SOM離散化和IGA優化神經網絡傳感器故障診斷

韓文虹，高淑婷

（河南農業職業學院電子信息工程系，河南 鄭州 451450）

SOM離散化和IGA優化神經網絡傳感器故障診斷

韓文虹，高淑婷

（河南農業職業學院電子信息工程系，河南 鄭州 451450）

為實現對節點進行實時有效的故障診斷，提出一種基于SOM自組織網映射算法和免疫遺傳神經網絡的故障診斷方法。首先，設計節點故障診斷的通用模型；然后采用自組織網映射（self organize mapping，SOM）算法對故障特征數據進行離散化以提高診斷模型的泛化性能，并通過主成分分析法（principal component analysis，PCA）對特征數據屬性進行約簡以減少數據量；最后，建立三層的BP神經網絡節點故障診斷模型，并通過免疫遺傳算法（immune gene algorithm，IGA）對BP神經網絡優化從而得到最終優化的節點故障診斷模型。仿真實驗證明該法能有效進行故障診斷，且與其他方法相比，具有診斷效率高和精度高的優點。

傳感器節點；故障診斷；免疫遺傳；BP神經網絡

0 引 言

傳感器節點（sensor node，SN）[1]是無線傳感器網絡（wireless sensor network，WSN）[2]的基本單元，其通過無線自組織的方式組成無線網絡，實現對某一監測區域的數據采集、監測和控制，已經成功應用于農田監控、智能家居、環境監測和智慧交通等領域[3-5]。

目前對傳感器節點進行故障診斷的研究工作主要有：文獻[6]建立了一種分布式的基于數據融合的節點故障診斷方法；文獻[7]設計了一種基于粗糙集理論和貝葉斯決策的節點故障診斷方法；文獻[8]建立了一種基于分簇路由協議的節點故障診斷方法；文獻[9]建立了一種基于粗糙集和神經網絡的節點故障診斷方法。

上述工作仍具有故障診斷準確度不高和診斷時間長等缺點，為解決上述問題，本文提出了一種基于SOM離散化、PCA主成分分析方法降維和免疫遺傳算法優化神經網絡的故障診斷模型。

1 診斷模型定義

本方法采用分簇協議，在各簇頭節點處對簇內成員節點進行故障診斷，能克服采用Sink節點進行故障診斷所帶來的“熱區”問題，減少了節點能耗，均衡了網絡負載。

在某傳輸數據周期內，當簇頭節點在收集了簇內成員節點發送的數據后，為了對簇內節點進行故障診斷，首先對數據采用SOM算法進行離散化，然后通過PCA主成分分析進行屬性約簡處理，最后，通過IGA優化的神經網絡進行故障診斷。傳感器節點故障診斷模型見圖1。

圖1 節點故障診斷模型

2 基于SOM算法的數據離散化

傳感器采集的數據是連續型數據，不能直觀地反映數據分布情況，為了使得故障診斷具有更好的泛化能力，采用SOM算法對數據進行離散化處理。

SOM自組織映射（self organize mapping，SOM）由Kohonen首次提出，屬于無監督學習方式的一種，其主要包含輸入層和輸出層。

采用SOM對連續屬性進行離散化的過程可以描述為：

初始化：對SOM中輸入層與輸出層之間以及輸出層之間的權值Wij（t）賦予隨機初始值，隨機初始化學習率η（t）的初始值以及領域半徑N（t），算法迭代次數最大值為T。

輸出：各連續屬性的離散化值。

1）令當前迭代次數t=1。

2）輸入樣本并對樣本數據進行歸一化。

3）尋找獲勝神經元：使用歐式距離準則，計算輸入樣本與所有輸出節點的距離：

選擇具有最小Dij（t）（j=1，2，…，m）的輸出神經元為獲勝神經元。

4）根據式（2）、式（3）和式（4）對獲勝神經元鄰域內N（t）的所有節點的連接權值、鄰域及學習率進行更新：

5）返回3）重新選擇一個新的輸入模式，直到所有模式均已遍歷完。

6）t=t+1，判斷其是否達到最大值T，如果達到則算法結束，否則，返回3）繼續執行。

3 PCA主成分分析降維

3）將每個訓練樣本減去均值后，計算協方差矩陣，如下所示：

主成分分析法（principal component analysis，PCA）是由Kirby等人于1990年首次提出，能將高維空間中的故障樣本空間投影到獨立的低維空間，其原理可以描述為：

