一种无线传感器网络故障检测方法、装置及系统与流程

本发明属于无线传感器网络的技术领域，涉及一种无线传感器网络故障检测方法、装置及系统，尤其是涉及一种基于粗糙-神经网络的无线传感器网络故障检测方法、装置及系统。

背景技术：

无线传感器网络(Wireless Sensor Network,WSN)是当今极具潜力和影响力的关键技术之一。它集成了无线通信技术、传感器技术、微机电系统技术和分布式信息处理等技术，将逻辑上的信息世界与客观上的物理世界融合在一起，改变了人类与自然界的交互方式，在民用和军事等许多领域具有很高的应用价值。

由于无线传感器网络的特殊应用背景以及自身特点等因素使得WSN的维护工作十分困难甚至不可维护。作为一种分布式计算平台，WSN节点极易受到各种干扰因素影响而发生故障。当单个关键节点或某个区域节点故障失效时，将导致其周围某一定范围内的节点全部都无法正常工作，还会造成连通被割断和网络覆盖的漏洞的问题，这将大大降低传感器节点的可靠性，削弱或失效WSN预定功能。为了避免故障由节点级上升到网络级，必须对节点故障进行有效地检测，才能有效地给出修复方案，保证网络的可靠运行。所以，及时地对网络各种异常状态做出检测，寻找合理的容错控制方案，指导网络正常运行，对提高WSN的可靠性和鲁棒性具有重要的意义。

从提高网络系统的可靠性和可持续性角度出发，一个好的故障检测方案应具备如下特点：①故障特征的完整性；②能量消耗的节约性；③抵御入侵的抗毁性；④节点互连的鲁棒性；⑤信息传输的正确性。但是，目前WSN故障诊断技术的研究现状主要存在以下问题：

第一，由于WSN的复杂性和故障的多样性，现有诊断模型只是简单的对故障抽象和提取，并没有反映出WSN故障完整性。

第二，由于WSN节点的本身的局限性，节点能耗高，传感器节点的生命周期有待延长。

第三，应用环境开放的WSN带来严重的安全问题，现有的安全机制开销大、主动性差，离WSN安全需要有很大的差距。

第四，当节点的覆盖、带宽受限时，网络拓扑容易发生变化，其连通性面对严峻的挑战，如何在此情况下提供不间断、可靠的服务是WSN故障检测技术亟待解决的难点问题。

第五，节点数据流不对称引起节点能量分布不均，导致某些节点任务集中而过早“死亡”。

第六，以分簇结构组成的网络体系，监测存在的边界问题，信息融合，增加通信和计算量，降低处理速度，引起故障检测与容错之间的延时。

综上所述，针对现有技术中如何可靠、稳定且有针对性地对无线传感器网络的故障进行智能检测的问题，尚缺乏有效的解决方案。

技术实现要素：

针对现有技术中存在的不足，解决现有技术中如何可靠、稳定且有针对性地对无线传感器网络的故障进行智能检测的问题，本发明提供了一种无线传感器网络故障检测方法、装置及系统，该方法能够有针对性地对无线传感器网络的故障进行智能检测，提高了无线传感器网络的可靠性和稳定性。

本发明的第一目的是提供一种无线传感器网络故障检测方法。

为了实现上述目的，本发明采用如下一种技术方案：

一种无线传感器网络故障检测方法，该方法在汇聚节点中实现，包括：

步骤1：接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

步骤3：将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合步骤2获得简化的故障检测决策表，输入神经网络进行智能故障检测；

步骤4：确定故障类型的检测结果，并上传至监控中心。

作为进一步的优选方案，所述步骤1中，所述接收故障检测信息包括固定周期的被动接收子节点主动上传的故障检测信息和/或向子节点发送信息收集指令后接收子节点根据信息收集指令上传的故障检测信息。

