基于神经网络的水产养殖物联网故障诊断系统研究潘彩霞等摘要：针对当前水产养殖物联网存在的故障发生的非线性特点及故障发生易受多种因素影响等问题，提出了一种基于神经网络的故障诊断模型，在该模型构建过程中，首先对水产养殖物联网领域常见的故障类型进行分析，归纳总结了故障模式种类，并制定了故障诊断的评价指标，然后采用神经网络原理构建了水产养殖物联网故障诊断系统。结果表明，该故障诊断系统不但可降低通信负担，而且具有较高的诊断率，能够很好地应用在水产养殖物联网的故障诊断系统中。关键词：神经网络；水产养殖物联网；故障诊断：TP2：A：0439-8114（2015）17-4312-05DOI：10.14088/j.cnki.issn0439-8114.2015.17.054ResearchofFaultDiagnosisSystemforAquacultureNetworkingBasedonNeuralNetwork当前水产养殖物联网的信息化、自动化和智能化技术有效地解决了传统粗放式养殖的弊端，实现了水产养殖过程中的信息实时监测、智能决策、自动控制等功能，提高了养殖的质量和效率[1-4]。随着水产养殖自动化程度的提高，智能控制设备的数量也不断增多，因此出现了设备故障频现的问题。故障诊断一直是国内外的研究热点，但在我国的水产物联网领域关于故障诊断的研究还比较欠缺。目前关于故障诊断的方法研究内容主要包括对节点和网络的诊断，有神经网络法、模型法、相关法、故障树法等。例如，Moustapha等[5]利用神经网络在非线性系统建模和识别上的优越性，建立传感器节点通信数学模型，设定合理的阈值，当实际输出与神经网络输出差值大于某一设定的阈值时，传感器节点发出故障警告信号；张荣标等[6]通过对采集的无线传感器网络实时数据进行预处理，建立时间和空间故障诊断数学模型，当时间序列故障诊断模型发现异常时，再用空间序列故障诊断模型确定故障。除此之外，Chessa等[7]首次提出了一种基于无线传感器网络故障诊断的算法，但存在重复诊断的问题；张劼等[8]对上述算法进行改进，提出了基于比较的簇节点故障诊断算法，簇头节点具有对簇内节点的控制和诊断的权限，该方法解决了网络节点的重复诊断问题，适用规模较大、分簇较多的网络；Rost等[9]提出了一种由传感节点到簇头节点再到汇聚节点的分层故障检测机制，利用父节点对子节点信息的融合和传送，进行逐级处理，可用于大规模分层网络，但因每层都要进行信息处理，能耗太大。虽然上述研究提出了各种不同的故障诊断解决方案，但由于水产养殖物联网领域存在采集的数据受天气或环境的影响较大，故障模型构建困难等问题导致这些方法不能适用。在水产养殖物联网中，水质传感器是固定安装在具体区域，并不能对网络进行自修复；而在实际应用中，考虑到成本问题，传感器并非大量随机部署，往往是将有限的传感器节点布置在固定区域。因此，本研究采用神经网络的方法，构造了一个具有自学习能力的故障诊断系统，该系统可以从历史故障信息中学习，而且在有噪声情况下有效工作，且具有分辨故障原因及类型的能力，可以很好地应用于水产养殖物联网的故障诊断中。1水产养殖物联网的故障分析1.1水产养殖物联网的故障类型根据发生故障的部位，将水产养殖物联网常见的故障分为6个模块，分别为传感器故障模块、采集器故障模块、控制设备故障模块、电源故障模块、通讯故障模块、软件故障模块（表1）。1.2水产养殖物联网故障模式通过对水产养殖物联网故障特点的研究，一般情况下，水产物联网故障模式主要有5种，主要表现在其采集值的变化上，即采集值缺测、采集值为常数、采集值恒增益、采集值恒偏差及数值突变。令f（t）为传感器的实际采集输出值，β0（t）为正常时的输入。1）输出恒定。由于水体污染物的腐蚀，传感器的敏感膜失去作用，此时传感器的输出为一个常数C，此时的故障模式称为常值输出。故障模式为：f（t）=C。输出恒定故障与正常输出的对比如图1所示，其中溶解氧的正常值为5～20mg/L，其余水质参数的故障模式与此类似。2）恒增益。设增益系数为k，则故障模式为：f（t）=Rβ（t）。恒增益的故障模式如图2所示。3）恒偏差。当传感器产生慢漂移时，在某一时间段内（几个小时或数十个小时），传感器输出的数据表现为恒偏差，...