李記恒，孫寶璽，楊浩楠

（1.北京市南水北調(diào)團(tuán)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(duì)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(shí)現(xiàn)泵站的自動(dòng)化和少人化運(yùn)行，以節(jié)約人力成本和運(yùn)行成本，提升泵站的運(yùn)行管理水平[1]。在智能泵站的運(yùn)行過程中，由于環(huán)境影響和設(shè)備穩(wěn)定性等原因，會(huì)導(dǎo)致泵站某些環(huán)節(jié)的監(jiān)測(cè)數(shù)據(jù)產(chǎn)生異?；蝈e(cuò)誤，如果異常情況不能被及時(shí)發(fā)現(xiàn)和排除，將導(dǎo)致泵站自動(dòng)化系統(tǒng)基于錯(cuò)誤的數(shù)據(jù)進(jìn)行控制和執(zhí)行，進(jìn)而產(chǎn)生更加嚴(yán)重和不可接受的后果。因此，在泵站運(yùn)行自動(dòng)化和少人化的趨勢(shì)下，智能泵站對(duì)信息監(jiān)測(cè)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(duì)智能泵站關(guān)鍵參數(shù)監(jiān)測(cè)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(duì)重要環(huán)節(jié)的關(guān)鍵參數(shù)采取冗余監(jiān)測(cè)措施，采用多種監(jiān)測(cè)手段對(duì)同一個(gè)參數(shù)進(jìn)行重復(fù)監(jiān)測(cè)，通過不同監(jiān)測(cè)手段和不同類型傳感器特性的互補(bǔ)，保證監(jiān)測(cè)信息的準(zhǔn)確、可靠。

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

近年來，針對(duì)關(guān)鍵信息的冗余監(jiān)測(cè)問題，各領(lǐng)域?qū)W者展開了廣泛的研究，在不同應(yīng)用場(chǎng)景取得了一定成果。王勇等[4]針對(duì)滑坡位移自動(dòng)化監(jiān)測(cè)的問題，采用卡爾曼濾波加最小二乘法進(jìn)行多源數(shù)據(jù)融合，得到滑坡位移的預(yù)測(cè)曲線，提高預(yù)警的準(zhǔn)確率。喻凌峰[5]針對(duì)隧道火災(zāi)監(jiān)測(cè)報(bào)警的問題，先采用多傳感器對(duì)隧道火災(zāi)進(jìn)行數(shù)據(jù)采集，通過相關(guān)性函數(shù)對(duì)傳感器支持度較低的數(shù)據(jù)進(jìn)行刪除，通過最小二乘法在中間站對(duì)來自同類傳感器的多源數(shù)據(jù)進(jìn)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(jìn)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(jì)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(duì)系統(tǒng)的硬件以及軟件進(jìn)行模塊化的測(cè)試后，建立相應(yīng)的運(yùn)動(dòng)模型，對(duì)實(shí)驗(yàn)系統(tǒng)進(jìn)行整體的測(cè)試與驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該組合方式以及算法設(shè)計(jì)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(cuò)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(jìn)行組合測(cè)速，對(duì)輪軸速度傳感器進(jìn)行誤差修正后，再與其他測(cè)速信息基于模糊自適應(yīng)聯(lián)合卡爾曼濾波算法進(jìn)行融合，利用Fuzzy綜合評(píng)判法實(shí)現(xiàn)信息分配系數(shù)的動(dòng)態(tài)調(diào)整并進(jìn)行協(xié)方差成形自適應(yīng)濾波，從而提高整個(gè)測(cè)速系統(tǒng)的融合精度、容錯(cuò)性及可靠性，能夠保證統(tǒng)計(jì)特征變化情況下的系統(tǒng)融合效果，且測(cè)速融合方案能夠獲得比各單一傳感器都好的測(cè)速精度，能夠滿足列控系統(tǒng)的要求。李少年等[8]針對(duì)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(jìn)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(yùn)用羅曼諾夫斯基準(zhǔn)則對(duì)采集的數(shù)據(jù)進(jìn)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(diǎn)處對(duì)數(shù)據(jù)進(jìn)行靜態(tài)融合。實(shí)驗(yàn)結(jié)果表明，使用改進(jìn)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(shí)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(jìn)的平方根無跡卡爾曼濾波算法，該算法通過擴(kuò)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(jì)算噪聲sigma 點(diǎn)進(jìn)行UT 變換，從而降低噪聲對(duì)狀態(tài)估計(jì)的影響，設(shè)計(jì)了實(shí)驗(yàn)對(duì)無跡卡爾曼濾波和改進(jìn)算法進(jìn)行了性能比較，實(shí)驗(yàn)結(jié)果表明改進(jìn)算法有效降低了噪聲對(duì)數(shù)據(jù)融合的影響。同時(shí)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(jì)精度，同時(shí)根據(jù)數(shù)據(jù)的協(xié)方差確定數(shù)據(jù)來源在融合時(shí)的權(quán)重，提高了算法的抗干擾能力。但是，截至目前，泵站運(yùn)行管理中的冗余監(jiān)測(cè)應(yīng)用案例尚不多見。