1）將經過SOM算法進行屬性離散化的數據特征向量合成為訓練樣本集為X={x1，x2，…，xM}，每個樣本xi的維數為R，從而構成M×R的故障數據矩陣X，并初始化貢獻率閥值th。

2）計算所有訓練樣本的均值臉為

其中，協方差矩陣S的維數為R×R。

4）求解協方差矩陣S的特征值λi以及對應的正交歸一化的特征向量zi，根據式（7）計算各特征值的累積貢獻率α：

5）當某幾個特征值對應的貢獻率α大于預先設定的閥值th，同時對應的數量最少時，就選取這幾個特征值對應的特征向量來構造特征空間Σ，并將訓練樣本集X投影到特征空間Σ上，從而得到降維后的特征向量集A，如下所示：

4 IGA神經網絡故障診斷

4.1 IGA算法描述

免疫遺傳算法（immune gene algorism，IGA）是一種將免疫算法和遺傳算法相結合的算法,在免疫遺傳算法中，將待求解的問題看作抗原，將問題的候選解看作抗體，將目標函數作為抗體與抗原之間的親和度函數，通過抗體的交叉、變異、接種疫苗和免疫選擇不斷地匹配適應度函數，更新記憶細胞集，產生新的更優的抗體，其尋優過程如圖2所示。

圖2 免疫遺傳算法流程

4.2 IGA神經網絡故障診斷算法

文中采用IGA算法對BP神經網絡的參數進行尋優，然后再采用優化的BP神經網絡進行節點故障診斷，過程如下：

1）通過SOM對故障征兆數據進行離散化，然后通過PCA主成分分析法進行降維，采用最終的屬性個數作為輸入神經元的個數，將故障種類作為輸出神經元個數，建立三層BP神經網絡作為故障診斷模型。

其中，隱藏層神經元個數可以根據輸入神經元和輸出神經元個數獲得：

式中：kin，kout——輸入神經元和輸出神經元個數；

l——一常數，其值為1～10之間的一個隨機數。

2）采用S型函數作為隱藏層的基函數：

式中：λ——神經元閥值；

x——該神經元的基函數輸入；

φ——調節參數，當φ足夠大時，當x＞λ，則

y（x）趨向于1；當x＜λ，則y（x）趨向于0。

3）建立誤差函數作為目標函數和抗體與抗原之間匹配的親和度函數：

式中：Ei——第i次迭代時，輸出神經元的總誤差；

m，f——訓練樣本總數和網絡的第f個輸出。

4）采用圖3所示的免疫遺傳算法對輸入層與隱藏層、隱藏層與隱藏層以及隱藏層與輸出層之間的權值和閥值進行優化，直到滿足預設的誤差閥值eth，采用得到的最終參數初始化BP網絡，得到最終的故障診斷模型。

5）輸入故障診斷測試數據到BP神經網絡進行故障診斷。

5 仿真實驗

在Matlab仿真環境下對文中方法進行驗證，采集400組樣本數據，其中200組作為訓練數據，另外200組作為測試數據。

表1 故障診斷特征向量

表2 約簡的故障特征向量

表3 節點故障診斷結果

文中參數如下：貢獻率閥值th為90%，IGA初始抗體種群規模為100，交叉概率0.6，變異概率0.55，記憶細胞集大小為10，神經網絡誤差閥值eth為0.01，常數l為3，部分樣本故障診斷特征向量如表1所示。

首先，采用SOM算法對樣本數據進行離散化，將數據映射到離散值0和1上，在此基礎上采用PCA主成分分析法對特征向量進行屬性約簡，得到屬性簡約子集為{a[1]，a[2]，a[3]，a[4]，a[6]}，此時得到的經過屬性約簡后的特征向量如表2所示。