作为进一步的优选方案，所述步骤1中，所述节点的故障检测信息包括节点编号、邻居节点列表、链路质量、信号强度、通信数据包和感知信息。

作为进一步的优选方案，所述步骤2中，根据故障检测信息要素分析故障类型与判断策略，包括在故障征兆特征和与故障检测相关信息要素中分析故障类型。

作为进一步的优选方案，所述步骤3的具体步骤包括：

步骤3-1：将原始故障检测样本中的连续数据进行离散化处理，并简化离散化样本；

步骤3-2：将简化后的离散化样本进行最小故障检测特征提取，获得不影响故障分类的最小故障特征和相应于最小故障特征的训练样本集和测试样本集；

步骤3-3：采用训练样本集和测试样本集训练并测试RBF神经网络，进行智能故障检测。

作为进一步的优选方案，所述步骤3-2的具体步骤包括：

步骤3-2-1：构造离散化故障检测决策表；

步骤3-2-2：计算离散化故障检测决策表中计算条件属性集C对决策属性D的正域，得到该决策属性D对条件属性集C的依赖程度；

步骤3-2-3：依次计算条件属性集C中每个条件属性Ci对决策属性D的正域；

步骤3-2-4：选择正域最大的条件属性Ci并入故障检测特征子集F，直到故障特征集F对决策属性D的正域与条件属性集C对决策属性D的正域相等；

步骤3-2-5：输出最小故障检测特征子集。

作为进一步的优选方案，所述步骤3-3的具体步骤包括：

步骤3-3-1：根据步骤3-2粗糙集数据处理得到最小故障检测特征子集确定神经网络的初始拓扑结构；

步骤3-3-2：利用最小故障检测特征相应的训练样本集训练该网络，建立故障特征与故障之间的映射关系；

步骤3-3-3：利用测试样本集对RBF神经网络进行测试，最后得到检测结果。

本发明的第二目的是提供一种计算机可读存储介质。

为了实现上述目的，本发明采用如下一种技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备设备的处理器加载并执行以下处理：

步骤1：接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

步骤3：将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合步骤2获得简化的故障检测决策表，输入神经网络进行智能故障检测；

步骤4：确定故障类型的检测结果，并上传至监控中心。

本发明的第三目的是提供一种终端设备。

为了实现上述目的，本发明采用如下一种技术方案：

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下处理：

步骤1：接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

步骤3：将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合步骤2获得简化的故障检测决策表，输入神经网络进行智能故障检测；

步骤4：确定故障类型的检测结果，并上传至监控中心。

本发明的第四目的是提供一种无线传感器网络故障检测系统。

为了实现上述目的，本发明采用如下一种技术方案：

一种无线传感器网络故障检测系统，该系统包括：

子节点，用于上传故障检测信息；

汇聚节点，用于接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合上一步骤的数据获得简化的故障检测决策表，输入神经网络进行智能故障检测；确定故障类型的检测结果，并上传至监控中心；

监控中心，用于接收检测结果，实现无线传感器网络的实时故障检测。

本发明的有益效果：

1、本发明所述的一种无线传感器网络故障检测方法、装置及系统，基于粗糙集理论尤其是在数据约简方面的算法，易于实现在WSN节点能量有限的前提下进行集中式在线故障诊断，所以利用Rough Sets理论化简样本及条件属性，简化了神经网络结构，提高了系统的诊断速度。

2、本发明所述的一种无线传感器网络故障检测方法、装置及系统，在WSN智能故障检测过程中，故障特征提取可以加速学习和故障分类过程，减小故障分类代价，提高故障分类质量。对条件属性约简求核，较好地消除了样本中噪声数据的干扰，提高了系统的准确率。在基于Rough Sets的故障检测过程中，故障特征的提取被转化为求取约简。约简实质上是在N个条件属性中找出M个(M＜N)条件属性，使得这M个条件属性对故障对象的分类能力与原来的N个条件属性相同。

3、本发明所述的一种无线传感器网络故障检测方法、装置及系统，条件属性项大大减少使得系统工作成本降低，诊断速度加快，实时性增强。

4、本发明所述的一种无线传感器网络故障检测方法、装置及系统，良好的容错性和扩展性，有效地消除故障检测中的误报和漏报现象影响。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明中的方法流程图；

图2为本发明中实施例的一种无线传感器网络故障检测方法流程图；

图3为本发明中的粗糙集数据处理流程图；

图4为本发明的基于粗糙集和RBF神经网络的WSN智能故障检测方法流程图；

图5为本发明的实施例中液位WSN监测应用系统结构图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。

实施例1：

本实施例1的目的是提供一种无线传感器网络故障检测方法。

为了实现上述目的，本发明采用如下一种技术方案：

如图1所示，

一种无线传感器网络故障检测方法，该方法在汇聚节点中实现，包括：

步骤1：接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

步骤3：将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合步骤2获得简化的故障检测决策表，输入神经网络进行智能故障检测；