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

1 系統(tǒng)方案

本文針對(duì)智能泵站建設(shè)中的實(shí)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(jī)組填料函溫度等關(guān)鍵參數(shù)的監(jiān)測(cè)機(jī)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(cè)方法。

機(jī)組的填料函溫度的測(cè)量手段包括光柵測(cè)溫傳感器和紅外測(cè)溫傳感器，光柵測(cè)溫傳感器的特點(diǎn)是精度高，但需要接觸式安裝，容易在機(jī)組震動(dòng)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(diǎn)是可以非接觸安裝，不易受外界環(huán)境影響，但測(cè)量精度略差。泵站的前后池水位的測(cè)量手段包括浮子式水位計(jì)或雷達(dá)水位計(jì)，浮子式水位計(jì)的特點(diǎn)是結(jié)構(gòu)簡(jiǎn)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(cè)量精度略低，雷達(dá)水位計(jì)的特點(diǎn)是不需要接觸水面，測(cè)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(bǔ)，因此，在填料函溫度和前后池水位的測(cè)量過程中，可以同時(shí)設(shè)置多種類型的測(cè)量手段，構(gòu)成對(duì)同一參數(shù)的雙因子監(jiān)測(cè)，通過不同特性的傳感器因子間相互校驗(yàn)、相互配合形成冗余監(jiān)測(cè)，保證智能泵站建設(shè)過程中關(guān)鍵信息監(jiān)測(cè)的穩(wěn)定、可靠。

上述冗余監(jiān)測(cè)的實(shí)現(xiàn)思路是同時(shí)布設(shè)兩路或多路不同類型的傳感器，對(duì)同一個(gè)參數(shù)環(huán)節(jié)進(jìn)行監(jiān)測(cè)，通過對(duì)已確認(rèn)正確的數(shù)據(jù)進(jìn)行趨勢(shì)分析，估計(jì)下一時(shí)刻參數(shù)最優(yōu)的估計(jì)值；根據(jù)傳感器監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)特性，設(shè)定合理的閾值，如果某一路的監(jiān)測(cè)數(shù)據(jù)超出閾值，則認(rèn)為該路監(jiān)測(cè)信息出現(xiàn)異常；最后通過不同傳感器的測(cè)量精度和設(shè)備可靠性等指標(biāo)，對(duì)多路數(shù)據(jù)進(jìn)行集成融合，形成最終監(jiān)測(cè)的結(jié)果數(shù)據(jù)。

在上述過程中，水位、溫度實(shí)時(shí)變化，如果需要對(duì)傳感器的異常情況進(jìn)行甄別，需要根據(jù)系統(tǒng)運(yùn)行規(guī)律和統(tǒng)計(jì)特性，對(duì)測(cè)量對(duì)象在當(dāng)前時(shí)刻合理的取值范圍進(jìn)行估計(jì)；另外，傳感器的監(jiān)測(cè)數(shù)據(jù)夾雜著大量的測(cè)量噪聲，為了實(shí)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(cè)量噪聲和數(shù)據(jù)異常；最終，對(duì)完成異常監(jiān)測(cè)的不同傳感器監(jiān)測(cè)數(shù)據(jù)進(jìn)行融合，得到最終監(jiān)測(cè)值。

