基于時(shí)空信息比較的溫室環(huán)境傳感器故障識(shí)別

王紀(jì)章 賀 通 周金生 趙麗偉 王建平 李萍萍，3

(1.江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 鎮(zhèn)江 212013； 2.中國農(nóng)業(yè)機(jī)械化科學(xué)研究院， 北京 100083；3.南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院， 南京 210037)

0 引言

近年來，中國農(nóng)業(yè)發(fā)展正處于供給側(cè)結(jié)構(gòu)性改革關(guān)鍵期，面臨著結(jié)構(gòu)化調(diào)整、綠色發(fā)展、科技創(chuàng)新等方面的發(fā)展要求。在新形勢下，傳統(tǒng)農(nóng)業(yè)將朝著設(shè)施農(nóng)業(yè)這一重要方向轉(zhuǎn)變調(diào)整。農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)在溫室環(huán)境采集中得到了更加廣泛的應(yīng)用[1-4]，傳感器技術(shù)等將進(jìn)一步促進(jìn)其發(fā)展[5-6]。而環(huán)境控制的基礎(chǔ)是對(duì)環(huán)境因子的監(jiān)測，可見環(huán)境監(jiān)測的準(zhǔn)確性與穩(wěn)定性在設(shè)施農(nóng)業(yè)中的重要性。然而，設(shè)施農(nóng)業(yè)具有高濕、高溫等惡劣的工作環(huán)境，由此導(dǎo)致溫室環(huán)境測控系統(tǒng)傳感器故障的頻繁發(fā)生,當(dāng)故障發(fā)生時(shí)，需要及時(shí)、準(zhǔn)確地檢測和診斷出傳感器的故障[7]。因此，開展基于傳感器信息故障識(shí)別具有重要的應(yīng)用價(jià)值。

國內(nèi)外學(xué)者已經(jīng)對(duì)傳感器故障識(shí)別進(jìn)行了大量的研究。常見的傳感器故障分為突變故障、間歇故障、緩變故障和乘性故障[8],應(yīng)用最深入的傳感器故障診斷方法是解析冗余法，分為硬件冗余、分析冗余和時(shí)序冗余，通過系統(tǒng)不同輸出量之間的解析關(guān)系提供冗余信息[9]。在硬件冗余方面，例如LUO等[10]運(yùn)用一組傳感器進(jìn)行測量，限制和剔除經(jīng)常數(shù)據(jù)異步的傳感器，但這種方法需要3個(gè)以上的傳感器，需要對(duì)規(guī)則進(jìn)行限制并需要一定的推導(dǎo),不一定適用于所有的場合。分析冗余是最早提出的故障診斷方法，實(shí)現(xiàn)簡單，但不適用于復(fù)雜的系統(tǒng)。近年來，研究最廣泛的是時(shí)序冗余法，包括小波變換、神經(jīng)網(wǎng)絡(luò)等，其中PAC方法應(yīng)用最深入，空間序列可以認(rèn)為是一種特殊的時(shí)間序列，因此可以用相同的方法進(jìn)行研究[11-18]。KPCA方法是基于線性代數(shù)理論的非線性變換方法，是一種線性映射算法[19-21]，但應(yīng)用于非線性特征的故障檢測時(shí)，效果往往不好。吳希軍[22]提出了根據(jù)不同機(jī)理構(gòu)建多個(gè)主元模型，利用數(shù)據(jù)融合知識(shí)進(jìn)行故障檢測，結(jié)合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)故障識(shí)別，并且將變量的趨勢信息作為網(wǎng)絡(luò)輸入，有效降低了輸入變量的維數(shù)。錢朋朋[23]提出了一種基于多方法結(jié)合的傳感器故障診斷方法，結(jié)合主元分析、小波分析、能量分析等方法，通過分析計(jì)算實(shí)現(xiàn)傳感器故障的識(shí)別。

在溫室中，環(huán)境參數(shù)的變化是一個(gè)緩變過程，可以看作是一個(gè)時(shí)間序列變化過程；同時(shí)由于受到室外氣象參數(shù)和環(huán)境調(diào)控設(shè)備的影響，溫室內(nèi)傳感器參數(shù)有可能會(huì)出現(xiàn)時(shí)空上的變化。因此通過傳統(tǒng)時(shí)間或空間方法識(shí)別溫室環(huán)境監(jiān)測系統(tǒng)傳感器故障有可能會(huì)導(dǎo)致誤判。針對(duì)溫室環(huán)境監(jiān)測系統(tǒng)傳感器故障識(shí)別的需求，結(jié)合所開發(fā)的基于物聯(lián)網(wǎng)技術(shù)的溫室環(huán)境測控系統(tǒng)通用系統(tǒng)[24]，本文提出基于主成分分析方法進(jìn)行故障檢測、基于時(shí)空信息比較進(jìn)行故障識(shí)別的溫室環(huán)境監(jiān)測系統(tǒng)的傳感器故障兩級(jí)檢測識(shí)別方法。

