擴散策略、基于加權(quán)和基于分簇的算法五大類，詳細(xì)闡述了各個算法的原理和步驟，并指出其中的優(yōu)勢與不足。文獻［2］利用基于K近鄰分類法構(gòu)建多抗體故障檢測器并進行故障分類，通過對故障數(shù)據(jù)變化進行追蹤來更新抗體庫。文獻［3］通過給網(wǎng)絡(luò)中的消息都標(biāo)記上其源節(jié)點的ID，在成簇階段依據(jù)節(jié)點ID和RSSI值由簇頭判斷各個簇內(nèi)是否存在克隆節(jié)點，待全部節(jié)點的ID匯聚至基站后，利用分簇算法中各個簇是不相交的子集這一特點，在基站處檢測是否存在同一個ID屬于多個簇的異常情況。

GreenOrbs［4-5］是部署在森林環(huán)境中的多達330傳感器節(jié)點的大規(guī)模WSNs系統(tǒng)，節(jié)點定時獲取感知數(shù)據(jù)，以多跳方式進行通訊。在當(dāng)前的WSNs故障診斷中，按照診斷信息的獲取方式把故障分為主動式診斷和被動式診斷。主動診斷過程中需要傳輸大量的狀態(tài)信息和特定的控制指令，往往會給網(wǎng)絡(luò)帶來繁重的負(fù)擔(dān)。被動式診斷滿足傳感器節(jié)點資源受限的特性，對網(wǎng)絡(luò)的正常數(shù)據(jù)采集工作影響小，適合WSNs低耗、高效的應(yīng)用需求。文獻［6-8］介紹了在WSNs故障診斷中被動診斷方法的研究，Liu等人［5］提出一種PAD算法，運用網(wǎng)絡(luò)狀態(tài)參數(shù)的概率模型對WSNs進行診斷，診斷過程比較復(fù)雜。Nie等人［6］提出一種DSD算法進行故障診斷，但是算法沒考慮到時域的影響。Miao等人［7］提出一種在線的輕量級故障診斷AD算法。算法對于靜態(tài)故障有很好的診斷效果，但是不能用于動態(tài)的故障診斷。

針對以上問題，在進行無線傳感網(wǎng)故障診斷時，本文提出一種利用感知數(shù)據(jù)時域特征來檢測故障以及對故障進行分類的被動診斷方法。算法運用離散Gabor變換并結(jié)合SOM神經(jīng)網(wǎng)絡(luò)技術(shù)，能夠有效的進行故障檢測與分類。

1 無線傳感器網(wǎng)絡(luò)故障類型

無線傳感器網(wǎng)絡(luò)的節(jié)點故障類型通常分為三類：節(jié)點故障、網(wǎng)絡(luò)故障和軟件故障。

①節(jié)點故障

大規(guī)模無線傳感器網(wǎng)絡(luò)節(jié)點數(shù)量巨大，節(jié)點部署在野外惡劣環(huán)境，傳感器節(jié)點極易損壞或遭到破壞；同時節(jié)點攜帶的能量有限，因電源耗盡而失效的現(xiàn)象非常普遍，故障發(fā)生率比較高。傳感器節(jié)點硬件問題也會引起讀數(shù)等相關(guān)的故障，所以把節(jié)點故障細(xì)分為節(jié)點故障（低電壓引起）和傳感器故障。

②網(wǎng)絡(luò)故障

網(wǎng)絡(luò)發(fā)生了故障是指網(wǎng)絡(luò)設(shè)備或網(wǎng)絡(luò)服務(wù)處于不正常的狀態(tài)。常見的網(wǎng)絡(luò)故障有網(wǎng)絡(luò)擁塞、鏈路故障、回路等，網(wǎng)絡(luò)故障的發(fā)生常常以區(qū)域的方式體現(xiàn)。

③軟件故障

軟件故障一般包括操作系統(tǒng)崩潰、程序BUG等問題引起的無線傳感器網(wǎng)絡(luò)故障。一旦節(jié)點的軟件發(fā)生故障，將會給無線傳感器網(wǎng)絡(luò)帶來較大的影響，在成熟的大規(guī)模無線傳感器網(wǎng)絡(luò)中，出現(xiàn)軟件故障的概率相對較小。