實(shí)現(xiàn)上述方案的核心技術(shù)環(huán)節(jié)包括：監(jiān)測(cè)對(duì)象在動(dòng)態(tài)變化過程中，當(dāng)前時(shí)刻估計(jì)值的確定、用于區(qū)分傳感器正常測(cè)量噪聲和異常工作狀態(tài)的檢測(cè)閾值的確定、以及多個(gè)傳感器數(shù)據(jù)融合方法的確定。流程圖如圖1 所示。

2 實(shí)現(xiàn)方法

2.1 基于卡爾曼濾波的預(yù)測(cè)方法

在雙因子校驗(yàn)過程中，需要確定參數(shù)正確取值作為校驗(yàn)的基準(zhǔn)。由于觀測(cè)對(duì)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(duì)象的參數(shù)值的變化趨勢(shì)，預(yù)測(cè)參數(shù)在進(jìn)行校驗(yàn)時(shí)刻的估計(jì)值。計(jì)算監(jiān)測(cè)對(duì)象估計(jì)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(cè)環(huán)節(jié)參數(shù)值的預(yù)測(cè)。

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(cè)數(shù)據(jù)來最佳估計(jì)系統(tǒng)狀態(tài)的算法。因?yàn)橛^測(cè)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(jì)也可以看作是一個(gè)濾波過程。數(shù)據(jù)過濾是一種去除噪聲并恢復(fù)真實(shí)數(shù)據(jù)的數(shù)據(jù)處理技術(shù)。當(dāng)測(cè)量方差已知時(shí)，卡爾曼濾波可以從具有測(cè)量噪聲的一系列數(shù)據(jù)中估計(jì)動(dòng)態(tài)系統(tǒng)的狀態(tài)。因?yàn)槠浔阌谟?jì)算機(jī)編程，可以實(shí)時(shí)更新和處理現(xiàn)場(chǎng)收集的數(shù)據(jù)。傳統(tǒng)的濾波方法只能在有用信號(hào)和噪聲具有不同頻率范圍時(shí)實(shí)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(cè)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(cè)噪聲信號(hào)，以獲得系統(tǒng)狀態(tài)或?qū)嶋H信號(hào)?？柭鼮V波不需要假設(shè)信號(hào)和噪聲都是平穩(wěn)過程。對(duì)于系統(tǒng)擾動(dòng)和每個(gè)時(shí)刻的觀測(cè)誤差（即噪聲），只要對(duì)其統(tǒng)計(jì)性質(zhì)作出適當(dāng)?shù)募僭O(shè)，并對(duì)含有噪聲的觀測(cè)信號(hào)進(jìn)行處理，就可以得到平均方向上誤差最小的實(shí)際信號(hào)的估計(jì)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(hào)處理等多個(gè)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(jì)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(shí)際圖像，從而恢復(fù)模糊圖像。

卡爾曼濾波基于最優(yōu)估計(jì)原理，把觀測(cè)對(duì)象的信號(hào)理解為白噪聲作用下的線性系統(tǒng)輸出，以估計(jì)值與真實(shí)值誤差最小為目標(biāo)，對(duì)觀測(cè)對(duì)象進(jìn)行估計(jì)。采用卡爾曼濾波可以針對(duì)動(dòng)態(tài)變化的監(jiān)測(cè)對(duì)象，獲得對(duì)象當(dāng)前時(shí)刻最優(yōu)（最小均方誤差）的估計(jì)值，為觀測(cè)對(duì)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(cè)對(duì)象監(jiān)測(cè)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(shí)刻的狀態(tài)向量；yk為當(dāng)前時(shí)刻的觀測(cè)向量；Hk為系統(tǒng)的觀測(cè)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(cè)噪聲。

