關鍵信息冗余監測技術在智能泵站中的應用

李記恒，孫寶璽，楊浩楠

（1.北京市南水北調團城湖管理處，北京 100195；2.北京工業大學，北京 100084）

智能泵站建設是一次利用信息技術對傳統泵站行業的改造和提升，其利用信息化、智能化技術，實現泵站的自動化和少人化運行，以節約人力成本和運行成本，提升泵站的運行管理水平[1]。在智能泵站的運行過程中，由于環境影響和設備穩定性等原因，會導致泵站某些環節的監測數據產生異常或錯誤，如果異常情況不能被及時發現和排除，將導致泵站自動化系統基于錯誤的數據進行控制和執行，進而產生更加嚴重和不可接受的后果。因此，在泵站運行自動化和少人化的趨勢下，智能泵站對信息監測環節可靠性的要求較傳統泵站大幅提升[2-3]。

出于對智能泵站關鍵參數監測穩定性和可靠性的考慮，在智能泵站建設過程中，常常對重要環節的關鍵參數采取冗余監測措施，采用多種監測手段對同一個參數進行重復監測，通過不同監測手段和不同類型傳感器特性的互補，保證監測信息的準確、可靠。

在采用冗余監測的機制下，如何利用多種傳感器協同工作，及時甄別異常信息，以及如何在正常情況下，對多種傳感器產生的數據進行融合，是需要解決的關鍵技術問題。

近年來，針對關鍵信息的冗余監測問題，各領域學者展開了廣泛的研究，在不同應用場景取得了一定成果。王勇等[4]針對滑坡位移自動化監測的問題，采用卡爾曼濾波加最小二乘法進行多源數據融合，得到滑坡位移的預測曲線，提高預警的準確率。喻凌峰[5]針對隧道火災監測報警的問題，先采用多傳感器對隧道火災進行數據采集，通過相關性函數對傳感器支持度較低的數據進行刪除，通過最小二乘法在中間站對來自同類傳感器的多源數據進行局部融合，再利用D-S 證據論算法將局部最優融合數據進行全局融合，判斷當前隧道內火災的發生情況。郭華真[6]詳細闡述了卡爾曼濾波算法，結合各子系統的信息特征，設計了基于聯邦卡爾曼算法的INS/ODO/Beacon 組合定位融合系統，在對系統的硬件以及軟件進行模塊化的測試后，建立相應的運動模型，對實驗系統進行整體的測試與驗證，實驗結果表明該組合方式以及算法設計能有效地降低定位誤差，提高列車定位的精確度，并且有良好的容錯性能，提高定位系統的可靠性。樊澤園[7]提出在輪軸速度傳感器的基礎上引入雷達、GPS 進行組合測速，對輪軸速度傳感器進行誤差修正后，再與其他測速信息基于模糊自適應聯合卡爾曼濾波算法進行融合，利用Fuzzy綜合評判法實現信息分配系數的動態調整并進行協方差成形自適應濾波，從而提高整個測速系統的融合精度、容錯性及可靠性，能夠保證統計特征變化情況下的系統融合效果，且測速融合方案能夠獲得比各單一傳感器都好的測速精度，能夠滿足列控系統的要求。李少年等[8]針對傳統溫室采集精度不高、布線復雜、能耗大等問題，研究了一種基于改進卡爾曼數據融合算法的溫室物聯網采集系統，運用羅曼諾夫斯基準則對采集的數據進行預處理后，再使用卡爾曼濾波算法在協調器節點處對數據進行靜態融合。實驗結果表明，使用改進卡爾曼數據融合算法處理后的數據更加接近環境真實值，可以有效地提高數據采集的精度和系統的穩定性。禚紅旺[9]提出了一種改進的平方根無跡卡爾曼濾波算法，該算法通過擴展狀態向量方法將部分系統噪聲列為狀態變量，然后計算噪聲sigma 點進行UT 變換，從而降低噪聲對狀態估計的影響，設計了實驗對無跡卡爾曼濾波和改進算法進行了性能比較，實驗結果表明改進算法有效降低了噪聲對數據融合的影響。同時也提出了一種姿態解算的新方法，即協方差交叉融合AR 卡爾曼濾波算法（ARKF-CI），此算法避免了非線性系統的線性化，提高了狀態估計精度，同時根據數據的協方差確定數據來源在融合時的權重，提高了算法的抗干擾能力。但是，截至目前，泵站運行管理中的冗余監測應用案例尚不多見。

本文針對智能泵站建設中的實際需求，通過構建雙因子校驗與數據融合的信息監測框架，實現了對智能泵站關鍵信息的冗余監測，從信息監測環節為智能泵站的可靠運行提供技術保障。

