CN102802182B - 一种无线传感器网络故障诊断装置及方法 - Google Patents

Abstract

本发明公开一种无线传感器网络故障诊断装置及方法，包括诊断触发单元、融合树构建单元、诊断证据生成单元、诊断证据融合单元以及故障诊断单元。针对不同的故障类型，自动建立相应的融合树，然后在局部问题区域进行故障的融合诊断。与传统的无线传感器网络故障诊断方法相比，本发明解决了传统无线传感器网络故障诊断方法存在的诊断开销大,诊断不实时以及局部问题区域的状态获取不准确等问题，实现了无线传感器网络故障的局部实时诊断，而且诊断速度快，诊断精度高，具有良好的可扩展性。

Description

一种无线传感器网络故障诊断装置及方法

技术领域

本发明涉及无线传感器网络领域，尤其涉及一种无线传感器网络故障诊断装置及方法。

背景技术

随着通信技术、传感器技术及嵌入式计算技术的快速发展和日益成熟，无线传感器网络被广泛应用在环境监测、煤矿事故检测、危险境地导航、交通流量监控等诸多与国计民生有着重大联系的场景中。由于当前科技水平以及制造工艺的限制，传感器节点（简称节点）的软件与硬件通常并不能完美地契合进行工作，普遍具有易出错的特征。同时，由于节点间采用无线信号进行数据传输，多径（multi-path）、干扰（interference）等因素进一步增加了无线传感器网络的不稳定性：障碍物的出现会削弱无线信号，导致节点之间瞬时或者永久的失去连接；而且多个节点同时通信会导致对信道的使用出现竞争，最终只有一个节点能成功抢占信道进行数据发送。

为了增强无线传感器网络的可用性，同时提升无线传感器网络的可靠性，许多研究机构都展开了无线传感器网络故障诊断技术的研究，用以检验网络故障和定位网络中的故障节点。传统的无线传感器网络故障诊断技术可分为两类。第一类是软件纠错技术。典型的方法是在节点程序的源代码层构建类似于GDB的调试工具，通过断点执行、变量观察、堆栈访问等接口进行代码纠错，其中，GDB是GNU开源组织发布的一个强大的UNIX下的程序调试工具，UNIX是一种广泛使用的商业操作***的名称。这类方法可以判断程序的逻辑错误，但是不能识别通信链路受阻、节点功能紊乱等无线传感器网络中的故障。第二类技术是通过收集无线传感器网络中的相关信息进行深层次的数据分析，诊断无线传感器网络故障。这类方法能够很好的识别无线传感器网络的出错状况，但是通常需要深厚的领域知识。以加州大学洛杉矶分校的研究人员提出的基于规则的诊断方法为例，基站首先会主动收集无线传感器网络中各节点的邻居节点以及下一条节点等的信息，然后参照以此建立的决策树模型，分析结果，从而迅速定位无线传感器网络中存在故障和故障根源。但是，这类方法带来的诊断开销大，而且决策树等统计模型的建立严重依赖于研究人员对无线传感器网络的实际运行经验以及对无线传感器网络故障的理解程度，因而不具有较强的可扩展性。换言之，一个对无线传感器网络不熟悉的人员或者一个未曾出现过的网络错误都有可能导致这类方法失效。

由上述分析可知，传统的无线传感器网络故障诊断技术在很大程度上依赖于设计人员对于无线传感器网络的领域知识和实际运行的经验，使得目前的诊断工具具有显著的局限性。事实上，由于无线传感器网络的自组互联、远程部署、环境复杂、大规模等特性，管理维护人员很难对无线传感器网络内部可能出现的故障原因、影响等有全面的了解，尤其是出现在多点交互过程中的故障和错误更加难于检测。随着无线传感器网络的不断发展和应用类型的不断增加，传统的无线传感器网络故障诊断技术的可扩展性面临着严峻的挑战。

发明内容

针对上述技术问题，本发明的目的在于提供一种无线传感器网络故障诊断装置及方法，其解决了传统无线传感器网络故障诊断方法存在的诊断开销大以及局部问题区域的状态获取不准确等问题，实现了无线传感器网络故障的局部诊断，具有良好的可扩展性。

为达此目的，本发明采用以下技术方案：

一种无线传感器网络故障诊断装置，该诊断装置安装于无线传感器网络的每个节点中，包括：

诊断触发单元，用于分析该诊断装置所在节点的状态信息，并根据分析结果，判断是否生成诊断进程；

融合树构建单元，用于在诊断触发单元生成诊断进程时，根据该诊断进程对应的故障类型构建融合树；

诊断证据生成单元，用于将该诊断装置所在节点的状态信息与概率相关联，生成所述节点预设故障类型的概率赋值即诊断证据；

诊断证据融合单元，用于接收所述融合树中该诊断装置所在节点的所有子节点输入的诊断证据，并将其与该诊断装置所在节点自身的诊断证据进行融合；

故障诊断单元，用于根据所述诊断证据融合单元的诊断证据融合结果，判断所述诊断进程对应的故障是否存在。

特别地，所述融合树构建单元包括：

诊断请求信号发送单元，用于在无线传感器网络中广播诊断请求信号，当无线传感器网络中没有诊断请求信号传播时，表示融合树构建完成；其中，所述诊断请求信号包含与故障类型对应的诊断范围和发送该诊断请求信号的节点的身份标识号（ID）；

