李記恒，孫寶璽，楊浩楠

（1.北京市南水北調(diào)團城湖管理處，北京 100195；2.北京工業(yè)大學(xué)，北京 100084）

智能泵站建設(shè)是一次利用信息技術(shù)對傳統(tǒng)泵站行業(yè)的改造和提升，其利用信息化、智能化技術(shù)，實現(xiàn)泵站的自動化和少人化運行，以節(jié)約人力成本和運行成本，提升泵站的運行管理水平[1]。在智能泵站的運行過程中，由于環(huán)境影響和設(shè)備穩(wěn)定性等原因，會導(dǎo)致泵站某些環(huán)節(jié)的監(jiān)測數(shù)據(jù)產(chǎn)生異?；蝈e誤，如果異常情況不能被及時發(fā)現(xiàn)和排除，將導(dǎo)致泵站自動化系統(tǒng)基于錯誤的數(shù)據(jù)進行控制和執(zhí)行，進而產(chǎn)生更加嚴(yán)重和不可接受的后果。因此，在泵站運行自動化和少人化的趨勢下，智能泵站對信息監(jiān)測環(huán)節(jié)可靠性的要求較傳統(tǒng)泵站大幅提升[2-3]。

出于對智能泵站關(guān)鍵參數(shù)監(jiān)測穩(wěn)定性和可靠性的考慮，在智能泵站建設(shè)過程中，常常對重要環(huán)節(jié)的關(guān)鍵參數(shù)采取冗余監(jiān)測措施，采用多種監(jiān)測手段對同一個參數(shù)進行重復(fù)監(jiān)測，通過不同監(jiān)測手段和不同類型傳感器特性的互補，保證監(jiān)測信息的準(zhǔn)確、可靠。

在采用冗余監(jiān)測的機制下，如何利用多種傳感器協(xié)同工作，及時甄別異常信息，以及如何在正常情況下，對多種傳感器產(chǎn)生的數(shù)據(jù)進行融合，是需要解決的關(guān)鍵技術(shù)問題。