1 系統方案

本文針對智能泵站建設中的實際需求，以密云水庫調蓄工程前柳林泵站智能化改造過程中前后池水位、機組填料函溫度等關鍵參數的監測機制和數據處理流程為例，介紹智能泵站建設所采用的關鍵信息冗余監測方法。

機組的填料函溫度的測量手段包括光柵測溫傳感器和紅外測溫傳感器，光柵測溫傳感器的特點是精度高，但需要接觸式安裝，容易在機組震動的環境中出現接觸不良等異常情況；紅外溫度傳感器特點是可以非接觸安裝，不易受外界環境影響，但測量精度略差。泵站的前后池水位的測量手段包括浮子式水位計或雷達水位計，浮子式水位計的特點是結構簡單，浮子結構需要直接接觸水面，浮子結構易受到環境污染，測量精度略低，雷達水位計的特點是不需要接觸水面，測量精度較高，但容易受外界電磁干擾。

可以看到，不同類型傳感器的特性和性能存在較大差異，存在一定互補，因此，在填料函溫度和前后池水位的測量過程中，可以同時設置多種類型的測量手段，構成對同一參數的雙因子監測，通過不同特性的傳感器因子間相互校驗、相互配合形成冗余監測，保證智能泵站建設過程中關鍵信息監測的穩定、可靠。

上述冗余監測的實現思路是同時布設兩路或多路不同類型的傳感器，對同一個參數環節進行監測，通過對已確認正確的數據進行趨勢分析，估計下一時刻參數最優的估計值；根據傳感器監測數據的統計特性，設定合理的閾值，如果某一路的監測數據超出閾值，則認為該路監測信息出現異常；最后通過不同傳感器的測量精度和設備可靠性等指標，對多路數據進行集成融合，形成最終監測的結果數據。

在上述過程中，水位、溫度實時變化，如果需要對傳感器的異常情況進行甄別，需要根據系統運行規律和統計特性，對測量對象在當前時刻合理的取值范圍進行估計；另外，傳感器的監測數據夾雜著大量的測量噪聲，為了實現傳感器異常數據的甄別，需要選取合適的閾值，有效區分測量噪聲和數據異常；最終，對完成異常監測的不同傳感器監測數據進行融合，得到最終監測值。

實現上述方案的核心技術環節包括：監測對象在動態變化過程中，當前時刻估計值的確定、用于區分傳感器正常測量噪聲和異常工作狀態的檢測閾值的確定、以及多個傳感器數據融合方法的確定。流程圖如圖1 所示。

2 實現方法

2.1 基于卡爾曼濾波的預測方法

在雙因子校驗過程中，需要確定參數正確取值作為校驗的基準。由于觀測對象如水位、溫度等參數都處于不斷變化的過程中，因此，需要根據對象的參數值的變化趨勢，預測參數在進行校驗時刻的估計值。計算監測對象估計值通常采用各類濾波方法，本文使用卡爾曼濾波的方法完成監測環節參數值的預測。

卡爾曼濾波[10]（Kalman filtering）是一種使用系統狀態的線性方程通過系統輸入和輸出觀測數據來最佳估計系統狀態的算法。因為觀測數據包括系統中噪聲和干擾的影響，所以最優估計也可以看作是一個濾波過程。數據過濾是一種去除噪聲并恢復真實數據的數據處理技術。當測量方差已知時，卡爾曼濾波可以從具有測量噪聲的一系列數據中估計動態系統的狀態。因為其便于計算機編程，可以實時更新和處理現場收集的數據。傳統的濾波方法只能在有用信號和噪聲具有不同頻率范圍時實現。20 世紀60 年代初，卡爾曼（R.E.Kalman）和布塞（R.S.Bucy）提出了一種新的濾波和預測線性理論，稱為卡爾曼濾波。該特征是基于狀態空間的線性表示來處理輸入和觀測噪聲信號，以獲得系統狀態或實際信號。卡爾曼濾波不需要假設信號和噪聲都是平穩過程。對于系統擾動和每個時刻的觀測誤差（即噪聲），只要對其統計性質作出適當的假設，并對含有噪聲的觀測信號進行處理，就可以得到平均方向上誤差最小的實際信號的估計值。因此，自卡爾曼濾波理論問世以來，已被應用于通信系統、電力系統、航空航天、環境污染控制、工業控制及雷達信號處理等多個部門，并取得了許多成功的應用成果。例如，在圖像處理中，卡爾曼濾波器被應用于恢復由一些噪聲引起的模糊圖像。在假設了噪聲的一些統計性質后，可以使用卡爾曼算法遞歸地獲得模糊圖像的最小均方偏差的實際圖像，從而恢復模糊圖像。

