一种面向多传感器系统的故障检测与隔离算法

故障检测与隔离技术是自确认传感器的核心研究内容之一。本文针对多传感器系统的异常状态监测过程中的故障检测与隔离准确率较低的问题，提出一种基于主成分分析(PCA)自适应重构技术的故障检测与隔离算法。该方法利用多传感器系统的正常数据建立PCA模型，并通过SPE统计量对多传感器系统的多路信号进行实时监测。一旦故障发生，SPE统计量的数值将显著提高，从而实现对传感器故障的检测；为了进一步对故障传感器进行隔离，采用SPE统计量自适应重构技术，实现对故障传感器的定位。仿真实验表明，本文提出的多传感器系统的故障与隔离算法能够有效地实现多传感器系统的故障检测与隔离，具有较高的准确率。

传感器作为多传感器系统的信息获取装置，其读数的可靠性和准确性将直接影响整个多传感器系统的性能。由于多传感器系统的分析与决策依赖于传感器获取信息的融合结果，一旦传感器的测量质量下降，甚至出现故障，多传感器系统的整体性能将大大降低。鉴于此，二十世纪九十年代初，英国牛津大学的Henry 教授和Clarke 教授提出了自确认传感器的概念并提出了基本框架[1]。自确认传感器是一种新型的智能传感器，不但能够输出传感器的测量值，还能够进行故障检测与隔离、故障诊断、故障恢复、不确定度估计及状态评估等自确认功能。

故障检测与隔离(Fault Detection and Isolation, FDI)技术是自确认传感器中实现异常状态监测的关键自确认技术[2] [3]。目前，故障检测与隔离方法主要是采用硬件冗余和软件冗余。基于软件冗余的传感器故障检测与隔离方法是自确认传感器中的主要方法，主要包括基于解析模型的方法和基于数据驱动的方法。基于解析模型的方法是通过对传感器工作机理的准确建模，利用模型输出值与实际输出值生成的残差实现故障检测与隔离，分为观测器法和滤波器法。基于数据驱动的方法是在一定的代价函数约束下， 通过对历史数据进行学习和挖掘，得到相应的数学模型关系，进而逼近系统数据中所隐含的映射机制， 以此进行故障检测与隔离，主要分为基于信号处理的方法、多变量统计分析法以及人工智能方法[4]。

为了提升多传感器系统的可靠性和可维护性，根据自确认传感器框架，研究面向多传感器系统的故障检测与隔离算法以提高系统的性能。本文提出了一种基于数据驱动模型的故障检测与隔离方法，该方法利用主成分分析算法对多传感器系统测量值进行建模，然后利用SPE 统计量对故障信号进行检测，再利用基于SPE 的自适应重构方法对故障传感器进行隔离。

该方法能够有效地实现多传感器系统故障检测， 并能够准确定位故障传感器。