1 傳感器故障識(shí)別方法

1.1 基于主成分分析的傳感器故障檢測

主成分分析(Principal component analysis, PCA)又稱主元分析，是一種將多變量通過線性變化得到少變量的多元統(tǒng)計(jì)方法，旨在實(shí)現(xiàn)降維，將較多的、具有相關(guān)性的變量，變換為一組新的、無相關(guān)性的綜合指標(biāo)，在保證主要信息的前提下，避免變量之間的線性關(guān)系[25]。主成分分析是一項(xiàng)前景廣闊的過程監(jiān)控和故障診斷技術(shù)，其在生產(chǎn)過程中得到了初步應(yīng)用[26]。

本文利用主成分分析方法實(shí)現(xiàn)對(duì)傳感器數(shù)據(jù)的實(shí)時(shí)初步故障檢測，作為故障識(shí)別的觸發(fā)機(jī)制,主成分分析的主要流程如圖1所示。其中，正常工作條件(Normal operating condition， NOC)是指正常運(yùn)行工況下經(jīng)過預(yù)處理的傳感器數(shù)據(jù)。

圖1 基于PCA的故障檢測流程圖Fig.1 Flow chart of fault detection based on PCA

1.1.1主元分析變換

在環(huán)境測量過程中,設(shè)在正常運(yùn)行狀態(tài)下采集的多路溫濕度、光照度傳感器數(shù)值的NOC構(gòu)成數(shù)據(jù)矩陣X為

(1)

式中m——測量樣本數(shù)

n——測量向量變量個(gè)數(shù)

為了避免量綱不同對(duì)過程檢測的影響，對(duì)數(shù)據(jù)矩陣X進(jìn)行標(biāo)準(zhǔn)化變換[27]

(2)

式中kij——數(shù)據(jù)xij的標(biāo)準(zhǔn)化變換值

μj——變量xj的m個(gè)取值的均值

σj——變量xj的m個(gè)取值的標(biāo)準(zhǔn)差

得到線性數(shù)據(jù)矩陣K為

(3)

1.1.2計(jì)算投影矩陣

根據(jù)統(tǒng)計(jì)學(xué)知識(shí)，樣本協(xié)方差矩陣R是數(shù)據(jù)矩陣K的協(xié)方差矩陣Σ的一個(gè)無偏估計(jì)，且標(biāo)準(zhǔn)化后的K的均值都為0，估算Σ的計(jì)算式為

(4)

對(duì)協(xié)方差矩陣Σ進(jìn)行特征值分解，求出特征值λ=(λ1,λ2,…,λn)和特征向量矩陣P，用前k個(gè)特征值之和在所有特征值之和的占比大于90%來確定主元數(shù)k，從而確定投影矩陣和即

=T

(5)

(6)

則K可以表示為

(7)

(8)

(9)

I——單位矩陣

1.1.3監(jiān)控統(tǒng)計(jì)量變化

根據(jù)統(tǒng)計(jì)學(xué)知識(shí)經(jīng)主元成分PCA變化后，傳感器故障檢測是通過監(jiān)控統(tǒng)計(jì)量變化來實(shí)現(xiàn)。通常用平方預(yù)測誤差SPE和統(tǒng)計(jì)量T2的變化來檢測傳感器節(jié)點(diǎn)穩(wěn)定性[26]。

其中，平方預(yù)測誤差SPE衡量的是測量數(shù)據(jù)在殘差子空間RS上投影的變化，表示模型的預(yù)估誤差[28]，平方預(yù)測誤差SPE的計(jì)算公式定義為

(10)

式中Cα——正態(tài)分布置信水平為0.05的統(tǒng)計(jì)值

統(tǒng)計(jì)量T2衡量的是測量數(shù)據(jù)在主元子空間PCS上投影的變化，表示測量數(shù)據(jù)在變化趨勢和幅值上偏離模型的程度[28]，定義統(tǒng)計(jì)量T2為

(11)

λk=diag[λ1λ2…λk]

Fα(k,n-k)——自由度k和n-k、置信水平α的F分布值

對(duì)于檢測結(jié)果①和②認(rèn)為存在故障不存在爭議，對(duì)于檢測結(jié)果③認(rèn)為是無故障狀態(tài)也是不存在爭議，但對(duì)于檢測結(jié)果④是否故障存在爭議[29]。

傳感器數(shù)據(jù)經(jīng)過主元變換與主元成分分析后，通過監(jiān)控統(tǒng)計(jì)量T2和平方預(yù)測誤差SPE的變化，實(shí)現(xiàn)傳感器狀態(tài)的初步故障檢測。

1.2 時(shí)空信息預(yù)測算法

1.2.1空間相似性預(yù)測

根據(jù)空間相似性理論，可知不同傳感器在同一時(shí)刻采集的溫室環(huán)境參數(shù)之間存在關(guān)聯(lián)。在監(jiān)測系統(tǒng)運(yùn)行過程中，發(fā)現(xiàn)相鄰傳感器之間不同或相同類型傳感器采集的數(shù)據(jù)之間存在近線性關(guān)系。