卡爾曼濾波基于最優估計原理，把觀測對象的信號理解為白噪聲作用下的線性系統輸出，以估計值與真實值誤差最小為目標，對觀測對象進行估計。采用卡爾曼濾波可以針對動態變化的監測對象，獲得對象當前時刻最優（最小均方誤差）的估計值，為觀測對象后續的異常值甄別提供依據。

卡爾曼濾波算法的原理為

式中：xk為由觀測對象監測值構成的狀態向量；φk為狀態向量的狀態轉移矩陣；xk-1為前一時刻的狀態向量；yk為當前時刻的觀測向量；Hk為系統的觀測矩陣；Γk為系統噪聲作用矩陣；ωk為系統的過程噪聲；Δk為系統的觀測噪聲。

式中：Rk為觀測噪聲的協方差矩陣；

基于當前時刻狀態向量先驗估計值、估計增益和最新的測量值，計算當前時刻的估計值。

這樣，利用上一時刻的估計值和當前時刻的測量值，可以得到觀測參數在當前時刻的估計值，該估計值相對于真實數據，具有最小的均方誤差，因此可以用該值作為后續異常檢驗的依據。

2.2 基于拉依達準則的判別方法

傳感器在實際的監測過程中，由于自身誤差和安裝狀態、氣溫等環境噪聲，會導致實際觀測值圍繞準確值上下波動，但上述波動是傳感監測過程中的正常情況。在雙因子校驗的過程中，需要采用合適的異常判別準則，確定合理的閾值范圍，將設備損壞等異常情況和正常的數值波動相區分，以便進行有效的異常甄別。

本文基于拉依達準則[11-12]確定異常值檢測閾值。基于統計學原理，若傳感器監測數據只含有隨機誤差，則其檢測數據偏離真實數據的距離服從正態分布。根據正態分布的統計規律，觀測值偏差超出觀測值標準差3 倍的概率小于0.003 6，因此可以認為上述情況是一個小概率事件，如果上述事件發生，則認為觀測值出現異常。

應用拉依達準則，要求樣本數量足夠大（一般要求大于30）。在智能泵站應用場景下，數據體量足夠大且數據總體服從正態分布，故可采用拉依達準則確定異常值檢測閾值。

確定異常值閾值的過程如下。

計算觀測量Xi的樣本平均值

計算Xi的殘差

計算Xi的樣本標準差

根據拉依達準則，正常情況下，出現超出區間（μ-3σ，μ+3σ）的監測數據，是小概率事件，可以認為該監測值出現了異常，應對該數據進行舍棄。

由于本文采用的是雙因子校驗體系，所以通過拉依達準則判別方法之后的輸出會有3 種情況：雙因子的最優估計值都正確，輸出2 個值；只有單因子的最優估計值正確，輸出1 個值；雙因子的最優估計值都異常，無輸出值。

2.3 基于權重分配的數據融合方法

通過2.1 和2.2 小節對數據進行卡爾曼濾波和異常值甄別處理后，可以得到準確的雙因子觀測值，最后，需要對得到的2 種不同的監測值進行數據融合，得到最終觀測值。

在很多文獻中，已經提出了一些有效的融合方法[13-14]，但神經網絡、貝葉斯決策等融合技術需要大量數據集進行建模，存在在線應用的局限性[15-16]。基于權重分配的融合方法簡單實用，精度滿足要求，并且比較適合強實時應用場景，因此本文采用加權數據融合。若雙因子監測均工作正常，則權重值可以根據2 類監測手段的精度，按照精度比的倒數設置權重比例，確定2 類監測手段對最終監測結果數值影響的大小，最終通過加權平均，完成2 類監測手段的監測結果的融合。

針對2.2 小節介紹的3 種雙因子輸出情況，權重分配也需要分為3 種情況進行討論：若輸出2 個值，分別給它們分配權重a 和b，初始值均為1，然后采用基于置信度的方法來適當調整權重的大小，可以考慮各因子最優估計值方差的大小、設備精度等因素來進行適當調整，最終通過加權平均，得出最終的最優估計值，即關鍵信息最終的一個估計值；若輸出一個值，這時候就無需分配權重，由這個值作為最終的最優估計值；若無輸出值，則舍棄該點數據。

3 結束語

基于卡爾曼濾波和拉依達準則的冗余監測方法體系，具有如下優點：各環節含義清晰，容易進行針對性的參數調整；算法計算量小，實現簡單，不需要過高的算力支撐，容易在工業場景實現；算法結構開放，可較好地適應雙因子、多因子等不同的冗余監測應用。

該方法在前柳林泵站的智能化建設中，在機組填料函溫度監測和前后池水位監測等場景中，均取得了較好的應用效果，為其他類型的智慧化工控系統提供了有益的技術參考方案。