基于极限学习机的农业传感网络节点硬件故障诊断

袁旭华， 惠小静

(延安大学数学与计算机科学学院，陕西延安 716000)

随着农业科学技术的发展，智能节水灌溉、温室监控、精细农业和牲畜精细管理等的应用越来越广泛。无线传感器网络(wireless sensor networks，简称WSNs)通过对监测区域部署各种类型的传感器节点，以近距离多跳自组织的形式传输数据，传感器节点感知采集数据，并最终将处理后的数据反馈给决策者和传送给所需的用户[1]。近年来，农业WSNs的研究主要针对传感节点硬件设计、路由协议、数据传输、数据处理和能量有效等方面，并取得了大量的成果[2]。在精细农业应用领域中，由于须要监测的区域一般都较大，且节点所处外界环境恶劣、复杂，常常容易出现各种各样的故障；节点出现故障，容易出现节点失效，造成采集的数据不可靠或数据失真，致使网络出现崩溃等问题[3]。WSNs节点发生硬件故障的概率比其他问题高很多，也较严重，因此有必要对WSNs节点故障诊断方法展开深入研究[4]。

通过对传感节点进行故障诊断，可以及时准确地对传感节点出现的各种异常状况、故障状态进行预防诊断，给出预测措施；对传感网络的可靠稳定运行进行指导，以保证网络的稳定性、可靠性和可用性，把节点硬件出现的故障损失降低到最低，从而有效地发挥传感节点的最大作用。传感节点硬件故障是农业无线传感器网络各种故障的基础和先决条件，也是农业WSNs故障诊断中亟须解决的问题，因此对其进行研究具有重要的意义。

1　节点硬件故障分类与相关工作

一般而言，传感器节点由电源模块、中央处理器(central processing unit，简称CPU)控制模块、传感模块、存储模块和通信模块组成，传感器网络主要由终端节点、路由节点和汇聚节点组成。其中终端节点完成感知数据采集，路由节点负责节点数据传输，汇聚节点(Sink)负责数据收集并上传到处理中心。终端节点在整个数据采集过程中尤为重要，主要由电源模块、CPU控制模块、无线通信模块、传感感知模块和存储模块等5个模块组成。无线传感器网络节点硬件故障分类如图1所示。

目前，许多专家学者已开始对传感节点进行故障诊断研究，并取得了一些成果。雷霖等针对无线传感器网络节点硬件故障诊断问题，提出基于粗糙集理论的故障诊断方法，有效地对传感节点的各个模块进行具体诊断和定位，且诊断准确率较高[5]。冯志刚等针对传感器的故障诊断问题展开研究，提出一种基于小波包和支持向量机的故障诊断方法，能有效地应用于传感器的感知诊断[6]。Jiang提出一种改进的分布式故障诊断(distributed fault detection，简称DFD)节点故障诊断方法，大幅提高了节点故障诊断的精度[7]。庄夏等提出一种基于人工免疫和模糊K均值的传感器节点故障诊断方法，将求解故障诊断问题转化为求取目标函数最优解问题，引入智能优化算法，准确地实现节点故障诊断[8]。以上方法部分提高了节点硬件故障的诊断精度，但其算法较为复杂、收敛速度较差，且以牺牲网络能量的方式来提高故障诊断精度。本研究利用极限学习机学习时间短、参数设置少、泛化能力好等特点，将采集的节点硬件故障样本数据引入训练好的极限学习机中，以期实现节点硬件故障的识别。

2　极限学习机原理

2006年，Huang等提出一种新的极限学习机(extreme learning machine，简称ELM)算法[9]。ELM网络模型主要由输入层m、隐含层M、输出层n等3个网络层以及ELM网络输入权值ω和输出权值β组成。g(x)是ELM的隐含层神经元激活函数，参数bi是ELM的阈值。图2为极限学习机的网络模型[10]。

假定有N个不同样本(xi，ti)，1≤i≤N，其中ELM的输入层节点个数xi=[xi1，xi2，…，xim]T∈Rm，ELM的输出层节点个数ti=[ti1，ti2，…，tin]T∈Rn。其中参数m、n分别为网络输入层、输出层的节点个数，极限学习机的网络模型可以用数学表达式表示为

(1)

式中：ωi=[ωi1，ωi2，…，ωim]T，表示ELM的输入权值向量；βi=[βi1，βi2，…，βin]T，表示ELM的输出权值向量；Oj=[Oj1，Oj2，…，Ojn]T，表示ELM的网络输出值[11]。

极限学习机的代价函数E表示为

(2)

式中：S=(ωi，bi)，i=1，2，…，M，ωi和bi分别为网络输入权值、隐层节点阈值；β表示输出权值矩阵；tj表示输出层节点个数。根据Huang等指出的极限学习机方法[9]，对ELM算法训练的最终目的是寻找最佳S、β值，从而保证输入值与对应输出值的差值最小，即min[E(S，β)]的数学计算公式为

(3)

式中：参数H为ELM隐层输出矩阵；β为ELM输出权值矩阵；T为训练样本集中的ELM目标值矩阵。参数H、β、T的计算公式分别为

(4)