2 數(shù)據(jù)分析

2.1 預(yù)實驗結(jié)果的發(fā)現(xiàn)

在無線傳感器網(wǎng)絡(luò)部署運行中，一般考慮節(jié)點故障和網(wǎng)絡(luò)故障對WSNs的影響。在無線傳感器中的故障診斷中，對于任意節(jié)點N，若在網(wǎng)絡(luò)部署運行后始終沒有數(shù)據(jù)包返回，則判定其通信設(shè)備故障；若有數(shù)據(jù)包返回，且感知數(shù)據(jù)正常，則節(jié)點工作正常。如圖1所示，選取的數(shù)據(jù)電壓值范圍約在2.8 V，可以看到節(jié)點的溫度和濕度隨時間規(guī)律變化，溫度在中午13點左右達到最高，而濕度最低。

圖1 節(jié)點正常工作時連續(xù)三天溫濕度規(guī)律

電壓是無線傳感網(wǎng)故障診斷中的一個重要影響參數(shù)，當(dāng)節(jié)點電壓出現(xiàn)異常時，會導(dǎo)致數(shù)據(jù)缺失、數(shù)據(jù)異常。根據(jù)四層電壓劃分模型（FLED）［7］初步判斷節(jié)點電壓是否正常，如圖2（a）所示，在電量稍低的情況下，溫度數(shù)據(jù)出現(xiàn)故障，但此時的溫度還能反應(yīng)出當(dāng)前變化規(guī)律；2（b）中，當(dāng)電壓超低時，溫度波動異常沒有規(guī)律可循。當(dāng)電池能量耗盡時，沒有數(shù)據(jù)。

圖3為2012年1月9日～14日期間多個節(jié)點的溫度、濕度與電壓從正常到異常再到節(jié)點恢復(fù)正常的過程。在a處，此時數(shù)據(jù)堆疊在一起不能反映出監(jiān)測區(qū)的任何有效信息，判斷a處發(fā)生網(wǎng)絡(luò)故障；在b和c處可以看到，從這兩個位置開始不再有節(jié)點數(shù)據(jù)傳輸回來，且之前的數(shù)據(jù)出現(xiàn)震蕩。根據(jù)圖2結(jié)果可以說明此時有節(jié)點發(fā)生故障（低電壓故障），包括圖中出現(xiàn)的直線部分，也判定為節(jié)點故障。當(dāng)網(wǎng)絡(luò)恢復(fù)正常后數(shù)據(jù)走勢規(guī)律基本相似，這是因為在同一區(qū)域內(nèi)節(jié)點的數(shù)據(jù)具有相關(guān)性，數(shù)據(jù)相差不大。

圖2 電壓異常時的溫度變化情況

圖3 節(jié)點時域數(shù)據(jù)圖

2.2 Gabor變換

1946年，Gabor D［9-10］提出了一種同時使用時間和頻率來表示一個時間函數(shù)的方法—Gabor變換。它繼承了Fourier變換的信號頻譜特性，同時克服Fourier變換只能反映信號的整體特征而不能對信號的局部特征的缺陷。Gabor變換廣泛應(yīng)用于信號的特征提取，可同時反映信號的時域與頻域特征［11-12］。Gabor變換用以下公式描述：

其中f（t）是信號的原始函數(shù)，窗口函數(shù)g（t）是一個光滑函數(shù)，在有限區(qū)間外恒等于0（即具有緊支集的函數(shù)）或很快的趨于0。與Fourier變換一樣，f（t）的Gabor變換Gf（ω, τ）也有反演公式、乘積定理及Parseval等式。式（2）為Gabor變換的反演公式：

根據(jù)Gabor變換的定義，Gf（ω ,τ）反映信號 f（t）在t=τ附近的頻譜特性，且由反演公式（2）可見Gf（ω ,τ）確實包含了 f（t）的全部信息。此外，Gabor變換的窗口位置隨τ平移，可以表征信號在不同時刻的局部特性。