诊断请求信号响应单元，用于接收输入该诊断装置所在节点的诊断请求信号，并从该诊断请求信号中解析出诊断范围，根据所述诊断范围判断该节点是否属于要建立的融合树；若判断结果为是，则将发送所述诊断请求信号的节点作为自己的父节点，提取其身份标识号，并通知诊断请求信号发送单元继续广播诊断请求信号。

特别地，所述诊断证据融合单元包括：

诊断证据接收单元，用于接收该诊断装置所在节点的子节点列表中所有子节点输入的诊断证据；

融合运算单元，用于将诊断证据接收单元接收的诊断证据和该诊断装置所在节点自身的诊断证据进行融合；

诊断证据发送单元，用于在诊断证据接收单元没有收到所述子节点列表中某一子节点的诊断证据时，通知该子节点重传诊断证据，以及将融合运算单元融合后的诊断证据发送给该诊断装置所在节点的父节点。

本发明还公开了一种无线传感器网络故障诊断方法，该无线传感器网络的每个节点均安装有上述无线传感器网络故障诊断装置，包括如下步骤：

A、诊断触发单元分析其所在节点的状态信息，并根据分析结果，判断是否生成诊断进程；

B、当某一节点的诊断触发单元生成诊断进程时，该节点的融合树构建单元根据该诊断进程对应的故障类型构建融合树，其中，所述节点即为融合树的根节点；

C、融合树的叶子节点通过其诊断证据生成单元将自身的状态信息与概率相关联，生成预设故障类型的概率赋值即诊断证据，并将所述诊断证据传入父节点；

D、所述父节点的诊断证据融合单元将所述叶子节点输入的诊断证据与自身的诊断证据进行融合，并将融合后的诊断证据传入父节点列表中的节点；

E、所述父节点列表中的节点的诊断证据融合单元将收到的所述融合后的诊断证据与自身的诊断证据进行融合，并将融合后的诊断证据传入该节点的父节点列表中的节点；

F、重复执行步骤E，最终，所述根节点的故障诊断单元根据诊断证据融合单元的诊断证据融合结果，判断所述诊断进程对应的故障是否存在。

特别地，所述步骤B中所述该节点的融合树构建单元根据该诊断进程对应的故障类型构建融合树，具体包括：

B1、根节点的诊断请求信号发送单元在无线传感器网络中广播诊断请求信号；其中，所述诊断请求信号包含与故障类型对应的诊断范围、根节点的身份标识号以及由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集；

B2、除根节点之外的其它节点的诊断请求信号响应单元接收到所述诊断请求信号后，从该诊断请求信号中解析出诊断范围，并根据所述诊断范围，判断该节点是否属于要建立的融合树；

B3、当步骤B2的判断结果为是时，节点从诊断请求信号提取根节点的身份识别号和所述标准集，将根节点作为自己的父节点，并将自身的身份识别号***所述诊断请求信号中得到新的诊断请求信号，通过诊断请求信号发送单元广播所述新的诊断请求信号；

B4、重复执行步骤B2和B3，根节点构建出与故障类型相对应的融合树。

特别地，所述步骤C具体包括：

C1、融合树中所有子节点列表为空的节点通过诊断请求信号发送单元向邻居节点发送叶子请求信号，确认是否为融合树的叶子节点，如果发送叶子请求信号的节点的诊断请求信号响应单元没有收到回应信号，说明该节点是融合树的叶子节点；如果发送叶子请求信号的节点收到回应信号，说明该节点不是融合树的叶子节点，则该节点将发送所述回应信号的节点作为自己的子节点，更新自己的子节点列表；

C2、融合树的叶子节点的诊断证据生成单元利用朴素贝叶斯分类器将自身的状态信息与概率相关联，计算出预设故障类型的概率赋值即诊断证据；计算过程如下：

$P\left(R\right|F_1,F_2,...F_n)=\frac{1}{P(F_1,F_2,...F_n)}P\left(R\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(F_i\right|R)$

其中，R为预设的故障类型R₀，R₁，R₂...R_n的任一种，R₀表示无异常，(F₁,F₂,...F_n)为数据参量F₁，F₂...F_n的集合即节点的状态信息，P(F₁,F₂,...F_n)为换算系数，P(R)为在训练阶段估计出故障发生的概率，P(F_i|R)（i取1,2...n）为训练阶段估计出的在故障发生的情况下状态信息的数据参量F_i存在的概率，P(R|F₁,F₂,...F_n)为状态信息对应的各种类型的故障的发生概率即诊断证据，也称为基本信任分配函数m(R)；这样一来，节点N_k的诊断证据记为m_k(R_j)，简单记为m_k，并且∑_0≤j≤nm_k(R_j)＝1；