(5)

(6)

3　极限学习机在节点故障诊断中的应用

利用极限学习机故障诊断方法迭代运算50次后，得到传感节点硬件故障诊断模型；将感知节点采集的故障样本数据进行汇总分类，并对其进行分组测试和训练；将训练好的诊断模型对测试组节点硬件故障数据样本进行故障诊断。极限学习机在传感节点硬件故障诊断算法中的具体实现步骤如下：

步骤1：收集传感器网络节点硬件的5种故障历史的数据和信息，并对传感节点硬件故障表现出来的征兆与5种硬件故障类型进行整理分类，建立无线传感器网络节点故障样本数据库，并初步建立故障样本决策表。

步骤2：对收集到的无线传感器网络节点硬件故障样本决策表建立相应的决策矩阵，简化节点硬件故障样本决策表。

步骤3：将收集到的节点硬件故障样本分为训练样本和测试样本等2组，运用极限学习机故障诊断方法对训练样本的故障数据进行训练，提高本研究算法的故障诊断精度。

步骤4：将训练好的极限学习机节点硬件故障诊断方法应用到样本测试中，测试本研究算法的故障诊断精度。

引入极限学习机方法的无线传感器网络节点故障诊断流程如图3所示。

4　仿真试验与结果分析

本研究主要从节点硬件故障诊断精度和不同节点故障率对网络诊断精度(虚警率)的影响等2个方面进行对比分析。

4.1　节点硬件模块故障诊断

对监测区域的传感器节点进行节点硬件故障诊断试验，假定大多普通节点正常工作；对监测区域的环境信息和目标信息进行监测，实时采集感知数据，媒体介入层(media access control，简称MAC)协议采用竞争方式使用共享机制的无线信道。本研究提出的极限学习机节点故障诊断方法运行在Sink节点中，不考虑Sink节点的能耗问题。无线传感器网络节点硬件故障诊断一般通过节点故障表现出来的征兆得出对应的故障类型。感知节点出现故障表现出来的征兆主要有收到的数据异常、系统工作不正常、节点无线通信不正常、节点能量不够、发射功率低于设置的门限阈值等。对采集数据建立的无线传感器网络节点故障征兆和对应的属性值如表1所示。

表1　传感器节点故障征兆及属性值

无线传感器网络节点硬件故障主要由5个模块组成，因此可以从模块化的思路来分析节点硬件故障诊断、节点故障类型及其相应征兆(表2)。

由表1可知，传感节点各模块发生故障的表现具有多样性和相关性，同时，节点故障表现出的故障征兆可以被实时读取。本研究定义节点硬件故障征兆初始取值为0，表示节点一切功能正常；当某个模块出现故障时，定义为1。因此，根据表2可以得到如表3所示的节点硬件故障样本决策。

表2　传感器节点故障诊断经验征兆样本

表3　传感节点故障样本决策

从表3可以看出，传感节点样本决策分类冗余、效率低、决策规则不够简洁，从而降低节点硬件故障诊断效率。另外，由表1、表2可以看出，节点硬件故障征兆具有多样性和相关性，故障诊断决策表现出模糊性和不确定性，而极限学习机方法具有学习时间短、参数设置少、泛化能力好等特点，因此将采集的节点硬件故障样本数据引入到训练好的极限学习机中，可以实现节点硬件故障的识别。

对本研究算法进行试验验证，将表3中的节点硬件故障征兆样本数据作为采样数据，对400组不同节点硬件故障现象反馈的数据进行分类。极限学习机参数设置：选择网络的隐层节点数为10，以20为周期增加隐层节点数，直至200。另外，ELM的隐含层激活函数根据需要选择Hardlim函数进行学习。考虑外界不同环境对节点通信的影响和干扰，将传感节点采集数据的可靠性设置为98%，节点硬件故障诊断精度如表4所示。

表4　节点故障诊断测试数据精度判断　%

将本研究算法分别与BP(back propagation)神经网络、改进的径向基函数(radical basis function，简称RBF)神经网络和粒子群算法(particle swarm optimization，简称PSO)进行试验对比分析。从图4可以看出，BP神经网络算法、变精度粗糙集(variable precision rough set，简称VPRS)和RBF神经网络结合(VPRS-RBF)算法、粒子群算法算法和极限学习机算法等4种无线传感器网络节点硬件故障诊断方法的正确率分别为79.1%、84.3%、88.1% 、93.9%。本研究算法故障诊断精度比其他3种算法分别高14.8、9.6、5.8百分点，能较好地适用于WSNs节点硬件故障诊断。

4.2　故障率对故障诊断精度的影响

不同故障率情形下对传感网络的影响不同。本研究采用MATLAB 2014b对WSNs节点硬件故障诊断进行算法仿真试验及结果分析，节点硬件故障诊断精度采用节点故障诊断检测率(fault detection rate，简称FDR)和故障诊断虚警率(false alarm rate，简称FAR)等2个指标来衡量，节点的其他参数设置与文献[12]相同，本研究的节点硬件故障率为0.05～0.30，分析不同算法故障诊断效果之间的差异。将本研究算法与文献[12]中BP算法的节点故障诊断方法、文献[13]中提出的基于VPRS-RBF神经网络的节点故障诊断方法、文献[14]中提出的基于粒子群算法的节点故障诊断等3种方法进行对比分析。