2.3 SOM神經(jīng)網(wǎng)絡(luò)

自組織映射（Self-Organizing Maps，SOM）［13］神經(jīng)網(wǎng)絡(luò)采用無教師學(xué)習(xí)方式，根據(jù)其特有的網(wǎng)格結(jié)構(gòu)和學(xué)習(xí)規(guī)則，通過對輸入模式的反復(fù)學(xué)習(xí)，捕捉住各個模式中所含的模式特征，并對其進行自組織，在競爭層將分類結(jié)果表現(xiàn)出來。因此，SOM被廣泛應(yīng)用于故障檢測與分類［14；15］。

得出一個具有最小距離的神經(jīng)元，并給出一個周圍的鄰域Sk（t）。按照（4）式修正輸出神經(jīng)元及其鄰接神經(jīng)元的權(quán)值：

2.4 TDSD算法流程

本文提出一種利用感知數(shù)據(jù)特征的方法來檢測故障以及對故障進行分類，主要運用溫度、濕度等感知數(shù)據(jù)結(jié)合電壓數(shù)據(jù)進行診斷。

第1步 將實驗收集來的故障數(shù)據(jù)進行人工選擇，得到的這部分?jǐn)?shù)據(jù)包括當(dāng)前網(wǎng)絡(luò)中出現(xiàn)的所有故障類型。

第2步 把1中得到的數(shù)據(jù)運用Gabor變換進行特征提取。

第3步 建立神經(jīng)網(wǎng)絡(luò)，把經(jīng)過Gabor變換處理的數(shù)據(jù)輸入到SOM神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，得出聚類結(jié)果，建立故障知識庫。

第4步 將實驗收集的真實數(shù)據(jù)經(jīng)過Gabor變換特征提取后得到輸入到SOM神經(jīng)網(wǎng)絡(luò)進行診斷。

第5步 將診斷結(jié)果與故障知識庫中的故障類型進行匹配，判斷當(dāng)前網(wǎng)絡(luò)是否故障以及故障原因，得出診斷結(jié)果。

算法框架如圖4所示，診斷過程在Sink節(jié)點中進行，避免頻繁的報告診斷參數(shù)，減少了網(wǎng)絡(luò)通信負(fù)擔(dān)。同時本文方法降低了數(shù)據(jù)的維數(shù)，避免了數(shù)據(jù)繁多給診斷過程帶來的負(fù)擔(dān)，提高了診斷的效率。

圖4 基于數(shù)據(jù)時域特征的故障診斷

表1 故障類型判斷

本文對于沒有數(shù)據(jù)返回情況分為兩種：①若節(jié)點始終沒有數(shù)據(jù)返回，則判斷鏈路故障；②若有歷史數(shù)據(jù)返回，而沒有當(dāng)前數(shù)據(jù)，則判斷節(jié)點能量耗盡。

當(dāng)實驗有數(shù)據(jù)返回時，本文根據(jù)數(shù)據(jù)不同把故障分為以下幾種：網(wǎng)絡(luò)故障、節(jié)點故障、傳感器故障這三大類。具體的故障類型判斷如表1所示。

3 實驗與分析

實驗數(shù)據(jù)來源于大規(guī)模無線傳感器網(wǎng)絡(luò)系統(tǒng)GreenOrbs，傳感器節(jié)點每隔十分鐘采集一次數(shù)據(jù)，數(shù)據(jù)通過無線網(wǎng)絡(luò)匯聚到Sink節(jié)點。

3.1 訓(xùn)練

在實驗的訓(xùn)練階段，先對訓(xùn)練數(shù)據(jù)集用Gabor變換得到WSNs的故障數(shù)據(jù)特征，對數(shù)據(jù)進行歸一化處理后運用SOM神經(jīng)網(wǎng)絡(luò)對其進行訓(xùn)練聚類。訓(xùn)練之后神經(jīng)網(wǎng)絡(luò)把數(shù)據(jù)聚類為幾類，這幾類分別代表不同的故障類型。在訓(xùn)練過程中，神經(jīng)網(wǎng)絡(luò)的聚類結(jié)果數(shù)量多于預(yù)期故障分類，這是因為在WSNs中同一種類型的故障數(shù)據(jù)也具有較大的差異性引起的。在診斷過程中把多于預(yù)期的聚類結(jié)果進行劃分，這樣就能使診斷結(jié)果有更明顯的表示。3.1.1 訓(xùn)練所用數(shù)據(jù)