C3、所述叶子节点的诊断证据生成单元利用步骤C2中获得的诊断证据m_k和所述由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集S，根据公式（G1）、（G2）及（G3）计算出诊断证据m_k的基本信任度β_k，并根据基本信任度β_k由公式（G4）和（G5）对诊断证据m_k进行加权处理，计算出诊断证据m_k的加权诊断证据m′_k(R_j)，简单记为m′_k；

$d(m_k,m_l)=\sqrt{\frac{1}{2}{(M_k-M_l)}^T(M_k-M_l)}---\left(G1\right)$

S(m_k,m_l)＝1-d(m_k,m_l)    （G2）

${\mathrm{\β}}_k={\mathrm{\Σ}}_{m_l\∈S,m_k\≠m_l}S(m_k,m_l)---\left(G3\right)$

$m_k^{\′}\left(R_u\right)=\frac{{\mathrm{\β}}_k{m}_k\left(R_u\right)}{p},\∀1\≤u\≤n---\left(G4\right)$

$m_k^{\′}\left(R_0\right)=\frac{{\mathrm{\β}}_k{m}_k\left(R_0\right)}{p}+(1-\frac{{\mathrm{\β}}_k}{p})---\left(G5\right)$

其中，d(m_k,m_l)为诊断证据m_k与m_l的距离，m_l为所述标准集S中任意一个诊断证据，M_k＝[m_k(R₀),m_k(R₁),...m_k(R_n)]^T，0≤d(m_k,m_l)≤1；S(m_k,m_l)为诊断证据m_k与m_l的相似度；p为标准集S中诊断证据的数量；

C4、所述叶子节点的诊断证据生成单元将步骤C3中计算出的加权诊断证据m′_k通过诊断证据发送单元发送给该叶子节点的父节点。

特别地，所述步骤C2还包括：

当融合树的叶子节点的诊断证据生成单元利用朴素贝叶斯分类器生成诊断证据m(R)后，判断融合树中包含节点的数量是否达到预设阈值，若达到，则所述叶子节点的诊断证据生成单元执行步骤C3，若没达到，则所述叶子节点的诊断证据生成单元不执行步骤C3，直接执行步骤C4,将诊断证据m(R)过诊断证据发送单元发送给该叶子节点的父节点。

特别地，所述步骤D具体包括：

D1、步骤C4中所述父节点的诊断证据接收单元接收叶子节点输入的加权诊断证据m′_k；

D2、所述父节点的诊断证据发送单元在没有收到子节点列表中某一子节点的加权诊断证据时，通知该子节点重传加权诊断证据；

D3、所述父节点的诊断证据生成单元与叶子节点的诊断证据生成单元执行相同的操作：利用所述由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集S将自身的诊断证据进行处理，获得加权诊断证据m′_q；

D3、所述父节点的融合运算单元根据公式（G6）将加权诊断证据m′_k和加权诊断证据m′_q进行融合，获得融合诊断证据m′_kq；

其中，预设的故障类型R₀，R₁，R₂...R_n构成的集合称为识别框架，记为Θ，融合树中每个节点的识别框架相同，Θ的所有子集组成的集合称为Θ的幂集，记作2^Θ；X_i，Y，Z∈2^Θ；

D4、所述父节点的诊断证据发送单元将融合运算单元输入的融合诊断证据m′_kq传入父节点列表中的节点。

特别地，所述步骤E中所述自身的诊断证据是诊断证据生成单元生成的加权诊断证据。

特别地，所述步骤F中，融合树的根节点和其子节点的融合运算单元将其加入所述标准集中的诊断证据与接收到的融合诊断证据直接进行融合。

本发明针对不同的故障类型，自动建立相应的融合树，然后在局部问题区域进行故障的融合诊断。与传统的无线传感器网络故障诊断方法相比，本发明仅需要融合树中节点的信息就能完成网络故障的实时诊断，有效降低了诊断开销，并且诊断速度快，诊断精度高。

附图说明

图1为本发明实施例提供的无线传感器网络故障诊断装置框图；

图2为本发明实施例提供的无线传感器网络故障诊断方法流程图；

图3为本发明实施例提供的步骤S102的具体流程图；

图4为本发明实施例提供的步骤S103的具体流程图；

图5为本发明实施例提供的步骤S104的具体流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步说明。

请参照图1所示，本实施例中无线传感器网络故障诊断装置包括：诊断触发单元101、融合树构建单元102、诊断证据生成单元103、诊断证据融合单元104以及故障诊断单元105。所述融合树构建单元102包括诊断请求信号发送单元1021和诊断请求信号响应单元1022。所述诊断证据生成单元103包括诊断证据发送单元1031、融合运算单元1032以及诊断证据接收单元1033。