空間相似性依據(jù)采用對(duì)比的傳感器類型不同，可將其分為同質(zhì)傳感器相似性和異質(zhì)傳感器相似性。

(1)同質(zhì)傳感器相似性預(yù)測

本文對(duì)同質(zhì)傳感器節(jié)點(diǎn)采集的參數(shù)數(shù)值進(jìn)行相互比較，建立一個(gè)基于相鄰節(jié)點(diǎn)環(huán)境參數(shù)信息對(duì)本節(jié)點(diǎn)的當(dāng)前時(shí)刻聚合值[23]，計(jì)算公式為

i(n+1)=Xj(n+1)+δij

(12)

其中

式中i、j——傳感器序號(hào)

l——時(shí)間尺度，為正整數(shù)

δij——相鄰傳感器在時(shí)間尺度l內(nèi)差平均值

則相鄰?fù)|(zhì)傳感器采集參數(shù)信息值構(gòu)成數(shù)據(jù)集X1為

X1=xi(t) (i=1,2，…,m)

(13)

對(duì)應(yīng)的同質(zhì)傳感器空間相似性預(yù)測值構(gòu)成數(shù)據(jù)集S1(t)為

S1(t)=si(t) (i=1,2，…,m)

(14)

(2)異質(zhì)傳感器相似性預(yù)測

若具有q+v個(gè)監(jiān)測參數(shù)，設(shè)v個(gè)異質(zhì)傳感器的監(jiān)測參數(shù)為自變量，q個(gè)目標(biāo)監(jiān)測參數(shù)為因變量，令自變量X為

X=[xt1xt2…xtv]T

(15)

則回歸關(guān)系模型[30]構(gòu)造成矩陣形式為S=βX+ε，即

(16)

式中β——回歸關(guān)系參數(shù)矩陣

ε——隨機(jī)誤差，ε～N(0,σ2)

相鄰異質(zhì)傳感器采集參數(shù)信息值構(gòu)成數(shù)據(jù)集

X2=xj(t) (j=1,2，…,v)

(17)

與之對(duì)應(yīng)的異質(zhì)傳感器空間相似性預(yù)測值構(gòu)成數(shù)據(jù)集S2(t)為

S2(t)=si(t) (i=1,2,…,q)

(18)

1.2.2時(shí)間相關(guān)性預(yù)測

在溫室環(huán)境測量過程中，傳感器節(jié)點(diǎn)采集的數(shù)據(jù)時(shí)間之間往往具有一定的依存性，即傳感器采集的數(shù)據(jù)構(gòu)成時(shí)間序列，下一時(shí)刻的環(huán)境參數(shù)信息受到當(dāng)前時(shí)刻與歷史時(shí)刻數(shù)據(jù)的約束。

本文結(jié)合溫室環(huán)境的特點(diǎn)，選取一階自回歸、趨勢移動(dòng)平均、二次曲線趨勢3個(gè)常用的時(shí)間預(yù)測算法[31]對(duì)溫室環(huán)境參數(shù)進(jìn)行時(shí)間序列估計(jì)。針對(duì)溫室環(huán)境的實(shí)際，盡管溫室環(huán)境變化總體呈現(xiàn)二次曲線趨勢，但短時(shí)間段內(nèi)呈現(xiàn)直線特征，即可以利用基于一階自回歸的時(shí)間預(yù)測算法進(jìn)行溫室環(huán)境預(yù)測[32-33]，對(duì)比預(yù)測結(jié)果發(fā)現(xiàn)基于一階自回歸的預(yù)測算法好于其他預(yù)測算法。

假設(shè)溫室環(huán)境監(jiān)測系統(tǒng)采集的環(huán)境參數(shù)數(shù)值構(gòu)成時(shí)間序列數(shù)據(jù)集(xi1,xi2,…,xid)。利用一階自回歸預(yù)測算法進(jìn)行時(shí)間相關(guān)性預(yù)測，則第d+1時(shí)刻的時(shí)間預(yù)測值為

i(d+1)=φ1xid+εd+1

(19)

其中

式中φ1——樣本的自相關(guān)系數(shù)

εd+1——d+1時(shí)刻的隨機(jī)干擾，為標(biāo)準(zhǔn)正態(tài)白噪聲

則被比較傳感器vi在時(shí)間尺度上構(gòu)成的環(huán)境參數(shù)采集值X3為

X3=(xk(t-1),…,xk(t-i)) (k=1,2，…,p)

(20)

式中p——時(shí)間序列長度

則對(duì)應(yīng)的異質(zhì)傳感器一階自回歸時(shí)間相關(guān)性預(yù)測值構(gòu)成的數(shù)據(jù)集S3(t)為

S3(t)=si(t) (i=1,2，…,p)

(21)

1.3 基于時(shí)空信息比較的傳感器故障識(shí)別

對(duì)節(jié)點(diǎn)間的時(shí)間相關(guān)性或空間相似性進(jìn)行比較是多數(shù)傳感器故障診斷常用的方法，通過比較兩節(jié)點(diǎn)之間的測量值來判定節(jié)點(diǎn)的狀態(tài)[28]，而上述方法都是單方面的考慮時(shí)間相關(guān)性或空間相似性。

