3.2.1统计方法。

统计法通过建立模型，用统计指标对数据进行检验，在不符合检验的情况下，将故障样本标记为故障样本，再根据故障样本的异常度、方差、标准差指数等进行故障分类。Panda和Khilar[28]提出了一种基于3sigma)故障自诊断方法，每一个节点收集一跳邻居节点的数据，然后用3sigma检验来观察自己是否有硬故障或永久故障。该方法利用节点本身进行故障诊断，因此要求节点具有一定的存储和计算能力。这种方法不适用于节点数目较少的情况。Jiang[26]提出一种改进的分布式故障诊断方法。如果邻居节点的数据差异超过了阈值，那么该节点就会被标记为可能失败，并用相同的方法标记网络中的所有节点。再以目标节点初始检测状态为正常的邻接点判断是否有超过阈值，并判定目标节点发生故障。如果目标节点附近没有邻居节点，或者所有邻居节点都被标记为可能发生故障，那么，如果目标节点的初始检测状态是失败的，则该节点被标记为失败。这种方法减少了统计方法对邻居节点的依赖，可以应用于节点稀疏WSNs。但若采用这种方法进行主动诊断，则会带来很大的能耗。为此，Jin等[29]提出一种基于自回归模型和Kuiper检验的无源故障诊断方法。Kuiper检验是基于在特定路径上的一个节点发生故障时，其它结点选择新的路径，并通过Kuiper检验对其进行检测，以判断是否有故障。

多数采用基于目标节点和邻接点之间的差异性来诊断，是一种基于节点的分布式故障诊断方案。如果是在边缘区域，如果邻居节点不能参与计算，或者邻居节点出现故障，则不能保证这种故障诊断方法的正确性。另外，这类方法大部分基于节点进行故障诊断，权衡节点能耗和故障诊断率是另一个难题。因为SIL-IoTs电池可以充电，具有一定的计算和存储能力，所以在节点上部署的统计方法非常适用，尤其是节点的瞬时、间歇等长时间依赖数据进行分析的故障。

3.2.2概率方法

概率法把故障诊断作为一种分类概率模型。等[27]提出了一种基于朴素贝叶斯框架的集中式硬件故障检测方法。通过基台分析采集的端到端时间数据，判断故障概率是否大于正常概率。若为，则判定原始路径有节点故障，再选取最近的多次数据传输数据进行评估。这种方法能在无拥塞网络中有效地监测网络故障，给出可疑故障节点，但是不能检测到边缘区域的节点。Peng和Chow[30]提出了一种用于确定传感器隐藏状态的邻域隐藏随机域方法。该方法利用信号强度和信号延时估计不同的故障后验概率，从而判断WSNs的健康状态。这种方法可以应用于不同的通信环境和节点的数量场景。将工业WSNs中的故障节点识别问题转化成了一种基于WSNs的轨迹提取问题。利用概率模型在线学习，将感知节点分布转变为概率值分布。通过模式匹配和时空约束检测，根据生成的概率值分布轨迹，识别出故障点。

大多数概率法无法识别出故障类型。另外，由于主要采用信号强度、信号延时等参数进行故障诊断，所以很难获得故障节点的数目，只能判断有故障的路径和估计丢失路径节点的情况。部署到结点概率法和统计法相似，更适合于SIL-IoTs的故障诊断，尤其是前期的故障检测和隔离。

3.2.3层次路由法。

层次式路由是把节点分成若干簇，每个簇的簇头节点(ClusterHeadnode,CH)收集簇内节点的信息，通过CH直接上载数据到基站，或者多跳CH把数据上传到基站上传数据的方式[40,41]。基于CH的分层路由故障诊断方法同样可以对簇内成员进行诊断[42]。Jassbi和Moridi[34]使用HybridEnergy-EfficientDistributedclustering混合的、高效率的分布式分层路由方法HEED进行群集，用加权中值法对群内节点进行检测。在CH发生故障时，采用预先选择的簇内备份CH来实现数据传输和故障检测。Moridi等[39]提出了一种基于聚类的多路径故障容错算法，通过在WSNs中将节点划分成若干个备份节点，以改善CH节点的容错性。在簇内传输数据时，采用假设检验和聚类投票的方法检测节点的故障。最终由剩余能量、跳数、传播速度及可靠性等参数选择最佳的传输路径。这种方法能有效地减少丢包率，提高数据的准确性。

分层路由方法比一般节点自诊断法更简单、更有效，在诊断出故障后，也可以通过改变网络路由来保证WSNs的可靠性。而分层路由方法由于CH值的选择，增大了WSNs的通信和能量开销。另外，由于CH仍然根据邻居节点的数据判断目标节点的故障状态，当簇内的多数节点发生错误而产生异常的数据时，正常节点反而会被误诊为故障节点。分层布线方法适合大型SIL-IoTs部署情况，采用分簇方式进行故障诊断，能够快速地检测出节点软、硬故障。另外，分层路由方法也可用于SIL-IoT故障容错方案的设计，保证系统故障时不受影响。

3.2.4机器学习方法。

监控学习方法是机器学习方法在WSNs故障诊断领域的主要应用。监控学习方法是通过大量有标记的历史数据训练模型，利用目标函数对模型参数进行不断调整，直至模型能够进行有效的识别和分类。Zhao等[36]采用半监督学习方法对故障传感器节点进行分类，并引入一种基于局部核密度估计的标记传播机制。该方法考虑到基站采集的数据将会发生丢失，采用半监督核密度估计方法对丢失数据进行分类，对丢失数据进行分类，并构造训练集。Javaid等[37]，根据数据特征将故障分为偏置故障(传感器校准不良)、增益故障(在某一段时间内数据变化速率不一致)，介绍了一种基于信任函数的决策融合算法(数据长时间为0)、超越范围(正常读数但超出正常范围)、对出现这种故障的原因，通过增强SVM、K近邻增强式和增强递归极限型学习机进行组合运算。

由于机器学习方法要求设备具有较高的计算性能，所以多在基站或后台运行，是一种集中式处理方案。虽然这种方法在故障诊断中具有很好的检测率，但是由于其在后台运行的特性，导致无法快速地发现故障并恢复。另外，这种方法依靠大量的数据建模模型，得到了较为准确的分类结果，所以用于间歇、暂时性节点故障。在SIL-IoTs中，可以将机器学习方法部署到基站上，或者在节点上部署轻量级算法，并结合统计方法检测节点间歇性和暂时性故障，利用新数据不断更新模型，对SIL-IoTs的野外环境变化具有较高的容忍度。