室內WSN性能分析與故障診斷研究.pdf

1、室內WSN作為WSN一個重要分支,得到越來越多的應用。但在網絡長期運行過程中由于節(jié)點本身性能下降和外部環(huán)境影響,使得WSN性能易發(fā)生變化,網絡節(jié)點和鏈路故障也時有發(fā)生。因此,有效監(jiān)控網絡運行狀態(tài)并及時準確對故障的發(fā)生進行診斷,是WSN成功應用亟待解決關鍵問題之一。
　　 課題在對WSN健康狀態(tài)評估和傳感器節(jié)點故障檢測診斷研究基礎上,以教學樓照明無線控制系統(tǒng)為對象,進一步開展室內WSN性能分析與故障診斷研究。主要研究內容為:以CC

2、2430無線單片機、人體紅外傳感器HP-708、照度傳感器TSL230B以及可調光電子鎮(zhèn)流器為基礎研制照明控制節(jié)點和照明檢測節(jié)點,在IAR Embedded Workbench(簡稱EW)環(huán)境中開發(fā)中心節(jié)點和傳感器節(jié)點程序,通過VC++編寫上位機軟件,搭建室內WSN實驗系統(tǒng)；采用系統(tǒng)工程理論對室內WSN運行性能影響因素分類和評估,確定合理的性能指標,運用被動測量法采集網絡運行過程中傳輸的信號強度、網絡時延和丟包率等數據,提出一種基于最小

3、二乘支持向量回歸機(LSSVR)的室內WSN性能綜合評價方法,建立低功耗的基于最小二乘支持向量機的WSN運行質量綜合評價模型；通過主動輪詢和異步告警方式采集室內WSN運行時的鏈路質量信號,運用小波包分析構造出特征向量,利用最小二乘支持向量分類機(LSSVC)對正常狀態(tài)和故障狀態(tài)下的特征向量進行分析,建立系統(tǒng)狀態(tài)與特征向量之間對應的關系模型和WSN鏈路故障診斷預警機制。
　　 試驗表明采用LSSVR進行網絡性能評價的評價結果與實際

4、值相比,相對誤差范圍在0.01％～2％之間,而采用RBF神經網絡進行評價,相對誤差范圍在0.1％～15％之間,相對誤差最大值比RBF神經網絡減少了83.2％,進一步證實在相同條件下,以結構化風險最小化為原則的LSSVR的性能優(yōu)于以經驗風險最小化為原則的神經網絡。采用基于LSSVC和小波包分析相結合的方法進行網絡故障診斷,其診斷處理結果與預期的故障對比,準確率為96.67％,基本能準確診斷網絡中的故障。WSN運行中能及時掌握網絡的運行狀態(tài)