針對(duì)時(shí)間相關(guān)性適用于時(shí)間周期較短、空間相似性適用于空間區(qū)域內(nèi)節(jié)點(diǎn)密度大的特點(diǎn)，本文提出了一種基于時(shí)空信息比較的傳感器故障識(shí)別算法，該算法充分考慮傳感器的時(shí)間相關(guān)性預(yù)測數(shù)據(jù)與空間相似性預(yù)測數(shù)據(jù)。傳感器數(shù)值故障識(shí)別的流程圖如圖2所示。

圖2 傳感器故障識(shí)別流程圖Fig.2 Flow chart of sensor node fault identification

圖2中，溫室環(huán)境監(jiān)測系統(tǒng)內(nèi)的傳感器V=vi(i=1,2，…,n)采集的傳感器數(shù)據(jù)構(gòu)成一個(gè)傳感器采集數(shù)據(jù)集合S0(t)=si(t)(i=1,2，…,b)，b是各類傳感器個(gè)數(shù)之和，b=m+q+p。

對(duì)傳感器節(jié)點(diǎn)vi進(jìn)行比較時(shí)，將上述的同質(zhì)傳感器S1和異質(zhì)傳感器空間相似性預(yù)測值S2，以及環(huán)境參數(shù)時(shí)間相關(guān)性預(yù)測值S3匯聚，得到基于時(shí)空關(guān)聯(lián)性預(yù)測的傳感器時(shí)空特性的數(shù)據(jù)集

Y=(S0(t),S1(t),S2(t),S3(t))

(22)

式中Sj(t)——被比較節(jié)點(diǎn)的傳感器參數(shù)值

將當(dāng)前傳感器數(shù)據(jù)與預(yù)測數(shù)據(jù)信息之間進(jìn)行比較，比較集合中元素yj(t)與xi(t)信息值，當(dāng)|yj(t)-xi(t)|<δ(δ表示環(huán)境變化給定閾值)時(shí)，則表示比較點(diǎn)環(huán)境參數(shù)數(shù)據(jù)相似，記信息比較結(jié)果cij=0；相反，當(dāng)|yj(t)-xi(t)|>δ時(shí)，則表示比較點(diǎn)環(huán)境參數(shù)數(shù)據(jù)不相似，記cij=1。

根據(jù)節(jié)點(diǎn)狀態(tài)和對(duì)應(yīng)測量值與時(shí)空預(yù)測值的絕對(duì)差比較結(jié)果，得出cij所有可能出現(xiàn)的比較結(jié)果[34]如表1所示。

表1 節(jié)點(diǎn)信息比較結(jié)果Tab.1 Comparison results of node information

再通過上述方法依次比較本節(jié)點(diǎn)數(shù)據(jù)與其他時(shí)空節(jié)點(diǎn)的信息值，得到所有的cij。循環(huán)結(jié)束，統(tǒng)計(jì)cij=1的個(gè)數(shù)為Cj，記為

(23)

若Cj≤?，則表示節(jié)點(diǎn)vj的狀態(tài)正常，令Fj=0；當(dāng)Cj>?時(shí)，傳感器節(jié)點(diǎn)vj的狀態(tài)異常，令Fj=1。其中，給定閾值?由多數(shù)投票策略控制[32]，當(dāng)Cj達(dá)到被比較數(shù)據(jù)個(gè)數(shù)統(tǒng)計(jì)值的1/2時(shí)，認(rèn)為多數(shù)被比較值存在差異。通過判斷狀態(tài)標(biāo)志Fj，實(shí)現(xiàn)傳感器節(jié)點(diǎn)的故障識(shí)別。

2 結(jié)果與分析

2.1 研究區(qū)域與試驗(yàn)數(shù)據(jù)

研究區(qū)域?yàn)榻K省農(nóng)科院溧水植物科學(xué)基地(31.598 349 15°N，119.187 165 49°E)，位于南京市溧水區(qū)白馬鎮(zhèn)老鴉壩水庫西側(cè)，本試驗(yàn)在草莓栽培塑料連棟大棚中進(jìn)行環(huán)境數(shù)據(jù)采集，采集設(shè)備對(duì)包括溫度、濕度、光照度等在內(nèi)的環(huán)境參數(shù)進(jìn)行多層次、全方位、連續(xù)地采集，選取溫度、濕度、光照度作為研究對(duì)象。

通過對(duì)多組傳感器數(shù)據(jù)分析，對(duì)傳感器故障識(shí)別效果等進(jìn)行驗(yàn)證，并在不同方法之間進(jìn)行對(duì)比分析。

2.2 基于PCA的傳感器數(shù)值向量故障檢測

利用溫室監(jiān)測系統(tǒng)的環(huán)境數(shù)據(jù)進(jìn)行基于PCA的故障檢測方法，得到統(tǒng)計(jì)量T2和平方預(yù)測誤差SPE的變化曲線如圖3所示。