在實驗中，綜合考慮效率與效果，把訓(xùn)練步數(shù)定義為500。同時考慮神經(jīng)元大小、訓(xùn)練樣本大小對訓(xùn)練結(jié)果的影響。本文選取400個故障樣本作為訓(xùn)練所用數(shù)據(jù)集，其中包含了已經(jīng)發(fā)現(xiàn)的各種故障，在故障樣本中每種故障類型數(shù)據(jù)平均分配，故障數(shù)據(jù)是由人工觀察的方法獲得。圖5列舉各種故障所對應(yīng)的一些典型故障色塊圖。圖中縱軸的每三行表示一個節(jié)點的溫度、濕度及電壓，橫軸表示節(jié)點溫度濕度及電壓隨時間的變化情況，圖5（a）、5（b）、5（c）分別為傳感器故障、網(wǎng)絡(luò)故障和節(jié)點故障的圖示，可以看到這些數(shù)據(jù)呈現(xiàn)不同的紊亂；而在（d）中，正常數(shù)據(jù)變化平穩(wěn)，在圖中循序變化，且不同節(jié)點在同一時間內(nèi)數(shù)據(jù)的差距也很微弱。

3.1.2 神經(jīng)元大小的影響

SOM神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時，神經(jīng)元的大小對于故障診斷的精度有著很大的影響，故障數(shù)據(jù)樣本中每類故障數(shù)量平均分布。實驗中故障所要分成的種類有4種，若要只選擇4個神經(jīng)元進行訓(xùn)練，故障樣本不能夠很好的聚類，此時誤差影響很大，診斷效果較弱。這是因為本文的故障樣本彼此之間相差很大，即使對樣本進行歸一化處理也不能夠很好的消除數(shù)據(jù)之間的影響。所以只有增加神經(jīng)元的數(shù)目來提高聚類的精度，而當(dāng)神經(jīng)元數(shù)目過多時，會使原本故障分類的種類增多，訓(xùn)練時間增長，會造成資源的浪費與效率低下。圖6可以看出不同神經(jīng)元下的訓(xùn)練聚合精度。

在10個×10個神經(jīng)元時，聚類效果已經(jīng)很好，再增加神經(jīng)元的數(shù)目對診斷效果的影響不大。同時看到在神經(jīng)元數(shù)目增大時，訓(xùn)練的時間也逐漸增長。所以，在無特殊標(biāo)記的情況下，綜合考慮，本文神經(jīng)元選取10個×10個神經(jīng)元。

圖5 訓(xùn)練數(shù)據(jù)聚類色塊圖

圖6 不同神經(jīng)元大小對故障聚類的影響

3.1.3 故障樣本大小的影響

在訓(xùn)練過程中，故障樣本的大小也對診斷有一定的影響。在訓(xùn)練中，檢測一種方法是否有效，要考慮到時效問題。分別選取100、200、400、600到800個故障樣本進行訓(xùn)練聚類，隨著樣本的增大，訓(xùn)練所用的時間也有所增加，如圖7所示。對本實驗進行多次結(jié)果測試，實驗表明，當(dāng)選擇400個樣本數(shù)量時，基本已經(jīng)包括已知的故障類型，對不同網(wǎng)絡(luò)規(guī)模的節(jié)點診斷都具有較好的診斷效果。當(dāng)然，隨著時間的變化，樣本感知數(shù)據(jù)數(shù)值的變化范圍也較大，此時也要更新故障知識庫的樣本。如不特殊標(biāo)記，本文采用400故障樣本。

圖7 不同故障樣本下所用的訓(xùn)練時間

3.2 診斷

根據(jù)故障知識庫對輸入樣本數(shù)據(jù)進行診斷，異常數(shù)據(jù)可以被檢測出來并進行分類。衡量算法的優(yōu)劣主要有兩個指標(biāo)：①故障檢測率，②故障誤警率。故障檢測率表示用診斷算法診斷出的故障數(shù)量占總故障數(shù)量的百分比。故障誤警率表示誤判的故障數(shù)量與總的檢測故障數(shù)量之間的百分比。