式中：Rk為觀測(cè)噪聲的協(xié)方差矩陣；

基于當(dāng)前時(shí)刻狀態(tài)向量先驗(yàn)估計(jì)值、估計(jì)增益和最新的測(cè)量值，計(jì)算當(dāng)前時(shí)刻的估計(jì)值。

這樣，利用上一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的測(cè)量值，可以得到觀測(cè)參數(shù)在當(dāng)前時(shí)刻的估計(jì)值，該估計(jì)值相對(duì)于真實(shí)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(yàn)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(shí)際的監(jiān)測(cè)過程中，由于自身誤差和安裝狀態(tài)、氣溫等環(huán)境噪聲，會(huì)導(dǎo)致實(shí)際觀測(cè)值圍繞準(zhǔn)確值上下波動(dòng)，但上述波動(dòng)是傳感監(jiān)測(cè)過程中的正常情況。在雙因子校驗(yàn)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(dòng)相區(qū)分，以便進(jìn)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(cè)閾值?；诮y(tǒng)計(jì)學(xué)原理，若傳感器監(jiān)測(cè)數(shù)據(jù)只含有隨機(jī)誤差，則其檢測(cè)數(shù)據(jù)偏離真實(shí)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(jì)規(guī)律，觀測(cè)值偏差超出觀測(cè)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(gè)小概率事件，如果上述事件發(fā)生，則認(rèn)為觀測(cè)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(chǎng)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(cè)閾值。

確定異常值閾值的過程如下。

計(jì)算觀測(cè)量Xi的樣本平均值

計(jì)算Xi的殘差

計(jì)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(cè)數(shù)據(jù)，是小概率事件，可以認(rèn)為該監(jiān)測(cè)值出現(xiàn)了異常，應(yīng)對(duì)該數(shù)據(jù)進(jìn)行舍棄。

由于本文采用的是雙因子校驗(yàn)體系，所以通過拉依達(dá)準(zhǔn)則判別方法之后的輸出會(huì)有3 種情況：雙因子的最優(yōu)估計(jì)值都正確，輸出2 個(gè)值；只有單因子的最優(yōu)估計(jì)值正確，輸出1 個(gè)值；雙因子的最優(yōu)估計(jì)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(duì)數(shù)據(jù)進(jìn)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(cè)值，最后，需要對(duì)得到的2 種不同的監(jiān)測(cè)值進(jìn)行數(shù)據(jù)融合，得到最終觀測(cè)值。

在很多文獻(xiàn)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(jìn)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(jiǎn)單實(shí)用，精度滿足要求，并且比較適合強(qiáng)實(shí)時(shí)應(yīng)用場(chǎng)景，因此本文采用加權(quán)數(shù)據(jù)融合。若雙因子監(jiān)測(cè)均工作正常，則權(quán)重值可以根據(jù)2 類監(jiān)測(cè)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(cè)手段對(duì)最終監(jiān)測(cè)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(cè)手段的監(jiān)測(cè)結(jié)果的融合。

針對(duì)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(jìn)行討論：若輸出2 個(gè)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(jì)值方差的大小、設(shè)備精度等因素來進(jìn)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(jì)值，即關(guān)鍵信息最終的一個(gè)估計(jì)值；若輸出一個(gè)值，這時(shí)候就無需分配權(quán)重，由這個(gè)值作為最終的最優(yōu)估計(jì)值；若無輸出值，則舍棄該點(diǎn)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(cè)方法體系，具有如下優(yōu)點(diǎn)：各環(huán)節(jié)含義清晰，容易進(jìn)行針對(duì)性的參數(shù)調(diào)整；算法計(jì)算量小，實(shí)現(xiàn)簡(jiǎn)單，不需要過高的算力支撐，容易在工業(yè)場(chǎng)景實(shí)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(cè)應(yīng)用。

該方法在前柳林泵站的智能化建設(shè)中，在機(jī)組填料函溫度監(jiān)測(cè)和前后池水位監(jiān)測(cè)等場(chǎng)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。