圖3 統(tǒng)計(jì)量變化曲線Fig.3 Changing curves of statistics

通過分析發(fā)現(xiàn)，圖中存在統(tǒng)計(jì)量T2與平方預(yù)測誤差SPE比值波動(dòng)范圍明顯的點(diǎn)，對(duì)比傳感器數(shù)據(jù)發(fā)現(xiàn)傳感器數(shù)據(jù)存在異常。對(duì)部分時(shí)間段內(nèi)環(huán)境感知數(shù)據(jù)進(jìn)行基于PCA的傳感器故障檢測，得到平均故障準(zhǔn)確率CDR為90.23%，系統(tǒng)檢測虛警率FAR為16.20%，能夠有效地實(shí)現(xiàn)對(duì)溫室監(jiān)測系統(tǒng)采集的環(huán)境異常數(shù)據(jù)波動(dòng)的初步檢測。

2.3 傳感器數(shù)據(jù)預(yù)測

以環(huán)境參數(shù)的數(shù)據(jù)預(yù)處理值為實(shí)際值，對(duì)預(yù)測數(shù)據(jù)進(jìn)行時(shí)間、空間相似性驗(yàn)證，則傳感器環(huán)境參數(shù)時(shí)空預(yù)測結(jié)果如表2所示。

表2 預(yù)測算法對(duì)比分析Tab.2 Comparative analysis of prediction algorithms

如表2所示，基于時(shí)間相關(guān)性的時(shí)間序列預(yù)測算法與空間相似性的預(yù)測效果均能夠有效地反映溫室環(huán)境在空間上的變化，并且基于時(shí)間相關(guān)性的時(shí)間序列預(yù)測算法明顯優(yōu)于基于同質(zhì)傳感器預(yù)測的空間相似性的預(yù)測效果和基于異質(zhì)傳感器預(yù)測算法。

2.4 基于信息比較的傳感器故障識(shí)別

對(duì)監(jiān)測系統(tǒng)傳感器數(shù)據(jù)進(jìn)行驗(yàn)證，得到1路空氣溫度傳感器f51的故障診斷變化曲線如圖4所示。本文提出的基于時(shí)空信息比較的方法能夠有效地實(shí)現(xiàn)每路傳感器的故障識(shí)別，當(dāng)傳感器數(shù)據(jù)波動(dòng)時(shí)，Cj發(fā)生改變。當(dāng)躍變時(shí)，Cj超過給定閾值?，實(shí)現(xiàn)傳感器的故障識(shí)別，驗(yàn)證結(jié)果表明故障識(shí)別效果明顯。

本文開展基于信息比較的傳感器故障識(shí)別研究，分別對(duì)比基于時(shí)間預(yù)測信息、空間預(yù)測信息、空間節(jié)點(diǎn)信息和時(shí)空預(yù)測信息的多傳感器故障識(shí)別，得到如圖5所示的故障識(shí)別效果。

圖4 傳感器故障診斷結(jié)果Fig.4 Sensor fault diagnosis

如圖5所示，在基于時(shí)間尺度節(jié)點(diǎn)信息比較的故障診斷過程中，隨著時(shí)間尺度增大，基于時(shí)間相關(guān)性節(jié)點(diǎn)信息比較的傳感器故障診斷的診斷精度會(huì)下降，這是由于隨著時(shí)間尺度的增加，時(shí)間周期變長，其采集的傳感器數(shù)據(jù)的時(shí)間相關(guān)性降低。在基于空間尺度節(jié)點(diǎn)信息比較的故障診斷中，隨著空間尺度的增多，診斷精度下降。隨著空間尺度的增多，空間上分布充分的傳感器節(jié)點(diǎn)能夠提高空間相似性，但本溫室環(huán)境監(jiān)測系統(tǒng)采用的傳感器節(jié)點(diǎn)不足，空間相似性無法得到補(bǔ)充。而時(shí)空比較能夠充分利用時(shí)間相關(guān)性、空間相似性的特點(diǎn)，并用短時(shí)間段內(nèi)的時(shí)間節(jié)點(diǎn)補(bǔ)充空間節(jié)點(diǎn)不足，傳感器故障識(shí)別效果明顯。

圖5 故障識(shí)別效果對(duì)比Fig.5 Comparisons of fault identification results

并對(duì)比了傳統(tǒng)的傳感器故障識(shí)別方法發(fā)現(xiàn)，基于時(shí)空信息比較的傳感器故障識(shí)別方法相較于時(shí)間預(yù)測、空間預(yù)測、空間節(jié)點(diǎn)信息比較方法的故障檢測正確率CDR分別提高了0.817個(gè)百分點(diǎn)、3.001個(gè)百分點(diǎn)、22.067個(gè)百分點(diǎn)，則對(duì)應(yīng)的虛警率FAR分別降低了0.844個(gè)百分點(diǎn)、3.311個(gè)百分點(diǎn)、15.762個(gè)百分點(diǎn)。