从图5可以看出，传感节点的故障率较低时，4种故障诊断算法均能较好地对节点硬件故障进行诊断，其诊断精度差别不大。随着传感节点硬件故障率的逐渐增加，4种算法的故障诊断精度均逐渐下降，其中文献[12]中提出的BP神经网络节点故障诊断方法诊断精度的下降幅度最大，从0.96下降到0.71；文献[13]中提出的基于VPRS-RBF神经网络节点故障诊断方法的诊断精度下降幅度也较大，从0.96下降到 0.77；文献[14]中提出的基于粒子群算法节点故障诊断方法的精度下降幅度较小，从0.98下降到0.85，而本研究的极限学习机算法的故障诊断精度下降幅度最小，从0.98下降到0.93。

从图6可以看出，节点故障率较低时，4种算法的故障诊断虚警率均较低；随着节点故障率的增加，4种故障诊断算法的诊断虚警率均逐渐增大，其中BP神经网络故障诊断方法的增加幅度最大，改进RBF神经网络节点故障诊断方法的虚警率增加幅度较大，基于粒子群算法节点故障诊断方法的虚警率增加幅度较小，极限学习机故障诊断方法的虚警率增加幅度最小。

从图5和图6可以看出，本研究提出的基于极限学习机的节点硬件故障诊断方法能有效地对传感节点故障进行诊断，提高节点鲁棒性，提升网络稳定性和可靠性。

5　结论

农业无线传感器网络节点故障诊断是一个亟须解决的问题。本研究首先对节点故障分类与故障原因进行深入分析，并分析节点硬件故障所存在的问题，之后提出一种基于极限学习机的无线传感器网络节点硬件故障诊断算法，该算法可以针对节点各个模块的故障特性快速、准确、可靠地对WSNs节点硬件故障进行诊断，并提出相应的修复意见，有效地降低节点故障概率，提高网络运行可靠性和容错性。同时本研究提出的算法具有实现容易、学习速率快、故障诊断精度高等特点。但本研究所提出的方法仍存在一些缺陷，即不适用于大规模农业无线传感器网络中节点出现故障较高等情况。

参考文献：

[1]Hu L，Zhang Z Y，Wang F，et al. Optimization of the deployment of temperature nodes based on linear programing in the internet of things[J]Tsinghua Science and Technology，2013，18(3)：250-258

[2]Hou L，Bergmann N W. Novel industrial wireless sensor networks for machine condition monitoring and fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement，2012，61(10)：2787-2798.

[3]Yue Y G，Li J Q，Fan H H，et al. Optimization-based artificial bee colony algorithm for data collection in large-scale mobile wireless sensor networks[J]. Journal of Sensors，2016，2016：1-12.

[4]Panda M，Khilar P M. Distributed self fault diagnosis algorithm for large scale wireless sensor networks using modified three sigma edit test[J]. Ad Hoc Networks，2015，25：170-184.

[5]雷霖，代传龙，王厚军. 基于Rough set理论的无线传感器网络节点故障诊断[J]. 北京邮电大学学报，2007，30(4)：69-73.

[6]冯志刚，王祁，徐涛，等. 基于小波包和支持向量机的传感器故障诊断方法[J]. 南京理工大学学报(自然科学版)，2008，32(5)：609-614.

[7]Jiang P. A new method for node fault detection in wireless sensor networks[J]. Sensors，2009，9(2)：1282-1294.

[8]庄夏，戴敏，何元清. 基于人工免疫和模糊K均值的传感器节点故障诊断[J]. 计算机测量与控制，2013，21(3)：611-613.

[9]Huang G B，Zhu Q Y，Siew C K，et al. Extreme learning machine：theory and applications[J]. Neurocomputing，2006，70(1/2/3)：489-501.

[10]Pan C，Park D S，Yang Y，et al. Leukocyte image segmentation by visual attention and extreme learning machine[J]. Neural Computing and Applications，2012，21(6)：1217-1227.

[11]Yang Y M，Wang Y N，Yuan X F. Bidirectional extreme learning machine for regression problem and its learning effectiveness[J]. IEEE Transactions on Neural Networks and Learning Systems，2012，23(9)：1498-1505

[12]李智敏，陈祥光. 无线传感器节点模块级故障诊断方法的研究[J]. 仪器仪表学报，2013，34(12)：2763-2769.

[13]谢迎新，陈祥光，余向明，等. 基于VPRS和RBF神经网络的WSN节点故障诊断[J]. 北京理工大学学报，2010，30(7)：807-811.

[14]余成波，李芮，何强，等. 基于粒子群算法及高斯分布的WSN节点故障诊断[J]. 振动、测试与诊断，2013，33(1)：149-152，172.