近年來，針對關(guān)鍵信息的冗余監(jiān)測問題，各領(lǐng)域?qū)W者展開了廣泛的研究，在不同應(yīng)用場景取得了一定成果。王勇等[4]針對滑坡位移自動化監(jiān)測的問題，采用卡爾曼濾波加最小二乘法進行多源數(shù)據(jù)融合，得到滑坡位移的預(yù)測曲線，提高預(yù)警的準(zhǔn)確率。喻凌峰[5]針對隧道火災(zāi)監(jiān)測報警的問題，先采用多傳感器對隧道火災(zāi)進行數(shù)據(jù)采集，通過相關(guān)性函數(shù)對傳感器支持度較低的數(shù)據(jù)進行刪除，通過最小二乘法在中間站對來自同類傳感器的多源數(shù)據(jù)進行局部融合，再利用D-S 證據(jù)論算法將局部最優(yōu)融合數(shù)據(jù)進行全局融合，判斷當(dāng)前隧道內(nèi)火災(zāi)的發(fā)生情況。郭華真[6]詳細(xì)闡述了卡爾曼濾波算法，結(jié)合各子系統(tǒng)的信息特征，設(shè)計了基于聯(lián)邦卡爾曼算法的INS/ODO/Beacon 組合定位融合系統(tǒng)，在對系統(tǒng)的硬件以及軟件進行模塊化的測試后，建立相應(yīng)的運動模型，對實驗系統(tǒng)進行整體的測試與驗證，實驗結(jié)果表明該組合方式以及算法設(shè)計能有效地降低定位誤差，提高列車定位的精確度，并且有良好的容錯性能，提高定位系統(tǒng)的可靠性。樊澤園[7]提出在輪軸速度傳感器的基礎(chǔ)上引入雷達(dá)、GPS 進行組合測速，對輪軸速度傳感器進行誤差修正后，再與其他測速信息基于模糊自適應(yīng)聯(lián)合卡爾曼濾波算法進行融合，利用Fuzzy綜合評判法實現(xiàn)信息分配系數(shù)的動態(tài)調(diào)整并進行協(xié)方差成形自適應(yīng)濾波，從而提高整個測速系統(tǒng)的融合精度、容錯性及可靠性，能夠保證統(tǒng)計特征變化情況下的系統(tǒng)融合效果，且測速融合方案能夠獲得比各單一傳感器都好的測速精度，能夠滿足列控系統(tǒng)的要求。李少年等[8]針對傳統(tǒng)溫室采集精度不高、布線復(fù)雜、能耗大等問題，研究了一種基于改進卡爾曼數(shù)據(jù)融合算法的溫室物聯(lián)網(wǎng)采集系統(tǒng)，運用羅曼諾夫斯基準(zhǔn)則對采集的數(shù)據(jù)進行預(yù)處理后，再使用卡爾曼濾波算法在協(xié)調(diào)器節(jié)點處對數(shù)據(jù)進行靜態(tài)融合。實驗結(jié)果表明，使用改進卡爾曼數(shù)據(jù)融合算法處理后的數(shù)據(jù)更加接近環(huán)境真實值，可以有效地提高數(shù)據(jù)采集的精度和系統(tǒng)的穩(wěn)定性。禚紅旺[9]提出了一種改進的平方根無跡卡爾曼濾波算法，該算法通過擴展?fàn)顟B(tài)向量方法將部分系統(tǒng)噪聲列為狀態(tài)變量，然后計算噪聲sigma 點進行UT 變換，從而降低噪聲對狀態(tài)估計的影響，設(shè)計了實驗對無跡卡爾曼濾波和改進算法進行了性能比較，實驗結(jié)果表明改進算法有效降低了噪聲對數(shù)據(jù)融合的影響。同時也提出了一種姿態(tài)解算的新方法，即協(xié)方差交叉融合AR 卡爾曼濾波算法（ARKF-CI），此算法避免了非線性系統(tǒng)的線性化，提高了狀態(tài)估計精度，同時根據(jù)數(shù)據(jù)的協(xié)方差確定數(shù)據(jù)來源在融合時的權(quán)重，提高了算法的抗干擾能力。但是，截至目前，泵站運行管理中的冗余監(jiān)測應(yīng)用案例尚不多見。

本文針對智能泵站建設(shè)中的實際需求，通過構(gòu)建雙因子校驗與數(shù)據(jù)融合的信息監(jiān)測框架，實現(xiàn)了對智能泵站關(guān)鍵信息的冗余監(jiān)測，從信息監(jiān)測環(huán)節(jié)為智能泵站的可靠運行提供技術(shù)保障。

1 系統(tǒng)方案

本文針對智能泵站建設(shè)中的實際需求，以密云水庫調(diào)蓄工程前柳林泵站智能化改造過程中前后池水位、機組填料函溫度等關(guān)鍵參數(shù)的監(jiān)測機制和數(shù)據(jù)處理流程為例，介紹智能泵站建設(shè)所采用的關(guān)鍵信息冗余監(jiān)測方法。

機組的填料函溫度的測量手段包括光柵測溫傳感器和紅外測溫傳感器，光柵測溫傳感器的特點是精度高，但需要接觸式安裝，容易在機組震動的環(huán)境中出現(xiàn)接觸不良等異常情況；紅外溫度傳感器特點是可以非接觸安裝，不易受外界環(huán)境影響，但測量精度略差。泵站的前后池水位的測量手段包括浮子式水位計或雷達(dá)水位計，浮子式水位計的特點是結(jié)構(gòu)簡單，浮子結(jié)構(gòu)需要直接接觸水面，浮子結(jié)構(gòu)易受到環(huán)境污染，測量精度略低，雷達(dá)水位計的特點是不需要接觸水面，測量精度較高，但容易受外界電磁干擾。