所述诊断触发单元101用于分析该诊断装置所在节点的状态信息，并根据分析结果，判断是否生成诊断进程。

以诊断无线传感器网络中的节点失效故障为例。比如，某一个节点node1一直在其邻居节点node2的邻居列表内，在某个时刻，节点node1忽然从节点node2的邻居列表内被删除了，则节点node2的诊断触发单元101侦测到邻居表的这一状态信息后，开始计算该状态信息（即邻居表内节点A被删除）持续的时间，如果持续时间超过预设值例如20分钟，则将生成一个诊断进程，以诊断节点node1是否失效，如果持续时间没有超过预设值，则不生成诊断进程。其中，预设值可以根据需要灵活调整。

所述融合树构建单元102用于在诊断触发单元101生成诊断进程时，根据该诊断进程对应的故障类型构建融合树。

诊断触发单元101生成的诊断进程都是与不同类型的故障相对应的，融合树构建单元102为每一种故障类型都建立有一个对应的融合树。例如，我们想知道一个节点是否失效，那么我们可以利用其邻居的诊断信息来推断，此时建立的融合树由该节点的所有邻居节点构成，再如我们想判断无线传感器网络中是否存在路由回路，那么我们就应该访问正在传输某个相关包的路径上的所有节点，此时建立的融合树由所述路径上的所有节点构成。当诊断触发单元101生成的诊断进程时，融合树构建单元102根据该诊断进程对应的故障类型建立相应的融合树。

在建立融合树的过程中，所述诊断请求信号发送单元1021用于在无线传感器网络中广播诊断请求信号（DREQ），当无线传感器网络中没有诊断请求信号传播时，表示融合树构建完成；其中，所述诊断请求信号包含与故障类型对应的诊断范围和发送该诊断请求信号的节点的身份标识号（ID）。

所述诊断请求信号响应单元1022用于接收输入该诊断装置所在节点的诊断请求信号，并从该诊断请求信号中解析出诊断范围，根据所述诊断范围判断该节点是否属于要建立的融合树；若判断结果为是，则将发送所述诊断请求信号的节点作为自己的父节点，提取其身份标识号，并通知诊断请求信号发送单元1021继续广播诊断请求信号。

所述诊断证据生成单元103用于将该诊断装置所在节点的状态信息与概率相关联，生成所述节点预设故障类型的概率赋值即诊断证据。

在本实施例中诊断证据生成单元103通过朴素贝叶斯分类器将该诊断装置所在节点的状态信息与概率相关联，经过一些变换，生成节点预设故障类型的概率赋值即诊断证据。所述预设故障类型的数量可以根据实际需要进行调整。

所述诊断证据融合单元104用于接收所述融合树中该诊断装置所在节点的所有子节点输入的诊断证据，并将其与该诊断装置所在节点自身的诊断证据进行融合。

其中，所述诊断证据接收单元1033用于接收该诊断装置所在节点的子节点列表中所有子节点输入的诊断证据。

所述融合运算单元1032用于将诊断证据接收单元1033接收的诊断证据和该诊断装置所在节点自身的诊断证据进行融合。

所述诊断证据发送单元1031用于在诊断证据接收单元1033没有收到所述子节点列表中某一子节点的诊断证据时，通知该子节点重传诊断证据，以及将融合运算单元1032融合后的诊断证据发送给该诊断装置所在节点的父节点。

所述故障诊断单元105用于根据所述诊断证据融合单元104的诊断证据融合结果，判断所述诊断进程对应的故障是否存在。

需要说明的是，在无线传感器网络的每个节点中均安装有上述无线传感器网络故障诊断装置。

如图2所示，本实施例中无线传感器网络故障诊断方法包括如下步骤：

步骤S201、诊断触发单元101分析其所在节点的状态信息，并根据分析结果，判断是否生成诊断进程。

步骤S202、当某一节点的诊断触发单元101生成诊断进程时，该节点的融合树构建单元102根据该诊断进程对应的故障类型构建融合树，其中，所述节点即为融合树的根节点。

步骤S203、融合树的叶子节点通过其诊断证据生成单元103将自身的状态信息与概率相关联，生成预设故障类型的概率赋值即诊断证据，并将所述诊断证据传入父节点。

步骤S204、所述父节点的诊断证据融合单元104将所述叶子节点输入的诊断证据与自身的诊断证据进行融合，并将融合后的诊断证据传入父节点列表中的节点。

步骤S205、所述父节点列表中的节点的诊断证据融合单元104将收到的所述融合后的诊断证据与自身的诊断证据进行融合，并将融合后的诊断证据传入该节点的父节点列表中的节点。

步骤S206、重复执行步骤S205，最终，所述根节点的故障诊断单元105根据诊断证据融合单元104的诊断证据融合结果，判断所述诊断进程对应的故障是否存在。

如图3所示，融合树建立的具体过程如下：

步骤S2021、根节点的诊断请求信号发送单元1021在无线传感器网络中广播诊断请求信号；其中，所述诊断请求信号包含与故障类型对应的诊断范围、根节点的身份标识号以及由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集。

不同类型的故障对应不同的诊断范围，例如，我们想知道一个节点是否失效，那么我们可以利用其邻居的诊断信息来推断，此时的诊断范围就是该节点的所有邻居节点。

步骤S2022、除根节点之外的其它节点的诊断请求信号响应单元1022接收到所述诊断请求信号后，从该诊断请求信号中解析出诊断范围，并根据所述诊断范围，判断该节点是否属于要建立的融合树。