步骤4：确定故障类型的检测结果，并上传至监控中心。

如图2所示，本实施例具体如下：

步骤1：故障检测信息的获取。

在本实施例的所述步骤1中，所述接收故障检测信息包括固定周期的被动接收子节点主动上传的故障检测信息和/或向子节点发送信息收集指令后接收子节点根据信息收集指令上传的故障检测信息。

在本实施例的所述步骤1中，所述节点的故障检测信息包括节点编号、邻居节点列表、链路质量、信号强度、通信数据包和感知信息。

在步骤1中，Sink节点即汇聚节点负责对其他被测节点的信息收集工作，Sink节点需要收集的信息如表1所示。当WSN完成初始化操作后，Sink节点保存节点的路由表、邻居节点列表、链路质量等参数值。在网络运行中，Sink节点向其他节点发送收集信息的指令，之后，其他节点向Sink节点上报信息；或者由节点主动周期性地定期上报信息。Sink节点根据这些信息判断网络发生了什么故障。这个过程主要是采集检测对象的相关信息，然后用有关的数字信号处理方法对原始信号进行去噪音、趋势处理、故障特征提取等处理工作，以得到原始故障检测样本。

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

在本实施例的所述步骤2中，根据故障检测信息要素分析故障类型与判断策略，包括在故障征兆特征和与故障检测相关信息要素中分析故障类型。如表1所示的与故障检测相关信息要素。

表1与故障检测相关信息要素

故障类型与判断策略见表2所示，以下策略均由Sink节点判断。

表2故障类型与判断策略对照表

步骤3：故障检测信息的简化与提取。

通过数据采集与数据预处理得到的原始故障检测样本，往往含有冗余信息。而神经网络不能确定数据中哪些知识是冗余的还是有用的，哪些作用大，哪些作用小。利用粗糙集(Rough Sets,RS)理论在处理数据和消除冗余信息等方面的优势，从数据样本中提取对检测故障贡献最大的故障检测特征值集合、从不精确甚至不完整的信息中进行分类数据，从而减少神经网络训练数据，克服神经网络算法因处理数据量大而导致的一些问题，实现Rough Sets和神经网络的有机结合，优势互补。这个过程是将改进的Rough Sets与改进的RBF神经网络进行集成的过程。经Rough Sets处理后的数据作为改进RBF神经网络的前置处理器，获得简化的故障检测决策表，然后作为神经网络的输入数据进行智能故障检测。其中，Rough Sets数据处理流程图如图3所示。

在本实施例的所述步骤3的具体步骤包括：

步骤3-1：将原始故障检测样本中的连续数据进行离散化处理，并简化离散化样本；

一般情况下，通过数据采集与数据预处理得到的原始故障检测样本中的数据是连续的，而且Rough Sets只能处理离散数据。因此，必须先对原始故障样本中的连续数据进行离散化处理。Rough Sets数据处理实现对原始故障诊断样本的连续属性离散化、离散化样本的简化和最小故障诊断特征的提取等工作，获得不影响故障分类的最小故障特征和相应于最小故障特征的训练样本集和测试样本集。原始故障诊断样本离散化后，需要判断其中有没有重复的样本。如有，则需要删除，以便得到简化的离散化决策表。

步骤3-2：将简化后的离散化样本进行最小故障检测特征提取，获得不影响故障分类的最小故障特征和相应于最小故障特征的训练样本集和测试样本集；

由Rough Sets的基本概念可知，在知识表达系统S中，知识P，Q之间有依赖性，可用下列表达式来表示：

k＝rP(Q)＝|Pos(Q)||U| (1)

称知识Q是k度依赖于知识P的。因此，依赖程度k的大小说明了Q对P的依赖程度。

根据知识依赖性的思想，在故障检测特征提取时，可求出决策属性D对条件属性集C中每个条件属性e的依赖程度k，并根据k的大小进行故障特征的选择。由k的定义可知，k值是通过正域来刻画的。因此，只需求出每个条件属性e对决策属性D的正域，并按正域的大小进行选择即可。