最后，采用4.2中基于IGA的BP神經網絡算法進行故障診斷。首先，根據特征向量維數確定輸入神經元個數為5，輸出神經元個數為故障種類數即3，根據式（9）得到隱藏層神經元個數為6，即BP神經網絡的結構為5-6-4，然后通過IGA優化BP網絡權值和閥值，得到最終的故障診斷模型，然后輸入測試數據進行故障診斷，并與文獻[8]和[9]進行對比，結果如表3所示。

從表3中可以看出，文中方法能實現傳感器節點的故障診斷，整個診斷時間僅需200ms，故障診斷精度高達99%，而文獻[8]和文獻[9]方法故障診斷時間分別為600ms和1100ms，同時對應的故障診斷精度分別為93%和91%，較文中方法分別低6%和8%，這是因為文中方法通過PCA主成分分析法進行屬性約簡降低了數據屬性維數，同時，采用免疫遺傳算法對BP神經網絡進行權值和閥值等參數優化，使得文中故障診斷方法能在較短的時間內進行故障診斷，并具有較低的診斷誤差。

6 結束語

為了保證監控系統長期有效地運行，需要對監控區域中傳感器節點進行周期性故障診斷；因此，本文設計了一種基于SOM自組織映射算法和免疫遺傳BP神經網絡的節點故障診斷方法，采用SOM自組織映射算法對故障特征向量進行數據離散化處理，并通過PCA主成分分析方法對屬性簡約，最后通過免疫遺傳算法優化的BP神經網絡進行故障診斷。實驗證明了文中方法能實現傳感器節點故障診斷，且與其他方法相比，且具有診斷效率高和診斷精度高的優點。

[1]Yick J，Mukherjee B，Ghosal D.Wireless sensor network survey[J].Computer Networks，2008，52（12）：2292-2330.

[2]王雷，Wei R Z，田子紅.無線傳感器網絡中一種基于分簇的節點調度算法[J].中國科學：信息科學，2011（41）：1013-1023.

[3]張瑞瑞，趙春江，陳立平，等.農田信息采集無線傳感器網絡節點設計[J].農業工程學報，2009，11（25）：213-218.

[4]嚴萍，張興敢，柏業超，等.基于物聯網技術的智能家居系統[J].南京大學學報：自然科學版，2012，1（48）：26-32.

[5]周舸，陳智勇.基于物聯網的交通流量監測系統設計研究[J].計算機仿真，2011，8（28）：367-371.

[6]李強.一種基于診斷融合技術的傳感器節點故障診斷[J].科技通報，2013，29（4）：79-81.

[7]潘佳梁，葉曉慧，王紅霞.基于粗糙集理論和貝葉斯決策的WSN節點的故障診斷[J].傳感技術學報，2009，22（5）：734-738.

[8]劉凱，彭力.分簇式無線傳感器網絡節點故障診斷算法研究[J].傳感器與微系統，2011，30（4）：37-40.

[9]陳作聰.基于Rough set和禁忌神經網絡的傳感器節點故障診斷[J].計算機測量與控制，2013，5（32）：37-40.

Fault diagnosis of sensor node based on SOM and immune gene algorithm optimizing neural network

HAN Wen-hong，GAO Shu-ting
（Department of Electronic and Information Engineering，Henan Vocational College of Agriculture，Zhengzhou 451450，China）

In order to diagnose the fault in real-time and effectively，a fault diagnosis method based on SOM algorithm and immune gene neural network was proposed.Firstly，the general model for node fault diagnosis was designed，and then the SOM algorithm was used to get the discrete data to improve the generalization ability of the diagnosis model，and PCA（principal component Analysis）was used to reduce the dimension of data.Finally，the three layer node diagnosis model was built，and the improved immune gene algorithm was designed to train the network and the final node diagnostic mode was obtained.The simulation result shows that the proposed method can achieve sensor nodes fault diagnosis effectively and compared with other methods，it can diagnose node fault accurately in a shorter time.

sensor node；fault diagnosis；immune gene；BP neutral network

TP319；TP277；TP183；TN911.7

：A

：1674-5124（2014）05-0088-04

10.11857/j.issn.1674-5124.2014.05.023

2013-10-16；

：2013-12-03

韓文虹（1968-），女，河南南陽市人，副教授，碩士，研究方向為自動控制。