步骤S2023、当步骤S2022的判断结果为是时，节点从诊断请求信号提取根节点的身份识别号和所述标准集，将根节点作为自己的父节点，并将自身的身份识别号***所述诊断请求信号中得到新的诊断请求信号，通过诊断请求信号发送单元1021广播所述新的诊断请求信号。需要说明的是，为了保证融合树的正常建立，诊断范围内的所有节点只接收一次诊断请求信号，当再次有诊断请求信号传入时，该节点将自动丢弃，而不对其进行解析。

步骤S2024、重复执行步骤S2022和步骤S2023，根节点构建出与故障类型相对应的融合树。

如图4所示，诊断证据的生成及后期变换处理过程如下：

步骤S2031、融合树中所有子节点列表为空的节点通过诊断请求信号发送单元1021向邻居节点发送叶子请求信号（LQUE），确认是否为融合树的叶子节点，如果发送叶子请求信号的节点的诊断请求信号响应单元1022没有收到回应信号，说明该节点是融合树的叶子节点；如果发送叶子请求信号的节点收到回应信号，说明该节点不是融合树的叶子节点，则该节点将发送所述回应信号的节点作为自己的子节点，更新自己的子节点列表。

当子节点列表为空的节点收到邻居节点的回应信号时，说明该邻居节点的父节点列表中有所述子节点列表为空的节点的身份识别号，但是，在建立融合树时，由于数据通讯等方面的问题而导致所述邻居节点并没有加入到其父节点的子节点列表中。

步骤S2032、融合树的叶子节点的诊断证据生成单元103利用朴素贝叶斯分类器将自身的状态信息与概率相关联，计算出预设故障类型的概率赋值即诊断证据；计算过程如下：

$P\left(R\right|F_1,F_2,...F_n)=\frac{1}{P(F_1,F_2,...F_n)}P\left(R\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(F_i\right|R)$

其中，R为预设的故障类型R₀，R₁，R₂...R_n的任一种，R₀表示无异常，(F₁,F₂,...F_n)为数据参量F₁，F₂...F_n的集合即节点的状态信息，P(F₁,F₂,...F_n)为换算系数，P(R)为在训练阶段估计出故障发生的概率，P(F_i|R)（i取1,2...n）为训练阶段估计出的在故障发生的情况下状态信息的数据参量F_i存在的概率，P(R|F₁,F₂,...F_n)为状态信息对应的各种类型的故障的发生概率即诊断证据，也称为基本信任分配函数m(R)；这样一来，节点N_k的诊断证据记为m_k(R_j)，简单记为m_k，并且∑_0≤j≤nm_k(R_j)＝1。

步骤S2033、当融合树的叶子节点的诊断证据生成单元103利用朴素贝叶斯分类器生成诊断证据m(R)后，判断融合树中包含节点的数量是否达到预设阈值。

步骤S2034、当步骤S2033的判断结果为是时，所述叶子节点的诊断证据生成单元103利用步骤S2032中获得的诊断证据m_k和所述由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集S，根据公式（G1）、（G2）及（G3）计算出诊断证据m_k的基本信任度β_k，并根据基本信任度β_k由公式（G4）和（G5）对诊断证据m_k进行加权处理，计算出诊断证据m_k的加权诊断证据m′_k(R_j)，简单记为m′_k；并通过所述叶子节点的诊断证据生成单元103将加权诊断证据m′_k通过诊断证据发送单元1031发送给该叶子节点的父节点；

$d(m_k,m_l)=\sqrt{\frac{1}{2}{(M_k-M_l)}^T(M_k-M_l)}---\left(G1\right)$

S(m_k,m_l)＝1-d(m_k,m_l)    （G2）

${\mathrm{\β}}_k={\mathrm{\Σ}}_{m_l\∈S,m_k\≠m_l}S(m_k,m_l)---\left(G3\right)$

$m_k^{\′}\left(R_u\right)=\frac{{\mathrm{\β}}_k{m}_k\left(R_u\right)}{p},\∀1\≤u\≤n---\left(G4\right)$

$m_k^{\′}\left(R_0\right)=\frac{{\mathrm{\β}}_k{m}_k\left(R_0\right)}{p}+(1-\frac{{\mathrm{\β}}_k}{p})---\left(G5\right)$

其中，d(m_k,m_l)为诊断证据m_k与m_l的距离，m_l为所述标准集S中任意一个诊断证据，M_k＝[m_k(R₀),m_k(R₁),...m_k(R_n)]^T，0≤d(m_k,m_l)≤1；S(m_k,m_l)为诊断证据m_k与m_l的相似度；p为标准集S中诊断证据的数量。

设定阈值的原理：假如融合树中只设计两个诊断证据的m_i和m_j融合，因为s(m_i,m_j)＝s(m_j,m_i)，所以即使其中任何一个诊断证据是不准确的，他们也拥有相同的基本信任度。为了解决这个问题，我们设定一个阈值，只有融合树中节点的数量即诊断数据的数量大于阈值时，我们才对诊断数据进行加权处理。