可以看到，不同類型傳感器的特性和性能存在較大差異，存在一定互補，因此，在填料函溫度和前后池水位的測量過程中，可以同時設(shè)置多種類型的測量手段，構(gòu)成對同一參數(shù)的雙因子監(jiān)測，通過不同特性的傳感器因子間相互校驗、相互配合形成冗余監(jiān)測，保證智能泵站建設(shè)過程中關(guān)鍵信息監(jiān)測的穩(wěn)定、可靠。

上述冗余監(jiān)測的實現(xiàn)思路是同時布設(shè)兩路或多路不同類型的傳感器，對同一個參數(shù)環(huán)節(jié)進行監(jiān)測，通過對已確認(rèn)正確的數(shù)據(jù)進行趨勢分析，估計下一時刻參數(shù)最優(yōu)的估計值；根據(jù)傳感器監(jiān)測數(shù)據(jù)的統(tǒng)計特性，設(shè)定合理的閾值，如果某一路的監(jiān)測數(shù)據(jù)超出閾值，則認(rèn)為該路監(jiān)測信息出現(xiàn)異常；最后通過不同傳感器的測量精度和設(shè)備可靠性等指標(biāo)，對多路數(shù)據(jù)進行集成融合，形成最終監(jiān)測的結(jié)果數(shù)據(jù)。

在上述過程中，水位、溫度實時變化，如果需要對傳感器的異常情況進行甄別，需要根據(jù)系統(tǒng)運行規(guī)律和統(tǒng)計特性，對測量對象在當(dāng)前時刻合理的取值范圍進行估計；另外，傳感器的監(jiān)測數(shù)據(jù)夾雜著大量的測量噪聲，為了實現(xiàn)傳感器異常數(shù)據(jù)的甄別，需要選取合適的閾值，有效區(qū)分測量噪聲和數(shù)據(jù)異常；最終，對完成異常監(jiān)測的不同傳感器監(jiān)測數(shù)據(jù)進行融合，得到最終監(jiān)測值。

實現(xiàn)上述方案的核心技術(shù)環(huán)節(jié)包括：監(jiān)測對象在動態(tài)變化過程中，當(dāng)前時刻估計值的確定、用于區(qū)分傳感器正常測量噪聲和異常工作狀態(tài)的檢測閾值的確定、以及多個傳感器數(shù)據(jù)融合方法的確定。流程圖如圖1 所示。

2 實現(xiàn)方法

2.1 基于卡爾曼濾波的預(yù)測方法

在雙因子校驗過程中，需要確定參數(shù)正確取值作為校驗的基準(zhǔn)。由于觀測對象如水位、溫度等參數(shù)都處于不斷變化的過程中，因此，需要根據(jù)對象的參數(shù)值的變化趨勢，預(yù)測參數(shù)在進行校驗時刻的估計值。計算監(jiān)測對象估計值通常采用各類濾波方法，本文使用卡爾曼濾波的方法完成監(jiān)測環(huán)節(jié)參數(shù)值的預(yù)測。

卡爾曼濾波[10]（Kalman filtering）是一種使用系統(tǒng)狀態(tài)的線性方程通過系統(tǒng)輸入和輸出觀測數(shù)據(jù)來最佳估計系統(tǒng)狀態(tài)的算法。因為觀測數(shù)據(jù)包括系統(tǒng)中噪聲和干擾的影響，所以最優(yōu)估計也可以看作是一個濾波過程。數(shù)據(jù)過濾是一種去除噪聲并恢復(fù)真實數(shù)據(jù)的數(shù)據(jù)處理技術(shù)。當(dāng)測量方差已知時，卡爾曼濾波可以從具有測量噪聲的一系列數(shù)據(jù)中估計動態(tài)系統(tǒng)的狀態(tài)。因為其便于計算機編程，可以實時更新和處理現(xiàn)場收集的數(shù)據(jù)。傳統(tǒng)的濾波方法只能在有用信號和噪聲具有不同頻率范圍時實現(xiàn)。20 世紀(jì)60 年代初，卡爾曼（R.E.Kalman）和布塞（R.S.Bucy）提出了一種新的濾波和預(yù)測線性理論，稱為卡爾曼濾波。該特征是基于狀態(tài)空間的線性表示來處理輸入和觀測噪聲信號，以獲得系統(tǒng)狀態(tài)或?qū)嶋H信號?？柭鼮V波不需要假設(shè)信號和噪聲都是平穩(wěn)過程。對于系統(tǒng)擾動和每個時刻的觀測誤差（即噪聲），只要對其統(tǒng)計性質(zhì)作出適當(dāng)?shù)募僭O(shè)，并對含有噪聲的觀測信號進行處理，就可以得到平均方向上誤差最小的實際信號的估計值。因此，自卡爾曼濾波理論問世以來，已被應(yīng)用于通信系統(tǒng)、電力系統(tǒng)、航空航天、環(huán)境污染控制、工業(yè)控制及雷達(dá)信號處理等多個部門，并取得了許多成功的應(yīng)用成果。例如，在圖像處理中，卡爾曼濾波器被應(yīng)用于恢復(fù)由一些噪聲引起的模糊圖像。在假設(shè)了噪聲的一些統(tǒng)計性質(zhì)后，可以使用卡爾曼算法遞歸地獲得模糊圖像的最小均方偏差的實際圖像，從而恢復(fù)模糊圖像。