本文在研究故障識(shí)別的過程中發(fā)現(xiàn)，當(dāng)誤差帶ΔCDR=0.1%、ΔFAR=5%，且包絡(luò)線同時(shí)進(jìn)入誤差帶時(shí)，認(rèn)為時(shí)空信息比較效果達(dá)到穩(wěn)定狀態(tài)，此時(shí)時(shí)空尺度n=16，其時(shí)空比較效果如表3所示。

由表3可知，對(duì)主要的溫室環(huán)境參數(shù)監(jiān)測可以實(shí)現(xiàn)傳感器故障識(shí)別。然而，相較于溫度、濕度傳感器故障識(shí)別效果，光照度傳感器的故障識(shí)別效果不佳，主要原因在于溫濕度異質(zhì)傳感器間的時(shí)空關(guān)聯(lián)性強(qiáng)于溫濕度與光照度異質(zhì)傳感器間時(shí)空關(guān)聯(lián)性，降低了同質(zhì)傳感器在故障識(shí)別中的重要性。降低了異質(zhì)傳感器預(yù)測數(shù)據(jù)S2(t)在空間相似性預(yù)測數(shù)據(jù)集S1(t)+S2(t)中的占比，即適當(dāng)提高同質(zhì)傳感器預(yù)測數(shù)據(jù)S1(t)的權(quán)重，得到如表4所示的光照度故障識(shí)別效果。

表3 時(shí)空信息比較最優(yōu)效果Tab.3 Optimal effect of spatial-temporal information comparison %

表4 光照度故障識(shí)別效果Tab.4 Effect of illumination fault recognition %

由表3和表4可知，本文所提的基于時(shí)空信息比較的傳感器故障識(shí)別算法，能夠充分利用環(huán)境信息的時(shí)間與空間相關(guān)性特征，在節(jié)點(diǎn)不足的情況下充分利用傳感器短時(shí)間段內(nèi)的歷史數(shù)據(jù)補(bǔ)充為空間相似性的比較節(jié)點(diǎn)，利用相鄰節(jié)點(diǎn)預(yù)測數(shù)據(jù)和節(jié)點(diǎn)歷史數(shù)據(jù)、時(shí)間序列預(yù)測數(shù)據(jù)進(jìn)行時(shí)空信息比較，能夠提高故障檢測正確率、降低虛警率。

3 結(jié)論

(1) 針對(duì)溫室內(nèi)環(huán)境參數(shù)變化緩慢、各環(huán)境參數(shù)之間相互耦合的特點(diǎn)，提出了基于主成分分析進(jìn)行傳感器故障檢測的方法，在檢測到故障時(shí)，通過節(jié)點(diǎn)時(shí)空預(yù)測信息比較實(shí)現(xiàn)傳感器故障識(shí)別，并利用試驗(yàn)數(shù)據(jù)對(duì)所提出的方法進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果表明：基于PCA的傳感器故障檢測方法能夠有效地實(shí)現(xiàn)傳感器系統(tǒng)故障的初步檢測，檢測正確率為90.23%，虛警率為16.20%；充分考慮基于時(shí)間相關(guān)性和空間相似性節(jié)點(diǎn)數(shù)據(jù)的基于節(jié)點(diǎn)信息比較的傳感器故障識(shí)別方法能夠有效地實(shí)現(xiàn)傳感器具體故障識(shí)別定位，基于時(shí)空比較的故障識(shí)別平均檢測正確率為98.37%、對(duì)應(yīng)的故障識(shí)別平均虛警率為1.72%。

(2) 所提出的基于PCA的故障檢測和時(shí)空比較的故障識(shí)別定位的兩級(jí)故障檢測識(shí)別方法，在檢測到故障后才進(jìn)行故障識(shí)別定位，減少了系統(tǒng)運(yùn)算量，同時(shí)基于時(shí)空比較的故障識(shí)別定位方法提高了溫室環(huán)境監(jiān)測系統(tǒng)的傳感器故障識(shí)別診斷檢測正確率，降低了虛警率，為溫室環(huán)境監(jiān)測系統(tǒng)的準(zhǔn)確穩(wěn)定運(yùn)行提供了保障。

1 李萍萍，王紀(jì)章.溫室環(huán)境信息智能化管理研究進(jìn)展[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(4)：236-242.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140438&flag=1&journal_id=jscam.DOI：10.6041/j.issn.1000-1298.2014.04.038.

LI Pingping, WANG Jizhang. Research progress of intelligent management for greenhouse environment information[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(4): 236-242. (in Chinese)

2 閻曉軍，王維瑞，梁建平.北京市設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用模式構(gòu)建[J].農(nóng)業(yè)工程學(xué)報(bào)，2012, 28(4):149-154.

YAN Xiaojun, WANG Weirui, LIANG Jianping. Application mode construction of internet of things (IOT) for facility agriculture in Beijing[J]. Transactions of the CSAE, 2012, 28(4): 149-154.(in Chinese)

3 李莉，李海霞，劉卉．基于無線傳感器網(wǎng)絡(luò)的溫室環(huán)境監(jiān)測系統(tǒng)[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(1): 228-231.

