一种基于模糊神经网络的WSN无线通信模块故障诊断方法技术

本发明专利技术公开了一种基于模糊神经网络的WSN无线通信模块故障诊断方法，利用DHT11温湿度传感器在不同温度和电压下所对应的发射消耗参数，建立一个模糊神经网络电流模型，用于进行无线通信模块的故障诊断。对于进行归一化处理后的数据，首先利用减法聚类自适应的确定模糊神经网络的初始结构和参数，然后利用粒子群优化算法和最小二乘法相结合的混合学习方法对模型进行参数优化和调整，最后用训练完毕的诊断模型对测试样本进行故障诊断。本发明专利技术综合模糊推理和神经网络的优点，采用改进的学习算法，针对WSN的电流电压与故障之间的联系，建立无线通信模块的模糊神经网络电流模型，其模型的训练时间短、收敛速度快、故障诊断效率高。

【技术实现步骤摘要】
一种基于模糊神经网络的WSN无线通信模块故障诊断方法
本专利技术属于信息感知与识别
，具体涉及一种基于模糊神经网络的WSN无线通信模块故障诊断方法。
技术介绍
WSN故障是指系统中的某个或者某几个部分出现异常，导致其失去原有功能或者性能达不到设计要求的情况。由于WSN运行的环境、WSN节点硬件和外界干扰种类的不同，WSN的故障类型及表现形式也各不相同。根据WSN体系功能和实现功能，其故障可以分为节点故障和网络故障2种。WSN节点分为传感器节点和汇聚节点，因此节点故障也分为传感器节点故障和汇聚节点故障。网络故障是指网络通信协议或者协作管理方面的出现问题造成较大范围内的故障，导致整个网络不能正常工作。WSN技术的日趋成熟，使其应用领域不断扩大。由于其特点，使其通常部署在室外，经常面对恶劣的自然环境、强电磁和强干扰的环境。因此，WSN节点会出现故障。为了保证WSN运行的稳定性和可靠性，保证WSN的服务质量，相关学者和技术人员开始把不同知识应用到WSN的故障诊断中，提高故障诊断的效率和精度。WSN按照故障监测和诊断主体所在位置的不同可分为分布式故障诊断方法、集中式故障诊断方法以及混合式故障诊断三种方法。2001年，ChessaS和SantiP提出一种基于比较的故障诊断算法，根据节点之间的测试结果实现故障诊断，但这种故障诊断不适合拓扑动态变化的网络。GaoJianliang等人利用WSN的时空相关性，根据节点之间的信任度投票来判断节点是否发生故障。ChenJ等人提出一种分布式故障诊断方法，先由传感器之间交换大量数据，然后根据分布式投票来判断节点是否存在故障。利用神经网络也可以进行WSN故障诊断，MosstaphaAI等人提出了基于递归神经网络的故障诊断算法。张劫等人提出了基于比较簇节点的故障诊断算法，使用簇首节点作为同一个簇内的控制单元，对簇中节点进行集中诊断，同时利用簇首节点之间的相关诊断信息的传递，来对簇首节点进行诊断。季赛等人利用相邻节点测量值的空间相似性原理，通过对相邻节点所感知的数据进行比较，从而确定检测节点的状态，并将检测状态向网络中其它相邻节点扩散，诊断故障节点。B.Krishnamachari等人采用了分布式贝叶斯方法对节点的故障进行识别，利用节点间的信任关系，使用贝叶斯网络(BNN)来描述关系，通过相邻节点之间交互传感数据，获得事件的统计概率，结合节点的故障概率，用贝叶斯方法区分事件和节点故障。
技术实现思路
本专利技术针对大部分的故障诊断方法都集中在传感器信号的分析方面，对WSN节点本身的故障诊断与定位的研究较少。根据与故障特征相关的电压和电流参数，在电路中有源的概念和流入流出的方向，一个模块的电流或电压的异常会影响整条串联回路上其它模块参数的状态，对电压或电流异常的诊断最终可以确定故障位置以及原因。利用DHT11温湿度传感器在不同温度和电压下所对应的发射消耗参数，建立一个模糊神经网络电流模型，用于进行无线通信模块的故障诊断。对于经过归一化处理后的数据，首先利用减法聚类自适应的确定模糊神经网络的初始结构和参数，然后利用粒子群优化算法和最小二乘法相结合的混合学习方法对模型进行参数优化和调整，最后用训练完毕的诊断模型对测试样本进行故障诊断。本专利技术的技术方案如下：一种基于模糊神经网络的WSN无线通信模块故障诊断方法，包括步骤：步骤1：通过DHT11传感器测量诊断对象在不同温度和电压下所对应的发射消耗电流参数，并建立工作电流模型Icons,t＝f(Vmod,t,Tmod,t)，其中Icons,t是无线通信模块t时刻的电流，Vmod,t无线通信模块t时刻的电压，Tmod,t是无线通信模块t时刻的温度；步骤2：利用减法聚类算法进行规则提取，即确定模糊神经网络的初始结构和参数，包括聚类中心的个数和位置以及宽度参数；模糊神经网络采用聚类算法提取规则，学习速率η选为0.005，建立了两个输入V、T和一个输出I，13条模糊规则的5层模糊神经网络结构。相应的模糊规则如下：……………步骤3：通过粒子群优化算法和最小二乘法相结合的混合学习方法在步骤2建立的模糊神经网络结构的基础上进行参数的优化，运用PSO算法对前件参数即模糊隶属函数中心值和模糊隶属函数宽度值进行优化，再结合部分最小二乘法训练后件参数即模糊规则的输入变量一阶多项式f的结论系数；当模型满足精度要求时得到故障诊断模型。步骤4：根据步骤3训练完毕的诊断模型对测试样本进行故障诊断。所述步骤1测得的数据共分为100组，其中70组用于模糊神经网络模型的训练，30组用于作为测试样本集，1组数据包含2个输入量和1个输出量，输入量分别是供电电压和温度，输出量为发射消耗电流。3、所述步骤3通过混合学习方法进行参数优化和调整具体为：步骤3.0：编码PSO粒子；步骤3.1：初始化粒子群的种群；步骤3.2：对于每个粒子，将其当前的适应度与其之前经历过的最好位置的适应度进行比较，如果更好，则更新个体最好位置Pbest；步骤3.3：对于每个粒子，将个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；步骤3.4：根据下式修改每个粒子的速度和位置Vid＝ωVid+c1r1(Pbest-Xid)+c2r2(Pt-Xid)步骤3.5：重复步骤3.2～步骤3.4，直到满足计算终止条件；步骤3.6：将群体所经历最好位置的编码解码得到基函数的中心参数以及宽度参数；步骤3.7：计算隐含层单元输出以及输出层输出步骤3.8：重新初始化粒子群种群，调整权值ωjk，其适应度函数G＝||yk-hj||；步骤3.9：对于每个粒子，比较它的适应度与其所经历的最好位置的适应度，如果更好，则更个体最好位置新Pbest；步骤3.10：对于每个粒子，其个体最好位置Pbest适应度与全局最好位置Pt位置的适应度进行比较，如果更好，则用个体最好位置Pbest更新全局最好位置Pt；步骤3.11：调整每个粒子的速度和位置；步骤3.12：重复步骤3.9到步骤3.11，直到达到计算要求为止；步骤3.13：解码得到规则的前件参数；步骤3.14：运用部分最小二乘法计算模糊神经网络的后件参数；步骤3.15算法结束。本专利技术的有益效果是：(1)使用减聚类算法自适应地确定规则的数目。(2)使用粒子群优化算法全局高效地优化规则的前件参数即隶属函数的中心与隶属函数的宽度值。(3)本论文应用部分最小二乘法可以较精确地求出变量以消除变量的维数大于样本个数的情况这种异常情况。(4)该诊断方法经过测试表明，其具有明显优点，与基于BP神经网络和高斯回归过程等故障诊断方法相比，其模型的训练学习时间短、收敛速度快、故障诊断正确率高，可以有效提高无线传感器网络监测系统的可靠性与实用性。附图说明图1是故障诊断方法示意图。图2是PSO-RBF混合学习算法示意图。具体实施方式下面结合附图对本专利技术进行具体的介绍。本专利技术针对大部分的故障诊断方法都集中在传感器信号的分析方面，对WSN节点本身的故障进行定位与分析的研究较少。根据与故障特征相关的电压和电流参数，在电路中有源的概念和流入流出的方向，一个模块的电流或电压的异常会影响整条串联回路上其它模块参数的状态，对电压或电流异常的诊断最终可以确定故本文档来自技高网...