為了檢測算法的準(zhǔn)確性，采用從GreenOrbs系統(tǒng)采集的真實數(shù)據(jù)進行診斷；采用模擬數(shù)據(jù)進行診斷檢測算法。

3.2.1 真實數(shù)據(jù)診斷結(jié)果

選擇2012年1月的不同時間段的真實數(shù)據(jù)作為診斷數(shù)據(jù)，表2給出真實數(shù)據(jù)的來源。根據(jù)之前的訓(xùn)練聚合結(jié)果，對數(shù)據(jù)進行分類。

表2 真實數(shù)據(jù)來源

圖8給出診斷數(shù)據(jù)分類結(jié)果，結(jié)果中除去正常數(shù)據(jù)所占的種類。由于故障數(shù)據(jù)差異較大，觸發(fā)的神經(jīng)元較多，所以分類較多。大部分?jǐn)?shù)據(jù)觸發(fā)的神經(jīng)元分布較集中，部分?jǐn)?shù)據(jù)零散分布，但是這不影響診斷結(jié)果，同時發(fā)現(xiàn)有些數(shù)據(jù)始終觸發(fā)不到神經(jīng)元，也就是不能正確分類，這一類未觸發(fā)數(shù)據(jù)也在圖中表示出來。在真實數(shù)據(jù)診斷過程中，一般不會在同一時間內(nèi)出現(xiàn)所有類型的故障。

圖8 真實數(shù)據(jù)診斷結(jié)果分類

3.2.2 模擬數(shù)據(jù)診斷結(jié)果

為了檢測算法的診斷性能，在實驗中，選擇網(wǎng)絡(luò)規(guī)模從60個節(jié)點開始并隨機植入10%的故障數(shù)據(jù)，節(jié)點網(wǎng)絡(luò)規(guī)模分別為80、100、120、140直到160為止，植入的每種故障類型平均分配，監(jiān)測不同網(wǎng)絡(luò)規(guī)模下的診斷性能。診斷結(jié)果顯現(xiàn)，隨著網(wǎng)絡(luò)規(guī)模的增多，故障檢測率并沒有明顯下降，并且診斷效果非常好，即使網(wǎng)絡(luò)規(guī)模達到160個節(jié)點時，準(zhǔn)確率也在97.43%左右，具有很好的診斷效果。這是因為實驗中不只是單一運用一個參數(shù)進行診斷，而是運用多個進行特征提取的參數(shù)來進行診斷，不需要設(shè)定閾值，根據(jù)各個參數(shù)之間的相互聯(lián)系，即可得到較好的效果。圖9、圖10所示為不同網(wǎng)絡(luò)規(guī)模下的故障誤警率和故障誤警率。以上結(jié)果可以看出，隨著實驗節(jié)點數(shù)量的增大與故障樣本數(shù)量的增多，對算法的診斷性有一定的影響，但是影響不大，圖中可以看出隨著網(wǎng)絡(luò)規(guī)模的增大，故障檢測率會逐漸下降，而故障誤警率會逐漸增多。