同时，为了保证选择出来的特征属性集合F对决策属性D的分类能力保持不变，可以先求出条件属性集C对决策属性D的正域PosC(D)。这样，在进行故障特征选择时，求出故障特征集F对决策属性D的正域PosF(D)，并判断是否等于PosC(D)

在本实施例的所述步骤3-2的具体步骤包括：

步骤3-2-1：构造离散化故障检测决策表；

步骤3-2-2：计算离散化故障检测决策表中计算条件属性集C对决策属性D的正域，得到该决策属性D对条件属性集C的依赖程度；

步骤3-2-3：依次计算条件属性集C中每个条件属性Ci对决策属性D的正域；

步骤3-2-4：选择正域最大的条件属性Ci并入故障检测特征子集F，直到故障特征集F对决策属性D的正域与条件属性集C对决策属性D的正域相等；

步骤3-2-5：输出最小故障检测特征子集。

步骤3-3：采用训练样本集和测试样本集训练并测试RBF神经网络，进行智能故障检测。

在本实施例的所述步骤3-3的具体步骤包括：

步骤3-3-1：根据步骤3-2粗糙集数据处理得到最小故障检测特征子集确定神经网络的初始拓扑结构；

步骤3-3-2：利用最小故障检测特征相应的训练样本集训练该网络，建立故障特征与故障之间的映射关系；

步骤3-3-3：利用测试样本集对RBF神经网络进行测试，最后得到检测结果。

步骤4：确定故障类型的检测结果。

WSN的故障征兆具有多样性和相关性，而根据故障征兆得出故障类型的决策过程具有模糊性和不确定性。RBF神经网络虽然具有自学习容错及抗干扰能力，但它不能确定数据中哪些信息是冗余的，哪些信息是有用的及其作用大小。此外，过量的冗余数据易造成神经网络训练过度。粗糙集有数据约简、不需要先验信息等优点，但是它对噪声敏感，抗干扰能力差。我们提出将改进的粗糙集和RBF神经网络集成的WSN节点故障检测方法。粗糙集是RBF神经网络的前端处理系统，用以对故障样本进行预处理，从而简化网络结构。RBF神经网络通过训练样本自学习，智能的诊检测WSN的各种定性故障，如图4示，诊断结果输出大于某阈值时，相应故障出现。

实施例2：

本实施例2的目的是提供一种计算机可读存储介质。

为了实现上述目的，本发明采用如下一种技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备设备的处理器加载并执行以下处理：

步骤1：接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

步骤3：将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合步骤2获得简化的故障检测决策表，输入神经网络进行智能故障检测；

步骤4：确定故障类型的检测结果，并上传至监控中心。

实施例3：

本实施例3的目的是提供一种终端设备。

为了实现上述目的，本发明采用如下一种技术方案：

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下处理：

步骤1：接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；

步骤2：接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；

步骤3：将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合步骤2获得简化的故障检测决策表，输入神经网络进行智能故障检测；

步骤4：确定故障类型的检测结果，并上传至监控中心。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。

应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

实施例4：

本实施例4目的是提供一种无线传感器网络故障检测系统。

为了实现上述目的，本发明采用如下一种技术方案：

一种无线传感器网络故障检测系统，该系统包括：

子节点，用于上传故障检测信息；

汇聚节点，用于接收子节点的故障检测信息，并进行预处理得到原始故障检测样本；接收与故障检测相关信息要素，并根据故障检测信息要素分析故障征兆、故障类型及其判断策略；将原始故障检测样本采用粗糙集法进行简化和提取处理消除冗余信息，并结合上一步骤的数据获得简化的故障检测决策表，输入神经网络进行智能故障检测；确定故障类型的检测结果，并上传至监控中心；

监控中心，用于接收检测结果，实现无线传感器网络的实时故障检测。

在本实施例4中以WSN某液体液位监测应用为例，如图5示。假设包括N个立式液罐，每个液罐上安装一个低功耗无线磁致可伸缩传感器节点，网络拓扑为树形结构，其中汇聚节点是现场子节点和监控中心的桥梁。子节点每n秒向汇聚节点传送一个包含有液位信息的数据包，然后由汇聚节点上传至监控中心，从而实现所有液罐液位的实时监测。