卡爾曼濾波基于最優(yōu)估計原理，把觀測對象的信號理解為白噪聲作用下的線性系統(tǒng)輸出，以估計值與真實值誤差最小為目標(biāo)，對觀測對象進行估計。采用卡爾曼濾波可以針對動態(tài)變化的監(jiān)測對象，獲得對象當(dāng)前時刻最優(yōu)（最小均方誤差）的估計值，為觀測對象后續(xù)的異常值甄別提供依據(jù)。

卡爾曼濾波算法的原理為

式中：xk為由觀測對象監(jiān)測值構(gòu)成的狀態(tài)向量；φk為狀態(tài)向量的狀態(tài)轉(zhuǎn)移矩陣；xk-1為前一時刻的狀態(tài)向量；yk為當(dāng)前時刻的觀測向量；Hk為系統(tǒng)的觀測矩陣；Γk為系統(tǒng)噪聲作用矩陣；ωk為系統(tǒng)的過程噪聲；Δk為系統(tǒng)的觀測噪聲。

式中：Rk為觀測噪聲的協(xié)方差矩陣；

基于當(dāng)前時刻狀態(tài)向量先驗估計值、估計增益和最新的測量值，計算當(dāng)前時刻的估計值。

這樣，利用上一時刻的估計值和當(dāng)前時刻的測量值，可以得到觀測參數(shù)在當(dāng)前時刻的估計值，該估計值相對于真實數(shù)據(jù)，具有最小的均方誤差，因此可以用該值作為后續(xù)異常檢驗的依據(jù)。

2.2 基于拉依達(dá)準(zhǔn)則的判別方法

傳感器在實際的監(jiān)測過程中，由于自身誤差和安裝狀態(tài)、氣溫等環(huán)境噪聲，會導(dǎo)致實際觀測值圍繞準(zhǔn)確值上下波動，但上述波動是傳感監(jiān)測過程中的正常情況。在雙因子校驗的過程中，需要采用合適的異常判別準(zhǔn)則，確定合理的閾值范圍，將設(shè)備損壞等異常情況和正常的數(shù)值波動相區(qū)分，以便進行有效的異常甄別。

本文基于拉依達(dá)準(zhǔn)則[11-12]確定異常值檢測閾值?；诮y(tǒng)計學(xué)原理，若傳感器監(jiān)測數(shù)據(jù)只含有隨機誤差，則其檢測數(shù)據(jù)偏離真實數(shù)據(jù)的距離服從正態(tài)分布。根據(jù)正態(tài)分布的統(tǒng)計規(guī)律，觀測值偏差超出觀測值標(biāo)準(zhǔn)差3 倍的概率小于0.003 6，因此可以認(rèn)為上述情況是一個小概率事件，如果上述事件發(fā)生，則認(rèn)為觀測值出現(xiàn)異常。