圖9 不同網(wǎng)絡(luò)規(guī)模下的故障檢測率

圖10 不同網(wǎng)絡(luò)規(guī)模下的故障誤警率

3.3 診斷結(jié)果與分析

在以前GreenOrbs研究工作中，PAD算法運用數(shù)據(jù)包標(biāo)記列表來有效的構(gòu)建和動態(tài)維持推理模型。DSD算法以大量感知數(shù)據(jù)為基礎(chǔ)，通過建立網(wǎng)絡(luò)故障知識庫的方法來進行分類確定故障類型。本文的方法與DSD算法相比較，具有更高的診斷效果，算法在網(wǎng)絡(luò)規(guī)模增大的時候依然有較好的診斷率。圖11、圖12兩種算法的故障檢測率與誤警率結(jié)果對比。DSD算法分別對節(jié)點、鏈路和傳感器這三種故障類型進行分類診斷，從圖中可以看到DSD算法對傳感器故障的檢測率具有最好的效果，達到95%以上，而且其誤警率也隨著網(wǎng)絡(luò)規(guī)模的增大而降低最后趨于平穩(wěn)約為33%。而其它兩種故障類型鏈路故障和節(jié)點故障的故障檢測率要稍低，隨著網(wǎng)絡(luò)規(guī)模的增大，最終平穩(wěn)在約75%與82.5%左右，誤警率分別為33%與38%左右。本文的算法是對整個網(wǎng)絡(luò)的診斷，對于以上這三種故障類型都有很好的診斷與分類效果。文章算法在大規(guī)模無線傳感器網(wǎng)絡(luò)診斷中具有更好的檢測率，本文的算法診斷達到97%以上，其誤警率在160節(jié)點時也只有不到40%。

圖11 兩種算法的故障檢測率結(jié)果對比

圖12 兩種算法的故障誤警率結(jié)果對比

4 結(jié)論

本文通過分析GreenOrbs系統(tǒng)在3個月內(nèi)收集的數(shù)據(jù)，利用Gabor變換提取感知數(shù)據(jù)時域特征，利用SOM神經(jīng)網(wǎng)絡(luò)建立故障知識庫，對WSNs故障原因進行診斷分類，得出網(wǎng)絡(luò)運行狀態(tài)。在本文的診斷過程中，選取的網(wǎng)絡(luò)規(guī)模較大，整體診斷效果較好。這也證明了本文的方法對于大規(guī)模無線傳感器網(wǎng)絡(luò)的故障診斷有較好的效果。實驗表明，本文的診斷效率達到97%以上，這是因為本文故障知識庫中的故障數(shù)據(jù)來自于無線傳感網(wǎng)歷史故障數(shù)據(jù)，而實驗中的故障數(shù)據(jù)也是人工插入，所以整體診斷效果較好。在診斷過程中遇到新的故障數(shù)據(jù)類型會即時更新到故障知識庫中，通過不斷演化的過程，提高診斷精度。在未來工作中，將進一步優(yōu)化數(shù)據(jù)的特征提取過程，更好更高效的運用網(wǎng)絡(luò)收集到的數(shù)據(jù)來進行故障診斷，簡化算法。

［1］ 徐小龍，耿衛(wèi)建，楊庚，等.分布式無線傳感器網(wǎng)絡(luò)故障檢測算法綜述［J］.計算機應(yīng)用研究，2012，29（12）：4420-4425.

［2］ 趙錫恒，何小敏，許亮，等.基于免疫危險理論的無線傳感器網(wǎng)絡(luò)節(jié)點故障診［J］.傳感技術(shù)學(xué)報，2014，27（5）：658-663.

［3］ 羅永健，陳濤，肖福剛，等.基于分簇的無線傳感器網(wǎng)絡(luò)克隆攻擊檢測方案［J］.傳感技術(shù)學(xué)報，2014，27（2）：220-224.

［4］ Bo C，Ren D，Tang S，et al.Locating Sensors in the Forest：A Case Study in Greenorbs［C］//INFOCOM，2012 Proceedings IEEE，2012：1026-1034.

［5］ Liu Y，He Y，Li M，et al.Does Wireless Sensor Network Scale？A Measurement Study on GreenOrbs［J］.Parallel and Distributed Systems，IEEE Transactions on，2013，24（10）：1983-1993.

［6］ Liu Y，Liu K，Li M.Passive Diagnosis for Wireless Sensor Networks［J］.IEEE/ACM Transactions on Networking（TON），2010，18（4）：1132-1144.

［7］ Nie J，Ma H，Mo L.Passive Diagnosis for WSNs Using Data Traces ［C］//Distributed Computing in Sensor Systems（DCOSS），2012 IEEE 8th International Conference on，2012：273-280.

［8］ Miao X，Liu K，He Y，et al.Agnostic Diagnosis：Discovering Silent Failures in Wireless Sensor Networks［C］//INFOCOM，2011 Proceedings IEEE，2011：1548-1556.

［9］ Feichtinger H G，Strohmer T.Gabor Analysis and Algorithms：Theory and Applications［M］.Springer，1998.

