基于單傳感器的數據確認和故障診斷方法概述及展望

宋 聰

（河南工業和信息化職業學院，河南 焦作 454000）

0 引 言

基于單傳感器（單變量）的方法從單個傳感器的角度考慮數據確認和故障診斷問題，主要包括硬件冗余法、信號分析法及傳感器預測器法等。由于自確認傳感器所采用的方法和目的都具有一定特殊性，因此本文將單列為一類進行介紹。

1 硬件冗余方法

基于單傳感器的硬件冗余方法采用多個同樣的傳感器測量同一個變量，通常采用統計方法從一組冗余的傳感器中估計出被測變量的真實值，比較各個傳感器的測量值與所得到的真實值即可得到一組殘差（殘差向量）。當某個傳感器出現故障時，殘差最大值將出現在其對應的殘差分量上，選擇適當的閾值，可以將具有最大殘差分量的傳感器作為故障傳感器分離出來。冗余度為2的傳感器故障診斷系統中，兩個傳感器同時發生故障的概率也相對較高，所以如果出現冗余傳感器數目少的情況，是無法實現檢測以及分離出傳感器故障的。

基于硬件冗余方法大大增加了成本和變量的維數，通常只應用于核裝置以及其他對安全性要求很高的系統，對于某些特殊場合，如航空器等，硬件冗余法會受到很大應用限制[1]。

2 信號分析方法

通常利用信號模型進行信號分析，對可測信號進行直接分析，以獲得頻率、幅值及偏心率等特征，然后做出故障診斷。目前，信號分析方法的熱點集中在小波以及小波與其他智能技術的結合。適合處理復雜的不確定信息是模糊邏輯理論的特點，對不確定問題進行故障診斷和分析時，它具有類似人類思維的特點，所以廣泛用于傳感器等各種設備的故障檢測。基于信號的方法的優點在于既不需要系統或傳感器的數學模型，也不需要多個數據之間的冗余[2]。但是大多數方法都是針對突變故障的，對于傳感器漸變故障，目前尚沒有突破性的進展。

3 傳感器預測器方法

利用傳感器的工作機理或輸出序列建立傳感器的數學模型（預測器），是傳感器預測器方法的思路。應用過程中，將傳感器輸出與預測器輸出進行比較，若預先設定的閾值小于殘值，說明發生異常，反之說明正常，以達到數據確認或故障檢測的目的。常用的預測器建模方法主要包括神經網絡建模、機理建模、經典時間序列建模及支持向量機建模等。

4 自確認傳感器

20世紀90年代初，牛津大學的Henry和Clarke教授首次提出了自確認（Self Validating）傳感器的概念模型。相比傳統傳感器，自確認傳感器增加了故障診斷單元和輸出數據生成單元。每次具體測量時，自確認傳感器不僅能夠輸出測量值，而且可以定量地評價該測量值的準確度，最終實現傳感器的自確認故障診斷[3]。此類傳感器在控制工程領域被深入研究，并在工廠控制實踐中獲得了廣泛使用。

5 傳感器數據確認與故障診斷方法的擴展與改進

5.1 基于系統模型的數據確認和故障診斷方法

系統模型方法通過系統的各類模型（解析模型和非解析模型）為被監控參數或變量提供冗余。該方法的殘差通過比較測量值和解析模的期望值得到。常用的系統解析模型方法有狀態觀測器方法、等價關系方法及參數估計方法。非解析模型主要包括各類專家系統、貝葉斯信念網絡、統計模型以及人工智能模型等[4]。

許多學者把狀態觀測器法應用于傳感器故障檢測與診斷，狀態觀測器多稱作檢測濾波器。Piercy發展了檢測濾波器技術，認為該類方法的本質都是利用基于模型的濾波器來產生一組殘差，當故障發生時，使用判別函數處理殘差以決定哪個部件發生故障。Rizzoni等人把檢測濾波器應用到汽車引擎的傳感器故障檢測中，研究了基于特征結構配置的設計方法。陳曉平等人提出了利用觀測器技術對多輸入多輸出（MIMO）隨動系統中出現的傳感器或執行器故障以及傳感器與執行器同時發生故障進行故障檢測的方法。馮秀麗等人結合了Beard故障檢測濾波器和輸入未知觀測器，利用輸入未知觀測器產生的殘差對未知輸入（干擾）的魯棒性進行研究，研究了魯棒故障檢測濾波器的方法，并用噴氣式發動機控制系統的傳感器故障仿真實驗進行證實。

5.2 非解析模型方法

非解析系統模模型指的是根據觀測數據，通過一定學習方式為系統建立一種診斷模型，在構建方式上區別于系統物理（機理）模型和解析模型。傳感器數據確認和故障診斷領域中，經常采用的非解析模型（數據模型）主要包括人工神經網絡模型、支持向量機模型、主元分析模型以及核主元分析模型等。

翟永杰等人研究了支持向量機在單變量過程傳感器故障檢測中的應用，其方法是利用回歸型支持向量機良好的非線性映射能力，避開了傳統基于模型的方法在系統建模上的難點，在小樣本情況下也能獲得較好的檢測效果，具有較強的泛化性和魯棒性。鄭水波等學者利用SVM建立了電子穩定程序（Electronic Stability Program，ESP）的傳感器預測模型，獲得了較好的應用效果。SVM在傳感器故障診斷中的應用尚處于起步階段。

梁昔明等人建立了空壓機遠程監控系統傳感器網絡的主元分析模型，分析主元得分圖判斷系統狀態，進而實現故障診斷，取得預期的效果。徐濤在解決液體火箭發動機在試車過程中氫供應系統的關鍵傳感器的故障診斷問題時，利用主元分析方法為幾個重要傳感器建立了主元分析模型，根據平方預報誤差（SPE）對傳感器故障敏感的特點進行傳感器的故障檢測，并且引入傳感器有效度指數（SVI）對故障傳感器進行辨識，從而實現故障分離。Xiao研究了主元分析方法在空調系統傳感器故障診斷中的應用，其主要方法是同時建立了熱平衡和壓力流量平衡的主元分析模型，不僅提高了模型的穩定性，而且增強了故障分離能力[5]。

Cho等學者將KPCA建模方法應用于過程傳感器的故障檢測與分離，證實了KPCA在非線性過程故障診斷方面優于PCA方法。

基于系統解析模型的方法診斷機理清楚，實現簡單，在故障診斷領域始終占據重要地位，仍是今后傳感器故障診斷研究的主要內容；基于系統非解析模型的方法也是發展的一個重要趨勢。由于現代工業系統往往監控變量眾多、工作機理復雜，建立解析（物理）模型在許多情況下是不可行的，因此數據模型方法就顯得極為關鍵，已經成為一個重要的研究內容。

6 結 論

單傳感器的數據確認與故障診斷中，硬件冗余法雖然具有成本高、占用空間等缺陷，但由于檢測原理簡單、運行可靠等優點，目前在一些特殊場合還是必不可少的。自確認傳感器屬于智能傳感器的范疇，也是一個重要的發展方向，對不同類型的傳感器開展自確認技術研究具有較高的實用價值。

基于單傳感器輸出序列預測器的方法獲得了充分研究。基于信號處理的方法無需對象數學模型，且可明顯抑制噪聲，在傳感器故障診斷領域獲得了廣泛研究。