传感器智能数据确认与故障诊断方法研究宋聪摘要：故障检测与诊断（FaultDetectionandDiagnosis，FDD）技术广泛应用于航空航天、能源、石油化工等生产领域中。FDD应用于传感器领域的基本术语有：传感器故障诊断（SensorFaultDiagnosis，SFD）、传感器自确认（SensorSelfValidation，SEVA）、传感器数据确认（SensorDataValidation，SDV）和传感器性能监视（SensorPerformanceMonitoring，SPM）等。本文主要对传感器数据确认和故障诊断的研究成果进行了总结，希望可以抛砖引玉，对相关领域的研究有所贡献。关键词：传感器数据确认;故障诊断;支持向量机DOI：10.16640/j.cnki.37-1222/t.2019.24.0721传感器数据确认和故障诊断的研究方法分类传感器数据确认和故障诊断方法通常按照硬件冗余和解析冗余进行分类，这里根据传感器数据确认和故障诊断基准点的不同，结合本文的研究思路，给出另一种分类方法。通过对近年来发展的方法进行分析，根据开展工作基准点的不同，传感器数据确认和故障诊断可以分为基于单传感器（变量）角的方法和基于系统模型的方法两大类，图1所示为研究方法分类图。2基于单传感器的数据确认和故障诊断方法概述基于单传感器（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、信号分析法和传感器预测器法等。由于自确认传感器所采用的方法和目的都具有一定的特殊性.常见的方法有：硬件冗余方法;信号分析方法;传感器预测器方法;自确认传感器等方法。3基于系统模型的数据确认和故障诊断方法概述3.1解析模型方法3.1.1状态观测器法作为状态观测器法，龙伯格观测器（Luembergerobservers）和卡尔曼滤波器（Kalmanfilters）被广泛应用于系统的故障检测与分离。状态观测器或滤波器利用测量值及相关可用信息重构系统的状态，当系统没有故障时，测量值与重构估计值之间的残差为零均值且噪声的统计特性（如方差）在容许范围之内;当系统含有故障时，残差信号的均值则不为零或/和噪声将超出设定的阈值。卡尔曼滤波器法的原理是：被测量与卡尔曼滤波器输出所产生的残差在系统传感器工作正常情况下为零均值白噪声序列，当传感器出现故障后，残差将多出一个增量从而不再具有零均白噪声特性。汪声远根据上述原理，研究了发动机电控系统传感器的故障检测与分离问题。DalleMolle等人首先将EKF应用于非线性化工生产过程的传感器故障检测与诊断中，取得了满意的效果。为了实现多传感器故障诊断，基于状态观测器（估计器或滤波器）的方法需要为每个传感器都设计一个专用的观测器，以便生成残差空间，将多个故障传感器检测和分离出来。基于状态观测器方法的优点在于：该方法对于传感器故障比较灵敏;可以处理噪声带来的影响;可以处理非线性系统。但是同时也具有如下的一些缺点：设计观测器需要建立系统或过程较为精确的数学模型;当传感器数量比较大时，需要很大的计算量。3.1.2等价关系法等价关系法利用系统数学方程中的两类冗余关系，即直接冗余（DirectRedundancy）和时间冗余（TemporalRedundancy），作为系统或传感器故障检测与诊断的基础。根据这两类关系，可建立系统的标称模型，此模型可以对传感器输出进行一致性检验，利用适当的残差函数产生残差，从而实现系统故障或者传感器故障的检测与分离。Gertler等学者对基于等价关系的故障检测与分离方法进行了系统的研究，指出观测器与等价关系之间具有密切的联系，并详细讨论了等价关系的有关理论和实现方法。3.1.3参数估计法参数估计法（也可称为基于参数模型的方法）比状态观测器法更适合与非线性系统。参数估计的方法有强跟踪滤波器法、最小二乘法、突变检测法等。刘志成研究了强跟踪滤波器在过程控制系统传感器故障诊断中的应用。Huang等学者把突变检测法引入到控制回路性能监视与评估中，目的在于通过对系统（回路）参数的微小变化进行检测来监视回路的工作性能，并作出评估。局部渐进法能非常有效地检测系统参数的小变化，因而有利于早期微小故障的检测。Huang还结合了总体最小二乘（TotalLeastSquares，TLS）模型与突变检测法。Ashish等人将局部渐进法与输入独立卡尔曼滤波器（InputIndependentK...