［10］Bastiaans M J.Gabor's Signal Expansion and the Zak Transform ［J］.Applied Optics，1994，33（23）：5241-5255.

［11］Kawady T A，Elkalashy N I，Ibrahim A E，et al.Arcing Fault Identification Using Combined Gabor Transform-Neural Network for Transmission Lines［J］.International Journal of Electrical Power and Energy Systems，2014，61：248-258.

［12］Ricaud B，Stempfel G，Torrésani B，et al.An Optimally Concentrated Gabor Transform for Localized Time-Frequency Components ［J］.Advances in Computational Mathematics，2014，40（3）：683-702.

［13］Kohonen T.Self-Organizing Maps［M］.30.Springer Science and Business Media，2001.

［14］Wu Tao，Yuan Sicong，Meng Xin，et al.Vibrating Diagnosis of Rolling Bearings Based on Self-Organizing Feature Map NeuralNetwork［J］.Machinery Design and Manufacture，2010，（1）：198-200.

［15］Zhang Niaona，Wang Yongqing，Jingshuai L.Fault Diagnosis of Permanent Magnet Synchronous Motor Based on SOM Neural Networks［J］.Journal of Jilin University：Information Science Edition，2012，30（6）：555-560.

李金榮（1989-），碩士研究生，2012年就讀于浙江農(nóng)林大學(xué)林業(yè)信息技術(shù)專業(yè)，研究方向為無線傳感器網(wǎng)絡(luò)故障診斷；

莫路鋒（1979-），研究生導(dǎo)師，2004年碩士畢業(yè)于北京大學(xué)，2014年博士畢業(yè)于西安交通大學(xué)，目前就職于浙江農(nóng)林大學(xué)，研究方向為計算機軟件，無限傳感器網(wǎng)絡(luò)，molufeng@gmail.com。

王國英（1977-），男，1999年畢業(yè)于本科北京交通大學(xué)，2004年碩士畢業(yè)于廣西大學(xué)。目前就職于浙江農(nóng)林大學(xué)，在讀西安交通大學(xué)博士。研究方向為計算機網(wǎng)絡(luò)；

PassiveDiagnosisforWSNsUsingTimeDomain FeaturesofSensingData*

LI Jinrong1，WANG Guoying1，2，MO Lufeng1*
（1.Joint Laboratory On Internet of Things and Global Climate Change，Zhejiang A&F University，Lin'an Zhejiang 311300，China；2.Computer Science Department，Xi'an Jiaotong University，Xi'an 710049，China）

Due to the dynamic network topology and limit of resources，fault diagnosis for wireless sensor networks is difficult.The existing diagnostic methods consume large of communication bandwidth and node resources，which lead to heavy burden of the resources-limited network.This paper presents a passive diagnosis method used for fault detection and fault classification based on the time domain features of sensing data（TDSD）.Firstly，the feature extraction and analysis of the sensing data are carried out using one-dimensional discrete Gabor transform，and then the data are diagnosed and classified with SOM neural network，finally the current network status and identify the fault cause are determined.The results show that，comparing with other methods，this method has fewer burdens in network communication，better diagnostic accuracy rate and classification results，etc，and it has a high diagnostic accuracy especially for both node fault and network fault.

wirelesssensornetworks；faultdiagnosis；timedomainfeatures；Gabortransform；SOMneuralnetwork EEACC：6210C；7230

TP212.9

A

1004-1699（2015）07-1078-08

10.3969/j.issn.1004-1699.2015.07.023

項目來源：國家林業(yè)局948項目（2013-4-71）；國家自然科學(xué)基金項目（61303236）；浙江省科技計劃項目重大科技專項項目（2012C13011-1）

2014-11-26 修改日期：2015-04-13

SOM神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行診斷與分類，判斷當(dāng)前網(wǎng)絡(luò)狀態(tài)并找出故障原因。實驗結(jié)果表明，與其它方法相比，此方法具有網(wǎng)絡(luò)通信負(fù)擔(dān)小、診斷準(zhǔn)確率高及分類效果好等優(yōu)點，對節(jié)點故障和網(wǎng)絡(luò)故障診斷都具有較高的診斷精度。