【技术保护点】
一种基于模糊神经网络的WSN无线通信模块故障诊断方法，其特征在于：包括步骤：步骤1：通过DHT11传感器测量诊断对象在不同温度和电压下所对应的发射消耗电流参数，并建立工作电流模型I

【技术特征摘要】
1.一种基于模糊神经网络的WSN无线通信模块故障诊断方法，其特征在于：包括步骤：步骤1：通过DHT11传感器测量诊断对象在不同温度和电压下所对应的发射消耗电流参数，并建立工作电流模型Icons,t＝f(Vmod,t,Tmod,t)，其中Icons,t是无线通信模块t时刻的电流，Vmod,t无线通信模块t时刻的电压，Tmod,t是无线通信模块t时刻的温度；步骤2：根据步骤1测得的数据利用减法聚类算法进行规则提取，即确定模糊神经网络的初始结构和参数，包括聚类中心的个数和位置以及宽度参数；步骤3：通过粒子群优化算法和最小二乘法相结合的混合学习方法在步骤2建立的模糊神经网络结构的基础上进行参数的优化，运用PSO算法对前件参数即模糊隶属函数中心值和模糊隶属函数宽度值进行优化，再结合部分最小二乘法训练后件参数即模糊规则的输入变量一阶多项式f的结论系数；当模型满足精度要求时得到故障诊断模型；步骤4：根据步骤3训练完毕的诊断模型对测试样本进行故障诊断。2.根据权利要求1所述的WSN无线通信模块故障诊断方法，其特征在于：所述步骤1测得的数据共分为100组，其中70组用于模糊神经网络模型的训练，30组用于作为测试样本集，1组数据包含2个输入量和1个输出量，输入量分别是供电电压和温度，输出量为发射消耗电流。3.根据权利要求1所述的WSN无线通信模块故障诊断方法，其特征在于：所述步骤3通过混合学习方法进行参数优化和调整具体为：步骤3.0：编码PSO粒子；步骤3.1：初始化粒子群的种群；步骤3.2：对于每个粒子，将其当前的适应度与其...

【专利技术属性】
技术研发人员：薛善良，周奚，韦青燕，朱世照，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32