应用环境下无线传感器网络故障预测研究

Fault prediction is the key problem of the wireless sensor networks(WSNs) reliability theory. Accurate fault prediction can improve the availability of the WSNs system effectively. It’s perspective for this subject to put forward fault prediction research in the actual application environment. Through analysising the historical data, environment parameters and fault types, we can find out the causes of industrial WSNs fault and establish useful parameters which can be used in WSNs fault prediction. The representation method of states has been put forward for WSNs fault prediction. This method is driven by data and overcomes some disadvantages that consist of shortage of environment quantization and difficulty in determining model in traditional methods. Kernel function design makes the method a good capacity to processing high simentional and nonlinear data. It can predict WSNs fault accurately. Through the forward-looking WSNs research of this actual subject, the method can not only provide powerful support for WSNs industrial application, but also enrich reliability theories of WSNs.

故障预测是无线传感器网络（Wireless Sensor Networks, WSNs）可靠性理论中的关键问题，准确的故障预测能够有效的提升系统的可用性。本课题拟通过对历史数据、环境参数和故障类型分析与研究，找出引起实际应用环境下WSNs故障发生的因素并确定用于WSNs故障预测的参数；提出数据驱动的WSNs故障预测方法——状态表示方法，该方法可克服已有方法中对环境量化不足、模型确定困难等缺点；采用核函数设计使该方法具有高维数据和非线性处理能力，能较准确实现WSNs故障预测。本课题提出的开展实际应用环境下的WSNs故障预测研究具有前瞻性，不仅可以丰富WSNs可靠性理论，同时，也为实际应用环境下的可靠监测提供了有力的理论支撑。

故障预测是无线传感器网络可靠性理论中的关键问题，准确的故障预测能够有效提升WSNs系统的可靠性。本项目以应用环境下的WSNs故障准确预测为研究目标，以烟气污染物排放监测环境下的WSNs为主要研究对象，研究WSNs故障预测关键技术，项目主要研究内容如下：.(1) 应用环境下的WSNs故障研究。分析了工业、农业和海洋等应用环境下的WSNs故障因素，而后针对电厂烟气污染物排放监测环境下的环境恶劣、金属设备对电磁波的遮挡、电磁干扰导致的白噪声、背景噪声等干扰源对带状传感器网络的影响进行了深入分析，并运用NS2软件对无线传感器网络阴影模型进行了仿真实验，实现了在烟气污染物排放监测环境下各干扰源对WSNs数据传输影响的模拟。..(2) WSNs故障参数研究和WSNs故障影响分析。构建了WSNs信道链路、节点状态和环境参数等故障参数研究实验平台，分别对冲击故障、短路故障、偏置故障和电池耗尽等WSNs常见硬件故障参数进行了测试，明确了相关故障参数对WSNs的影响。提出了随时间演进状态转移蒙特卡罗(TEST-MC)网络故障影响仿真模型，进行了仿真实验与分析。结果表明，该模型可对WSNs典型拓扑结构的故障影响快速有效地分析。.(3) 基于核函数的WSNs故障预测研究。选用径向基函数作为核函数，分别从节点硬件故障和网络故障两个方面进行故障预测，并将得到的预测结果与GRNN和PNN两种分类方法的预测结果进行了比较分析。结果表明在节点硬件故障预测中，基于核函数的WSNs故障预测准确率比GRNN、PNN方法分别高15%、20%，在网络故障预测中，本课题提出的算法预测准确率比GRNN、PNN方法分别高12%、17%，提高了WSNs故障预测精度，对WSNs节点硬件故障和网络故障实现了较好地预测。.本课题开展了烟气污染物排放监测环境下WSNs故障预测研究。在考虑环境影响因素基础上，通过数据驱动的故障预测方法研究，在机器学习框架下构建WSNs故障状态表示方法，对WSNs节点硬件故障和网络故障实现了较好地预测。