LI Li, LI Haixia, LIU Hui. Greenhouse environment monitoring system based on wireless sensor network [J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 228-231.(in Chinese)

5 張猛,房俊龍，韓雨．基于ZigBee和Internet的溫室群環(huán)境遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計(jì)[J]．農(nóng)業(yè)工程學(xué)報(bào)，2013，29(增刊1)：171-176．

ZHANG Meng, FANG Junlong, HAN Yu. Design on remote monitoring and control system for greenhouse group based on ZigBee and Internet [J]. Transactions of the CSAE, 2013, 29(Supp.1): 171-176．(in Chinese)

6 王海濤,劉倩,陳桂香,等.糧食監(jiān)控系統(tǒng)中傳感器故障診斷和數(shù)據(jù)恢復(fù)[J].中國糧油學(xué)報(bào),2013,28(11):86-90.

WANG Haitao, LIU Qian, CHEN Guixiang, et al.Fault diagnosis and data reconstruction for sensors in monitoring system for condition of stored-grain[J].Journal of the Chinese Cereals and Oils Association, 2013, 28(11):86-90.(in Chinese)

7 COMMAULT C, DION J M, TRINH D H, et al. Sensor classification for the fault detection and isolation, a structural approach[J]. International Journal of Adaptive Control & Signal Processing, 2011, 25(1):1-17.

8 LIU H,KIM M,KANG O,et al,Sensor validation ofr monitoring indoor air quality in a subway station[J].Indoor and Built Environment,2012,21(1):205-221.

9 李鳳保, 揚(yáng)黎明, 張華,等. 基于解析冗余的傳感器故障檢測、分離與辨識(shí)[J]. 傳感器與微系統(tǒng), 2002, 21(5):33-35.

LI Fengbao, YANG Liming, ZHANG Hua, et al. Detection, isolation and identification of sensor faults based on analytical redundancy [J]. Journal of Transducer Technology, 2002, 21(5):33-35.(in Chinese)

10 LUO X, DONG M, HUANG Y. On distributed fault-tolerant detection in wireless sensor networks[J]. IEEE Transactions on Computers, 2006, 55(1): 58-70.

11 GEORGOULAS G,LOUTAS T,STYLIOS C D,et al. Bearing fault detection based on hybrid ensemble detector and empirical mode decomposition[J].Mechanical Systems and Signal Processing,2013,41(1):510-525.

12 沈默, 廖瑛, 尹大偉. RVM在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2012, 48(25):220-223.

SHEN Mo,LIAO Ying,YIN Dawei. Application of relevance vector machines to aero-engine fault diagnosis[J].Computer Engineering and Applications,2012, 48(25):220-223.(in Chinese)

13 WANG Hong, CHAI Tianyou, DING Jinliang, et al. Data driven fault diagnosis and fault tolerant control: some advances and possible new directions [J]. Acta Automatica Sinica 2009, 35(6):739-747.

14 LEUNG Y, JI N N, MA J H. An integrated information fusion approach based on the theory of evidence and group decision-making [J]. Information Fusion, 2013, 14(4):410-422.

15 MEHRAN A, FARZAN A. Neural-network based on analog-circuit fault diagnosis using wavelet transform as preprocessor [J]. IEEE Transactions on Circuits and Systems: Analog and Digital Signal Processing, 2000, 47:151-156.

16 汪聲遠(yuǎn).卡爾曼濾波器用于發(fā)動(dòng)機(jī)傳感器故障檢測[J]. 控制與決策,1995,10(4): 381-384．

WANG Shengyuan. Kalman filter for engine sensor fault detection [J]. Control and Decision,1995,10(4): 381-384．(in Chinese)

17 周東華.一種非線性系統(tǒng)的傳感器故障檢測與診斷新方法[J]. 自動(dòng)化學(xué)報(bào),1995,21(3): 362-365．

ZHOU Donghua.A new method for fault detection and diagnosis of nonlinear systems [J]. Acta Automatica Sinica, 1995, 21(3):362-365.(in Chinese)

18 KIM K I, PARK S H, KIM H J. Kernel principal component analysis for texture classification [J]. IEEE Signal Process Letters,2001,8(2):39-41．

19 趙立杰,柴天佑, 王綱.多元統(tǒng)計(jì)性能監(jiān)視和故障診斷技術(shù)研究進(jìn)展[J].信息與控制,2004,33(2):197-202.

ZHAO Lijie, CHAI Tianyou, WANG Gang. The progress of multivariate statistical performance monitoring and fault diagnosis [J]. Information and Control, 2004, 33(2):197-202.(in Chinese)

20 胡金海,謝壽生,駱廣琦,等.一種基于貢獻(xiàn)率的KPCA故障識(shí)別方法[J].系統(tǒng)工程與電子技術(shù),2008,30(3):572-576.

HU Jinhai, XIE Shousheng, LUO Guangqi, et al. Fault identification method of kernel principal component analysis based on contribution plots and its application[J]. Systems Engineering and Electronics,2008, 30(3):572-576.(in Chinese)

21 SCHOLKOPF B, SMOLA A, MULLER K R. Kernel principal component analysis[C]∥International Conference on Artificial Neural Networks, 1997:583-588.