應(yīng)用拉依達(dá)準(zhǔn)則，要求樣本數(shù)量足夠大（一般要求大于30）。在智能泵站應(yīng)用場景下，數(shù)據(jù)體量足夠大且數(shù)據(jù)總體服從正態(tài)分布，故可采用拉依達(dá)準(zhǔn)則確定異常值檢測閾值。

確定異常值閾值的過程如下。

計算觀測量Xi的樣本平均值

計算Xi的殘差

計算Xi的樣本標(biāo)準(zhǔn)差

根據(jù)拉依達(dá)準(zhǔn)則，正常情況下，出現(xiàn)超出區(qū)間（μ-3σ，μ+3σ）的監(jiān)測數(shù)據(jù)，是小概率事件，可以認(rèn)為該監(jiān)測值出現(xiàn)了異常，應(yīng)對該數(shù)據(jù)進行舍棄。

由于本文采用的是雙因子校驗體系，所以通過拉依達(dá)準(zhǔn)則判別方法之后的輸出會有3 種情況：雙因子的最優(yōu)估計值都正確，輸出2 個值；只有單因子的最優(yōu)估計值正確，輸出1 個值；雙因子的最優(yōu)估計值都異常，無輸出值。

2.3 基于權(quán)重分配的數(shù)據(jù)融合方法

通過2.1 和2.2 小節(jié)對數(shù)據(jù)進行卡爾曼濾波和異常值甄別處理后，可以得到準(zhǔn)確的雙因子觀測值，最后，需要對得到的2 種不同的監(jiān)測值進行數(shù)據(jù)融合，得到最終觀測值。

在很多文獻中，已經(jīng)提出了一些有效的融合方法[13-14]，但神經(jīng)網(wǎng)絡(luò)、貝葉斯決策等融合技術(shù)需要大量數(shù)據(jù)集進行建模，存在在線應(yīng)用的局限性[15-16]?；跈?quán)重分配的融合方法簡單實用，精度滿足要求，并且比較適合強實時應(yīng)用場景，因此本文采用加權(quán)數(shù)據(jù)融合。若雙因子監(jiān)測均工作正常，則權(quán)重值可以根據(jù)2 類監(jiān)測手段的精度，按照精度比的倒數(shù)設(shè)置權(quán)重比例，確定2 類監(jiān)測手段對最終監(jiān)測結(jié)果數(shù)值影響的大小，最終通過加權(quán)平均，完成2 類監(jiān)測手段的監(jiān)測結(jié)果的融合。

針對2.2 小節(jié)介紹的3 種雙因子輸出情況，權(quán)重分配也需要分為3 種情況進行討論：若輸出2 個值，分別給它們分配權(quán)重a 和b，初始值均為1，然后采用基于置信度的方法來適當(dāng)調(diào)整權(quán)重的大小，可以考慮各因子最優(yōu)估計值方差的大小、設(shè)備精度等因素來進行適當(dāng)調(diào)整，最終通過加權(quán)平均，得出最終的最優(yōu)估計值，即關(guān)鍵信息最終的一個估計值；若輸出一個值，這時候就無需分配權(quán)重，由這個值作為最終的最優(yōu)估計值；若無輸出值，則舍棄該點數(shù)據(jù)。

3 結(jié)束語

基于卡爾曼濾波和拉依達(dá)準(zhǔn)則的冗余監(jiān)測方法體系，具有如下優(yōu)點：各環(huán)節(jié)含義清晰，容易進行針對性的參數(shù)調(diào)整；算法計算量小，實現(xiàn)簡單，不需要過高的算力支撐，容易在工業(yè)場景實現(xiàn)；算法結(jié)構(gòu)開放，可較好地適應(yīng)雙因子、多因子等不同的冗余監(jiān)測應(yīng)用。

該方法在前柳林泵站的智能化建設(shè)中，在機組填料函溫度監(jiān)測和前后池水位監(jiān)測等場景中，均取得了較好的應(yīng)用效果，為其他類型的智慧化工控系統(tǒng)提供了有益的技術(shù)參考方案。