步骤S2035、当步骤S2033的判断结果为否时，所述叶子节点的诊断证据生成单元103对诊断证据m(R)不进行加权处理，通过诊断证据发送单元1031将其发送给该叶子节点的父节点。

需要说明的是无论诊断证据m(R)是否进行加权处理，诊断证据融合的方法是相同。本实施例中，以诊断证据生成单元103对诊断证据m(R)进行加权处理，获得加权诊断证据m′_k为例。

如图5所示，融合树中诊断证据融合的具体过程如下：

步骤S2041、叶子节点的父节点的诊断证据接收单元1033接收叶子节点输入的加权诊断证据m′_k。

步骤S2042、所述父节点的诊断证据发送单元1031在没有收到子节点列表中某一子节点的加权诊断证据时，通知该子节点重传加权诊断证据。

为了避免诊断证据丢失，融合树的每一个中间节点（除叶子节点之外的节点）需要通过子节点查询请求信号（CQUE）去“提醒”子节点传输数据，这样丢失的信息就可以利用重传机制被收回来。

步骤S2043、所述父节点的融合运算单元1032根据公式（G6）将加权诊断证据m′_k和加权诊断证据m′_q进行融合，获得融合诊断证据m′_kq；

其中，预设的故障类型R₀，R₁，R₂...R_n构成的集合称为识别框架，记为Θ，融合树中每个节点的识别框架相同，Θ的所有子集组成的集合称为Θ的幂集，记作2^Θ；X_i，Y，Z∈2^Θ。

步骤S2044、所述父节点的诊断证据发送单元1031将融合运算单元1032输入的融合诊断证据m′_kq传入父节点列表中的节点。

另外，当融合树的根节点和其子节点的融合运算单元1032进行诊断证据融合时，

因为标准集中的诊断证据的权值均为1，所以这些节点的诊断证据生成单元103不需要对其加入到标准集中的诊断证据进行加权处理，只需将接收到的融合诊断证据与这些节点在标准集中对应的诊断证据直接进行融合即可。

下面对本发明中使用标准集的原理作简单介绍：

公式（G1）、（G2）、（G3）、（G4）以及（G5）为本发明对于D-S证据理论的改进。假设n个诊断证据m₁,m₂...m_n构成的集合为ASS，对于其中任何一个诊断证据m_i（1≤i≤n）的加权处理过程如下：一、由公式（G1）计算出m_i与集合ASS中其它诊断证据的距离d(m_i,m_l)（i≠l）；二、由公式（G2）计算m_i与集合ASS中其它诊断证据的相似度S(m_i,m_l)；三、由公式β_i＝∑_{1≤l≤n,i≠l}S(m_i,m_l)，计算出m_i与集合ASS中其它所有诊断证据的相似度的和；四、m_i与集合ASS中其它所有诊断证据的相似度的和反映了诊断证据之间的相似程度，根据该相似程度选取一些诊断证据作为基础诊断证据，这基础诊断证据构成标准集。但只，这种选取标准集的方法计算耗费太大，数据传输负担重，而且构建融合树的过程中，我们没法得到全部的诊断证据，因此没法对每一个节点的诊断证据都算出它到其他所有节点的诊断证据的相似度，因此我们需要认为的挑选一些节点的诊断证据作为标准集。

一般情况下我们选择融合树的根节点的诊断证据和它的子节点的诊断证据构成的集合作为标准集。这样在建树的时候就可以一层层的把标准集发到融合树的每一个节点上去，因此每一个节点才能利用公式（G4）、（G5）以及（G6）计算出自己诊断证据的基本信任度，由基本信任度得到该诊断证据的权值，最终获得加权诊断证据。并且我们规定标准集中的诊断证据的权值均为1。

我们在一个拥有50个节点的无线传感器网络的测试床上对本发明的功能进行了验证。在故障诊断的准确率方面，我们在测试床中手动加入了三种类型的错误，分别是节点硬件损坏、流量堵塞和路由环。通过和传统无线传感器网络故障诊断技术的比较，本发明能够探测出92%的节点硬件损坏，86%的流量堵塞和95%的路由环故障，平均比传统无线传感器网络故障诊断方法多检测出5%左右的错误。同时，在确定出错的故障当中，平均只有8%的误报率。在故障诊断时间方面，本发明只花了95毫秒用于成功诊断80%的节点硬件损坏，101毫秒用于成功诊断80%的路由环故障，最大也仅占用了110毫秒。对于比较复杂的流量堵塞诊断，本发明平均花了140毫秒。而且本发明均每200毫秒比传统无线传感器网络故障诊断技术少产生了13个信号包，从而对原网络的传输应用产生了更少的影响。

本发明的技术方案针对不同的故障类型，自动建立相应的融合树，然后在局部问题区域进行故障的融合诊断，不仅诊断速度快，诊断精度高，而且具有良好的可扩展性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无线传感器网络故障诊断装置，其特征在于，该诊断装置安装于无线传感器网络的每个节点中，包括：

