基于单传感器的数据确认和故障诊断方法概述及展望

宋 聪

（河南工业和信息化职业学院，河南 焦作 454000）

0 引 言

基于单传感器（单变量）的方法从单个传感器的角度考虑数据确认和故障诊断问题，主要包括硬件冗余法、信号分析法及传感器预测器法等。由于自确认传感器所采用的方法和目的都具有一定特殊性，因此本文将单列为一类进行介绍。

1 硬件冗余方法

基于单传感器的硬件冗余方法采用多个同样的传感器测量同一个变量，通常采用统计方法从一组冗余的传感器中估计出被测变量的真实值，比较各个传感器的测量值与所得到的真实值即可得到一组残差（残差向量）。当某个传感器出现故障时，残差最大值将出现在其对应的残差分量上，选择适当的阈值，可以将具有最大残差分量的传感器作为故障传感器分离出来。冗余度为2的传感器故障诊断系统中，两个传感器同时发生故障的概率也相对较高，所以如果出现冗余传感器数目少的情况，是无法实现检测以及分离出传感器故障的。

基于硬件冗余方法大大增加了成本和变量的维数，通常只应用于核装置以及其他对安全性要求很高的系统，对于某些特殊场合，如航空器等，硬件冗余法会受到很大应用限制[1]。

2 信号分析方法

通常利用信号模型进行信号分析，对可测信号进行直接分析，以获得频率、幅值及偏心率等特征，然后做出故障诊断。目前，信号分析方法的热点集中在小波以及小波与其他智能技术的结合。适合处理复杂的不确定信息是模糊逻辑理论的特点，对不确定问题进行故障诊断和分析时，它具有类似人类思维的特点，所以广泛用于传感器等各种设备的故障检测。基于信号的方法的优点在于既不需要系统或传感器的数学模型，也不需要多个数据之间的冗余[2]。但是大多数方法都是针对突变故障的，对于传感器渐变故障，目前尚没有突破性的进展。

3 传感器预测器方法

利用传感器的工作机理或输出序列建立传感器的数学模型（预测器），是传感器预测器方法的思路。应用过程中，将传感器输出与预测器输出进行比较，若预先设定的阈值小于残值，说明发生异常，反之说明正常，以达到数据确认或故障检测的目的。常用的预测器建模方法主要包括神经网络建模、机理建模、经典时间序列建模及支持向量机建模等。

4 自确认传感器

20世纪90年代初，牛津大学的Henry和Clarke教授首次提出了自确认（Self Validating）传感器的概念模型。相比传统传感器，自确认传感器增加了故障诊断单元和输出数据生成单元。每次具体测量时，自确认传感器不仅能够输出测量值，而且可以定量地评价该测量值的准确度，最终实现传感器的自确认故障诊断[3]。此类传感器在控制工程领域被深入研究，并在工厂控制实践中获得了广泛使用。

5 传感器数据确认与故障诊断方法的扩展与改进

5.1 基于系统模型的数据确认和故障诊断方法

系统模型方法通过系统的各类模型（解析模型和非解析模型）为被监控参数或变量提供冗余。该方法的残差通过比较测量值和解析模的期望值得到。常用的系统解析模型方法有状态观测器方法、等价关系方法及参数估计方法。非解析模型主要包括各类专家系统、贝叶斯信念网络、统计模型以及人工智能模型等[4]。

许多学者把状态观测器法应用于传感器故障检测与诊断，状态观测器多称作检测滤波器。Piercy发展了检测滤波器技术，认为该类方法的本质都是利用基于模型的滤波器来产生一组残差，当故障发生时，使用判别函数处理残差以决定哪个部件发生故障。Rizzoni等人把检测滤波器应用到汽车引擎的传感器故障检测中，研究了基于特征结构配置的设计方法。陈晓平等人提出了利用观测器技术对多输入多输出（MIMO）随动系统中出现的传感器或执行器故障以及传感器与执行器同时发生故障进行故障检测的方法。冯秀丽等人结合了Beard故障检测滤波器和输入未知观测器，利用输入未知观测器产生的残差对未知输入（干扰）的鲁棒性进行研究，研究了鲁棒故障检测滤波器的方法，并用喷气式发动机控制系统的传感器故障仿真实验进行证实。

5.2 非解析模型方法

非解析系统模模型指的是根据观测数据，通过一定学习方式为系统建立一种诊断模型，在构建方式上区别于系统物理（机理）模型和解析模型。传感器数据确认和故障诊断领域中，经常采用的非解析模型（数据模型）主要包括人工神经网络模型、支持向量机模型、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机在单变量过程传感器故障检测中的应用，其方法是利用回归型支持向量机良好的非线性映射能力，避开了传统基于模型的方法在系统建模上的难点，在小样本情况下也能获得较好的检测效果，具有较强的泛化性和鲁棒性。郑水波等学者利用SVM建立了电子稳定程序（Electronic Stability Program，ESP）的传感器预测模型，获得了较好的应用效果。SVM在传感器故障诊断中的应用尚处于起步阶段。

梁昔明等人建立了空压机远程监控系统传感器网络的主元分析模型，分析主元得分图判断系统状态，进而实现故障诊断，取得预期的效果。徐涛在解决液体火箭发动机在试车过程中氢供应系统的关键传感器的故障诊断问题时，利用主元分析方法为几个重要传感器建立了主元分析模型，根据平方预报误差（SPE）对传感器故障敏感的特点进行传感器的故障检测，并且引入传感器有效度指数（SVI）对故障传感器进行辨识，从而实现故障分离。Xiao研究了主元分析方法在空调系统传感器故障诊断中的应用，其主要方法是同时建立了热平衡和压力流量平衡的主元分析模型，不仅提高了模型的稳定性，而且增强了故障分离能力[5]。

Cho等学者将KPCA建模方法应用于过程传感器的故障检测与分离，证实了KPCA在非线性过程故障诊断方面优于PCA方法。

基于系统解析模型的方法诊断机理清楚，实现简单，在故障诊断领域始终占据重要地位，仍是今后传感器故障诊断研究的主要内容；基于系统非解析模型的方法也是发展的一个重要趋势。由于现代工业系统往往监控变量众多、工作机理复杂，建立解析（物理）模型在许多情况下是不可行的，因此数据模型方法就显得极为关键，已经成为一个重要的研究内容。

6 结 论

单传感器的数据确认与故障诊断中，硬件冗余法虽然具有成本高、占用空间等缺陷，但由于检测原理简单、运行可靠等优点，目前在一些特殊场合还是必不可少的。自确认传感器属于智能传感器的范畴，也是一个重要的发展方向，对不同类型的传感器开展自确认技术研究具有较高的实用价值。

基于单传感器输出序列预测器的方法获得了充分研究。基于信号处理的方法无需对象数学模型，且可明显抑制噪声，在传感器故障诊断领域获得了广泛研究。