22 吳希軍.基于主元分析方法的空調(diào)系統(tǒng)傳感器故障診斷研究[D].秦皇島：燕山大學(xué),2005.

WU Xijun. Study of the sensor fault diagnosis in air conditioning system based on principal component analysis [D]. Qinhuangdao: Yanshan University, 2005.(in Chinese)

23 錢朋朋.基于多方法結(jié)合的傳感器故障診斷方法研究[D].沈陽：沈陽理工大學(xué),2012.

QIAN Pengpeng. Research on sensor fault diagnosis based on multi-algorithm method [D].Shenyang：Shenyang Ligong University, 2012.(in Chinese)

24 李萍萍,陳美鎮(zhèn),王紀(jì)章,等.溫室物聯(lián)網(wǎng)測控管理系統(tǒng)開發(fā)與數(shù)據(jù)同步研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015, 46(8):224-231.http:∥www.jcsam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150831&flag=1&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.08.031.

LI Pingping, CHEN Meizhen, WANG Jizhang, et al. Development of monitoring management system and data synchronization for greenhouse IOT [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8):224-231.(in Chinese)

25 王鵬新,馮明悅,孫輝濤,等.基于主成分分析和Copula函數(shù)的干旱影響評(píng)估研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(9)：334-340.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160945&flag=1&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.09.045

WANG Pengxin, FENG Mingyue, SUN Huitao, et al. Drought impact assessment based on principal component analysis and copula function [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(9): 334-340. (in Chinese)

26 王婉. 基于PCA的空調(diào)水系統(tǒng)的傳感器故障檢測與診斷研究[D].長沙：湖南大學(xué),2014.

WANG Wan. The research on the sensor fault detection and diagnosis of the central air-conditioning water system based on PCA [D]. Changsha: Hu’nan University, 2014.(in Chinese)

27 肖應(yīng)旺.基于PCA的流程工業(yè)性能監(jiān)控與故障診斷研究[D].無錫：江南大學(xué),2007.

XIAO Yingwang. Research on performance monitoring and fault diagnosis of process industry based on PCA [D]. Wuxi：Jiangnan University, 2007.(in Chinese)

28 張杰,陽憲惠.多變量統(tǒng)計(jì)過程控制[M].北京：化學(xué)工業(yè)出版社,2000.

29 李冠男, 胡云鵬, 陳煥新,等. 基于PCA-SVDD的冷水機(jī)組故障檢測方法[J]. 華中科技大學(xué)學(xué)報(bào):自然科學(xué)版, 2015,43(8):119-122.

LI Guannan, HU Yunpeng, CHEN Huanxin, et al. PCA-SVDD-based chiller fault detection method [J]. Journal of Huazhong University of Science and Technology: Nature Science Edition, 2015,43(8):119-122.(in Chinese)

30 DUNIA R, QIN S J. A unified geometric approach to process and sensor fault identification and reconstruction: the unidimensional fault case [J]. Computers & Chemical Engineering, 1998, 22(7-8):927-943.

31 潘立強(qiáng),李建中.傳感器網(wǎng)絡(luò)中一種基于多元回歸模型的缺失值估計(jì)算法[J].計(jì)算機(jī)研究與發(fā)展,2009,46(12):2101-2110.

PAN Liqiang, LI Jianzhong. A multiple-regression-model-based missing values imputation algorithm in wireless sensor network [J]. Journal of Computer Research and Development, 2009, 46(12):2101-2110.(in Chinese)

32 索瑞霞,王福林.組合預(yù)測模型在能源消費(fèi)預(yù)測中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2010,40(18):80-85.

SUO Ruixia, WANG Fulin. The application of combination forecasting model in chinese energy consumption [J]. Mathematics in Practice and Theory, 2010, 40(18):80-85.(in Chinese)

33 劉亞紅.基于節(jié)點(diǎn)信息比較的無線傳感故障診斷算法[D].西安：西安電子科技大學(xué),2014.

LIU Yahong. Fault diagnosis algorithm based on comparison of information in wireless sensor networks [D]. Xian：Xidian University, 2014.(in Chinese)

34 劉永華, 沈明霞, 熊迎軍,等. 基于兩級(jí)預(yù)測的溫室WSN系統(tǒng)數(shù)據(jù)傳輸方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(12):329-334.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20141247&flag=1&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2014.12.047.

LIU Yonghua, SHEN Mingxia, XIONG Yingjun, et al. Data transmission of WSN system in greenhouse based on two-level prediction[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12):329-334.(in Chinese)

35 徐小龍,耿衛(wèi)建,楊庚,等.分布式無線傳感器網(wǎng)絡(luò)故障檢測算法綜述[J].計(jì)算機(jī)應(yīng)用研究,2012,29(12):4420-4425.

XU Xiaolong, GENG Weijian, YANG Geng, et al. Survey of distributed fault detection algorithms for wireless sensor networks[J]. Application Research of Computers, 2012, 29(12):4420-4425.(in Chinese)