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(guó)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)
近年來(lái),中國(guó)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(shì)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(cè),可見(jiàn)環(huán)境監(jiān)測(cè)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(cè)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(cè)和診斷出傳感器的故障[7]。因此,開(kāi)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(guó)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(jiàn)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(guò)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(cè)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(chǎng)合。分析冗余是最早提出的故障診斷方法,實(shí)現(xiàn)簡(jiǎn)單,但不適用于復(fù)雜的系統(tǒng)。近年來(lái),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(cè)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(cè),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(shì)信息作為網(wǎng)絡(luò)輸入,有效降低了輸入變量的維數(shù)。錢(qián)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(guò)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(guò)程,可以看作是一個(gè)時(shí)間序列變化過(guò)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(guò)傳統(tǒng)時(shí)間或空間方法識(shí)別溫室環(huán)境監(jiān)測(cè)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(cè)系統(tǒng)傳感器故障識(shí)別的需求,結(jié)合所開(kāi)發(fā)的基于物聯(lián)網(wǎng)技術(shù)的溫室環(huán)境測(cè)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(cè)、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(cè)系統(tǒng)的傳感器故障兩級(jí)檢測(cè)識(shí)別方法。
主成分分析(Principal component analysis, PCA)又稱主元分析,是一種將多變量通過(guò)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(wú)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(guò)程監(jiān)控和故障診斷技術(shù),其在生產(chǎn)過(guò)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(cè),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(guò)預(yù)處理的傳感器數(shù)據(jù)。
圖1 基于PCA的故障檢測(cè)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(cè)量過(guò)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(cè)量樣本數(shù)
n——測(cè)量向量變量個(gè)數(shù)
為了避免量綱不同對(duì)過(guò)程檢測(cè)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(wú)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(lái)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(cè)是通過(guò)監(jiān)控統(tǒng)計(jì)量變化來(lái)實(shí)現(xiàn)。通常用平方預(yù)測(cè)誤差SPE和統(tǒng)計(jì)量T2的變化來(lái)檢測(cè)傳感器節(jié)點(diǎn)穩(wěn)定性[26]。
其中,平方預(yù)測(cè)誤差SPE衡量的是測(cè)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(cè)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(cè)量數(shù)據(jù)在主元子空間PCS上投影的變化,表示測(cè)量數(shù)據(jù)在變化趨勢(shì)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(cè)結(jié)果①和②認(rèn)為存在故障不存在爭(zhēng)議,對(duì)于檢測(cè)結(jié)果③認(rèn)為是無(wú)故障狀態(tài)也是不存在爭(zhēng)議,但對(duì)于檢測(cè)結(jié)果④是否故障存在爭(zhēng)議[29]。
傳感器數(shù)據(jù)經(jīng)過(guò)主元變換與主元成分分析后,通過(guò)監(jiān)控統(tǒng)計(jì)量T2和平方預(yù)測(cè)誤差SPE的變化,實(shí)現(xiàn)傳感器狀態(tài)的初步故障檢測(cè)。
1.2.1空間相似性預(yù)測(cè)
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(cè)系統(tǒng)運(yùn)行過(guò)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(cè)
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(cè)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(cè)
若具有q+v個(gè)監(jiān)測(cè)參數(shù),設(shè)v個(gè)異質(zhì)傳感器的監(jiān)測(cè)參數(shù)為自變量,q個(gè)目標(biāo)監(jiān)測(cè)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(cè)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(cè)
在溫室環(huán)境測(cè)量過(guò)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(shì)移動(dòng)平均、二次曲線趨勢(shì)3個(gè)常用的時(shí)間預(yù)測(cè)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(shì),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(cè)算法進(jìn)行溫室環(huán)境預(yù)測(cè)[32-33],對(duì)比預(yù)測(cè)結(jié)果發(fā)現(xiàn)基于一階自回歸的預(yù)測(cè)算法好于其他預(yù)測(cè)算法。
假設(shè)溫室環(huán)境監(jiān)測(cè)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(cè)算法進(jìn)行時(shí)間相關(guān)性預(yù)測(cè),則第d+1時(shí)刻的時(shí)間預(yù)測(cè)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(zhǎng)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(cè)值構(gòu)成的數(shù)據(jù)集S3(t)為
S3(t)=si(t) (i=1,2,…,p)
(21)
