论文部分内容阅读
无线传感器网络（Wireless Sensor Networks,WSN）作为一种全新的信息获取平台,可以使人们在人机交互时获得全面有效的信息,已被成功应用在诸多重要领域。但实际工作中,由于WSN具有复杂性和不确定性的特点,并且当其部署环境比较恶劣时,容易造成节点损坏。因此,有效地监测WSN节点当前的运行状态,显得尤为重要。贝叶斯网络（Bayesian Network,BN）以其处理不确定信息方面的优势而备受许多专家学者的关注。针对WSN这种不确定复杂系统的故障诊断问题,本文提出了一种基于BN的WSN节点故障诊断方法。在对WSN的运行机制和故障征兆属性分析、研究的基础上,提出一种WSN节点故障特征提取方法,得到故障特征样本。但在BN建模时,实际获取到的故障特征样本往往数量有限,针对经典BN参数学习算法在小数据集下学习出的模型参数精度较差的问题,提出了一种约束数据最大熵（Constrained Data Maximum Entropy,CDME）BN参数学习算法,并将CDME算法应用于WSN节点故障诊断推理中,验证了该算法在实际WSN节点故障诊断中的有效性和实用性。本文研究工作主要如下:（1）针对WSN节点故障特征样本提取问题,提出一种WSN节点故障特征提取的方法。首先对WSN运行机制及不同的WSN节点故障状态进行分析;然后模拟不同故障情况下,WSN节点产生的“被测节点是否有传回值”等S1S8故障征兆属性;最后利用节点状态解析器采集WSN节点不同故障状态下的故障征兆属性数据,得到WSN节点故障特征样本,并将其作为WSN节点故障BN建模以及诊断推理的输入。（2）针对目前WSN节点故障诊断中的不确定性问题,提出一种基于BN的WSN节点故障诊断方法。首先得到WSN节点不同状态的故障特征样本;其次,在充足的故障特征样本下,利用最大似然估计法进行BN参数建模;最后将待诊断故障特征样本输入已建立好的BN模型中,利用联合树（Junction Tree）推理算法实现WSN节点故障诊断推理。同时,在相同的实验条件下,通过径向基函数（Radical Basis Function,RBF）神经网络也进行了WSN节点故障诊断实验。对比发现:本文所提WSN节点故障诊断方法具备较高的诊断正确率、分类效果和时效性。（3）针对经典BN参数学习算法在小数据集下学习精度较差的问题,提出一种CDME参数学习算法。该算法先利用小数据集估算出一组BN初始参数;其次把定性的专家经验知识转化为一系列等式和不等式约束集合;然后在这些BN参数约束集合下,利用Bootstrap算法生成满足约束的参数候选集;最后根据信息最大熵进行加权计算出BN参数。在虚拟数据和真实数据下进行多组实验。实验结果表明:当数据量充分时,CDME参数学习算法与经典的最大似然估计（Maximum Likelihood Estimation,MLE）算法的学习精度近似,表明了算法的正确性;在小数据集条件下,利用CDME算法,可以对BN进行参数建模,学习精度优于MLE算法和定性最大后验概率（Qualitative Maximum Posterior,QMAP）算法。（4）将CDME算法应用在WSN节点故障诊断中,验证在小数据集下利用CDME算法进行WSN节点故障诊断的有效性和实用性。首先,在小数据集下和充足数据集下分别利用CDME算法进行WSN节点故障BN参数建模;然后利用联合树算法对两组建立好的BN模型进行故障诊断推理对比实验。实验结果表明:在较小数据集的条件下,WSN节点故障诊断方法的诊断正确率接近于充足数据集下的WSN节点故障诊断方法的诊断正确率,诊断推理结果也印证了本文算法的有效性,为小数据集条件下的参数建模和WSN节点故障诊断提供了一条新途径。