采用集中式故障诊断方法，汇聚节点每秒判断一次子节点的剩余能量是否低于设定值(若低于，需更换电池或为电池充电)，子节点是否定期有信号返回。若连续几个周期(此时间可根据实际情况设定，这里设为3)子节点都没有传回一个包含有液位信息的数据包，则汇聚节点主动发出询问命令进一步判断子节点的情况。另外，还可以在汇聚节点上对子节点传回的数据进行相关分析处理，如计算一段时间内传感数据的标准差，若标准差为0或接近于0，表明液位信息一直不变；若标准差高于设定值，表明液位信息存在扰动或干扰。汇聚节点实时获取上述各种定性和定量故障征兆，自适应启动故障检测程序在线检测子节点的故障类型。

①WSN节点故障特征

设液位WSN监测应用系统的子节点故障检测决策表系统S＝(U,C∪D)，U＝{x1,x2,...,xn}为论域，对应被检测节点对象集；子集C＝{ci}(i＝1,2,...,n)称为条件属性集，对应子节点故障征兆属性集，D＝{d}称为决策属性集，对应子节点故障类型；ci^j是被检测节点xj在故障征兆属性ci上的取值(0或1)。结合液位WSN监测系统的特点和运行方式，由汇聚节点在运行过程中实时获得子节点的运行状态，建立WSN节点故障征兆及其对应属性值表3(参考表2)。属性值取0，表示正常；属性值取1，表示相应故障征兆出现。

通常一个典型的WSN节点的每一种故障总伴随着众多故障征兆，而每一种故障征兆也可能对应着不止一个故障类型，所以从系统级的角度出发，建立如表3(参考表2)所示的WSN节点故障征兆及其对应属性值和表4所示的WSN的节点故障类型及其相应征兆表。

表3 WSN节点故障征兆及对应属性值

表4 WSN的节点故障类型及其相应征兆

②样本决策表的建立与约简

根据表3和表4，不同故障对应不同的故障征兆属性(即不同故障在相同征兆属性上的取值不同)可以建立一个WSN的节点故障样本决策表，如表5所示。

表5 WSN的节点故障检测决策表

调用基于粗糙集理论的改进归纳属性约简算法对决策表进行约简处理，获得相对最小条件属性约简{c4，c5，c6，c7，c8}，经过分析处理后，在保持与原决策表相同分类能力的情况下，除去冗余条件属性，使原决策表变得更加简洁。约简后的故障决策表如表6所示。

表6约简后的WSN的节点故障检测决策表

按照本方法(检测过程见图1和图3)将约简前的数据(见表5)和约简后的数据(见表6)构造常规RBF神经网络，扩展常数取1.8，输入神经元数为8，隐层节点数取6，输出层神经元数为5，构成8-6-5的网络结构。网络的故障判别阈值取0.5，网络输出高于0.5则表明故障出现，反之正常。

分析表明，本故障检测方法可表征WSN节点故障特征信息的内在冗余性，并能准确快速地解决具有显著不确定性的WSN节点的在线故障检测。在获得的信息不完整或部分信息有误的情况下，也能给出WSN节点的合理故障检测，提高了故障检测的鲁棒性，增强了能量有限的WSN的实用性，与同类方法比较有较满意的故障检测结果。

本发明的有益效果：

1、本发明所述的一种无线传感器网络故障检测方法、装置及系统，基于粗糙集理论尤其是在数据约简方面的算法，易于实现在WSN节点能量有限的前提下进行集中式在线故障诊断，所以利用Rough Sets理论化简样本及条件属性，简化了神经网络结构，提高了系统的诊断速度。

2、本发明所述的一种无线传感器网络故障检测方法、装置及系统，在WSN智能故障检测过程中，故障特征提取可以加速学习和故障分类过程，减小故障分类代价，提高故障分类质量。对条件属性约简求核，较好地消除了样本中噪声数据的干扰，提高了系统的准确率。在基于Rough Sets的故障检测过程中，故障特征的提取被转化为求取约简。约简实质上是在N个条件属性中找出M个(M＜N)条件属性，使得这M个条件属性对故障对象的分类能力与原来的N个条件属性相同。

3、本发明所述的一种无线传感器网络故障检测方法、装置及系统，条件属性项大大减少使得系统工作成本降低，诊断速度加快，实时性增强。

4、本发明所述的一种无线传感器网络故障检测方法、装置及系统，良好的容错性和扩展性，有效地消除故障检测中的误报和漏报现象影响。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。