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(guò)比較兩節(jié)點(diǎn)之間的測(cè)量值來(lái)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(cè)數(shù)據(jù)與空間相似性預(yù)測(cè)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(cè)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(cè)值S2,以及環(huán)境參數(shù)時(shí)間相關(guān)性預(yù)測(cè)值S3匯聚,得到基于時(shí)空關(guān)聯(lián)性預(yù)測(cè)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(cè)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(cè)量值與時(shí)空預(yù)測(cè)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(guò)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(guò)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。
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(kù)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(guò)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。
利用溫室監(jiān)測(cè)系統(tǒng)的環(huán)境數(shù)據(jù)進(jìn)行基于PCA的故障檢測(cè)方法,得到統(tǒng)計(jì)量T2和平方預(yù)測(cè)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(guò)分析發(fā)現(xiàn),圖中存在統(tǒng)計(jì)量T2與平方預(yù)測(cè)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(cè),得到平均故障準(zhǔn)確率CDR為90.23%,系統(tǒng)檢測(cè)虛警率FAR為16.20%,能夠有效地實(shí)現(xiàn)對(duì)溫室監(jiān)測(cè)系統(tǒng)采集的環(huán)境異常數(shù)據(jù)波動(dòng)的初步檢測(cè)。
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(cè)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(cè)結(jié)果如表2所示。
表2 預(yù)測(cè)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(cè)算法與空間相似性的預(yù)測(cè)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(cè)算法明顯優(yōu)于基于同質(zhì)傳感器預(yù)測(cè)的空間相似性的預(yù)測(cè)效果和基于異質(zhì)傳感器預(yù)測(cè)算法。
對(duì)監(jiān)測(cè)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(guò)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(kāi)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(cè)信息、空間預(yù)測(cè)信息、空間節(jié)點(diǎn)信息和時(shí)空預(yù)測(cè)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(guò)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(zhǎng),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(cè)系統(tǒng)采用的傳感器節(jié)點(diǎn)不足,空間相似性無(wú)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(cè)、空間預(yù)測(cè)、空間節(jié)點(diǎn)信息比較方法的故障檢測(cè)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(guò)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(cè)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(cè)數(shù)據(jù)S2(t)在空間相似性預(yù)測(cè)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(cè)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(cè)數(shù)據(jù)和節(jié)點(diǎn)歷史數(shù)據(jù)、時(shí)間序列預(yù)測(cè)數(shù)據(jù)進(jìn)行時(shí)空信息比較,能夠提高故障檢測(cè)正確率、降低虛警率。
(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(cè)的方法,在檢測(cè)到故障時(shí),通過(guò)節(jié)點(diǎn)時(shí)空預(yù)測(cè)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(cè)方法能夠有效地實(shí)現(xiàn)傳感器系統(tǒng)故障的初步檢測(cè),檢測(cè)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(cè)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(cè)和時(shí)空比較的故障識(shí)別定位的兩級(jí)故障檢測(cè)識(shí)別方法,在檢測(cè)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(cè)系統(tǒng)的傳感器故障識(shí)別診斷檢測(cè)正確率,降低了虛警率,為溫室環(huán)境監(jiān)測(cè)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(wú)線傳感器網(wǎng)絡(luò)的溫室環(huán)境監(jiān)測(cè)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(guó)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(cè)、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(cè)[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(cè)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(qián)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(yáng):沈陽(yáng)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(cè)控管理系統(tǒng)開(kāi)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(cè)與診斷研究[D].長(zhǎng)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(wú)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(yáng)憲惠.多變量統(tǒng)計(jì)過(guò)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(cè)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(cè)模型在能源消費(fèi)預(yù)測(cè)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(wú)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(cè)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(wú)線傳感器網(wǎng)絡(luò)故障檢測(cè)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)