诊断触发单元，用于分析该诊断装置所在节点的状态信息，并根据分析结果，判断是否生成诊断进程；

融合树构建单元，用于在诊断触发单元生成诊断进程时，根据该诊断进程对应的故障类型构建融合树；

诊断证据生成单元，用于将该诊断装置所在节点的状态信息与概率相关联，生成所述节点预设故障类型的概率赋值即诊断证据；

诊断证据融合单元，用于接收所述融合树中该诊断装置所在节点的所有子节点输入的诊断证据，并将其与该诊断装置所在节点自身的诊断证据进行融合；

故障诊断单元，用于根据所述诊断证据融合单元的诊断证据融合结果，判断所述诊断进程对应的故障是否存在。

2.根据权利要求1所述无线传感器网络故障诊断装置，其特征在于，所述融合树构建单元包括：

诊断请求信号发送单元，用于在无线传感器网络中广播诊断请求信号，当无线传感器网络中没有诊断请求信号传播时，表示融合树构建完成；其中，所述诊断请求信号包含与故障类型对应的诊断范围和发送该诊断请求信号的节点的身份标识号(ID)；

诊断请求信号响应单元，用于接收输入该诊断装置所在节点的诊断请求信号，并从该诊断请求信号中解析出诊断范围，根据所述诊断范围判断该节点是否属于要建立的融合树；若判断结果为是，则将发送所述诊断请求信号的节点作为自己的父节点，提取其身份标识号，并通知诊断请求信号发送单元继续广播诊断请求信号。

3.根据权利要求2所述无线传感器网络故障诊断装置，其特征在于，所述诊断证据融合单元包括：

诊断证据接收单元，用于接收该诊断装置所在节点的子节点列表中所有子节点输入的诊断证据；

融合运算单元，用于将诊断证据接收单元接收的诊断证据和该诊断装置所在节点自身的诊断证据进行融合；

诊断证据发送单元，用于在诊断证据接收单元没有收到所述子节点列表中某一子节点的诊断证据时，通知该子节点重传诊断证据，以及将融合运算单元融合后的诊断证据发送给该诊断装置所在节点的父节点。

4.一种无线传感器网络故障诊断方法，其特征在于，该无线传感器网络的每个节点均安装有如权利要求3所述的无线传感器网络故障诊断装置，包括如下步骤：

A、诊断触发单元分析其所在节点的状态信息，并根据分析结果，判断是否生成诊断进程；

B、当某一节点的诊断触发单元生成诊断进程时，该节点的融合树构建单元根据该诊断进程对应的故障类型构建融合树，其中，所述节点即为融合树的根节点；

C、融合树的叶子节点通过其诊断证据生成单元将自身的状态信息与概率相关联，生成预设故障类型的概率赋值即诊断证据，并将所述诊断证据传入父节点；

D、所述父节点的诊断证据融合单元将所述叶子节点输入的诊断证据与自身的诊断证据进行融合，并将融合后的诊断证据传入父节点列表中的节点；

E、所述父节点列表中的节点的诊断证据融合单元将收到的所述融合后的诊断证据与自身的诊断证据进行融合，并将融合后的诊断证据传入该节点的父节点列表中的节点；

F、重复执行步骤E，最终，所述根节点的故障诊断单元根据诊断证据融合单元的诊断证据融合结果，判断所述诊断进程对应的故障是否存在。

5.根据权利要求4所述的无线传感器网络故障诊断方法，其特征在于，所述步骤B中所述该节点的融合树构建单元根据该诊断进程对应的故障类型构建融合树，具体包括：

B1、根节点的诊断请求信号发送单元在无线传感器网络中广播诊断请求信号；其中，所述诊断请求信号包含与故障类型对应的诊断范围、根节点的身份标识号以及由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集；

B2、除根节点之外的其它节点的诊断请求信号响应单元接收到所述诊断请求信号后，从该诊断请求信号中解析出诊断范围，并根据所述诊断范围，判断该节点是否属于要建立的融合树；

B3、当步骤B2的判断结果为是时，节点从诊断请求信号提取根节点的身份识别号和所述标准集，将根节点作为自己的父节点，并将自身的身份识别号***所述诊断请求信号中得到新的诊断请求信号，通过诊断请求信号发送单元广播所述新的诊断请求信号；

B4、重复执行步骤B2和B3，根节点构建出与故障类型相对应的融合树。

6.根据权利要求5所述的无线传感器网络故障诊断方法，其特征在于，所述步骤C具体包括：

C1、融合树中所有子节点列表为空的节点通过诊断请求信号发送单元向邻居节点发送叶子请求信号，确认是否为融合树的叶子节点，如果发送叶子请求信号的节点的诊断请求信号响应单元没有收到回应信号，说明该节点是融合树的叶子节点；如果发送叶子请求信号的节点收到回应信号，说明该节点不是融合树的叶子节点，则该节点将发送所述回应信号的节点作为自己的子节点，更新自己的子节点列表；

C2、融合树的叶子节点的诊断证据生成单元利用朴素贝叶斯分类器将自身的状态信息与概率相关联，计算出预设故障类型的概率赋值即诊断证据；计算过程如下：

$P\left(R\right|F_1,F_2,...F_n)=\frac{1}{P(F_1,F_2,...F_n)}P\left(R\right)\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(F_i\right|R)$

其中，R为预设的故障类型R₀，R₁，R₂...R_n的任一种，R₀表示无异常，(F₁,F₂,...F_n)为数据参量F₁，F₂...F_n的集合即节点的状态信息，P(F₁,F₂,...F_n)为换算系数，P(R)为在训练阶段估计出故障发生的概率；P(F_i|R)为训练阶段估计出的在故障发生的情况下状态信息的数据参量F_i存在的概率，其中，i取1,2...n；P(R|F₁,F₂,...F_n)为状态信息对应的各种类型的故障的发生概率即诊断证据，也称为基本信任分配函数m(R)；这样一来，节点N_k的诊断证据记为m_k(R_j)，简单记为m_k，并且Σ_0≤j≤nm_k(R_j)＝1；

C3、所述叶子节点的诊断证据生成单元利用步骤C2中获得的诊断证据m_k和所述由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集S，根据公式(G1)、(G2)及(G3)计算出诊断证据m_k的基本信任度β_k，并根据基本信任度β_k由公式(G4)和(G5)对诊断证据m_k进行加权处理，计算出诊断证据m_k的加权诊断证据m′_k(R_j)，简单记为m′_k；

$d(m_k,m_l)=\sqrt{\frac{1}{2}{(M_k-M_l)}^T(M_k-M_l)}---\left(G1\right)$

S(m_k,m_l)＝1-d(m_k,m_l)           (G2)

${\mathrm{\β}}_k={\mathrm{\Σ}}_{m_l\∈S,m_k\≠m_l}S(m_k,m_l)---\left(G3\right)$

$m_k^{\′}\left(R_u\right)=\frac{{\mathrm{\β}}_k{m}_k\left(R_u\right)}{p},\∀1\≤u\≤n---\left(G4\right)$

$m_k^{\′}\left(R_0\right)=\frac{{\mathrm{\β}}_k{m}_k\left(R_0\right)}{p}+(1-\frac{{\mathrm{\β}}_k}{p})---\left(G5\right)$

其中，d(m_k,m_l)为诊断证据m_k与m_l的距离，m_l为所述标准集S中任意一个诊断证据，M_k＝[m_k(R₀),m_k(R₁),...m_k(R_n)]^T，0≤d(m_k,m_l)≤1；S(m_k,m_l)为诊断证据m_k与m_l的相似度；p为标准集S中诊断证据的数量；

C4、所述叶子节点的诊断证据生成单元将步骤C3中计算出的加权诊断证据m′_k通过诊断证据发送单元发送给该叶子节点的父节点。

7.根据权利要求6所述的无线传感器网络故障诊断方法，其特征在于，所述步骤C2还包括：

当融合树的叶子节点的诊断证据生成单元利用朴素贝叶斯分类器生成诊断证据m(R)后，判断融合树中包含节点的数量是否达到预设阈值，若达到，则所述叶子节点的诊断证据生成单元执行步骤C3，若没达到，则所述叶子节点的诊断证据生成单元不执行步骤C3，将诊断证据m(R)通过诊断证据发送单元发送给该叶子节点的父节点。

8.根据权利要求7所述的无线传感器网络故障诊断方法，其特征在于，所述步骤D具体包括：

D1、步骤C4中所述父节点的诊断证据接收单元接收叶子节点输入的加权诊断证据m′_k；

D2、所述父节点的诊断证据发送单元在没有收到子节点列表中某一子节点的加权诊断证据时，通知该子节点重传加权诊断证据；

D3、所述父节点的诊断证据生成单元与叶子节点的诊断证据生成单元执行相同的操作：利用所述由根节点的诊断证据和根节点的子节点的诊断证据构成的标准集S将自身的诊断证据进行处理，获得加权诊断证据m′_q；

D3、所述父节点的融合运算单元根据公式(G6)将加权诊断证据m′_k和加权诊断证据m′_q进行融合，获得融合诊断证据

其中，预设的故障类型R₀，R₁，R₂...R_n构成的集合称为识别框架，记为Θ，融合树中每个节点的识别框架相同，Θ的所有子集组成的集合称为Θ的幂集，记作2^Θ；X_i，Y，Z∈2^Θ；

D4、所述父节点的诊断证据发送单元将融合运算单元输入的融合诊断证据传入父节点列表中的节点。

9.根据权利要求8所述的无线传感器网络故障诊断方法，其特征在于，所述步骤E中所述自身的诊断证据是诊断证据生成单元生成的加权诊断证据。

10.根据权利要求9所述的无线传感器网络故障诊断方法，其特征在于，所述步骤F中，融合树的根节点和其子节点的融合运算单元将其加入所述标准集中的诊断证据与接收到的融合诊断证据直接进行融合。