1. 课程导入
在现代飞机、高铁、新能源汽车、工业过程控制与机器人系统中，传感器不再孤立工作，而是以多传感器融合的方式共同感知同一物理量或同一工况。例如，一架无人机可能同时配置惯性测量单元、GNSS接收机、气压高度计、磁力计与视觉传感器；一辆智能汽车则同时依赖轮速传感器、横摆角速度传感器、加速度计、激光雷达与摄像头。多传感器系统通过冗余、互补与协同，提高了状态估计的精度与鲁棒性，但也带来了新的问题：当某个传感器发生漂移、卡死、噪声增大或完全失效时，系统能否及时发现、准确定位并安全隔离？这正是多传感器故障检测与隔离要解决的核心工程问题。
1.1 定义：什么是故障检测与隔离
故障检测与隔离（Fault Detection and Isolation，FDI）是指利用系统可测信号、模型知识或数据驱动方法，判断系统是否发生故障、确定故障发生的时间、定位故障所在部件或传感器，并在必要时进行隔离与重构的过程。在多传感器背景下，FDI通常包含三个层次：
- 故障检测：判断系统当前是否处于异常状态，输出“有故障/无故障”的二值决策或故障概率。
- 故障隔离：在检测到故障后，进一步确定是哪一个传感器、哪一类故障（如偏差、漂移、卡死、增益损失、噪声异常）。
- 故障重构与容错：隔离故障传感器后，利用剩余健康传感器重新估计状态，维持系统安全运行或进入降级模式。
与单传感器故障诊断不同，多传感器FDI必须处理传感器之间的相关性、冗余关系与信息冲突。例如，当两个传感器同时异常时，简单的多数表决可能失效；当故障缓慢漂移时，残差可能长期处于阈值以下。因此，多传感器FDI既需要信号处理与统计检验，也需要系统模型、解析冗余与数据融合的支撑。
核心思想：多传感器FDI不是“给每个传感器单独加一个报警器”，而是利用传感器之间的解析冗余关系构造残差，通过残差的方向、幅值与统计特性，反推故障源。残差是故障检测的“指纹”，隔离则是根据指纹匹配故障模式。
1.2 整体知识框架：从信号到决策的闭环
本课程将围绕“感知—建模—残差—决策—隔离—重构”的主线展开。下图给出了多传感器FDI的整体知识框架与信号流关系，便于建立全局认知。
从图中可以看出，多传感器FDI不是单一算法，而是一条完整的工程链路：底层是多源传感器数据，中间是预处理、残差生成与决策方法，顶层是隔离输出与容错重构。学习本课程时，应始终关注“数据从哪来、残差如何构造、故障如何被区分、隔离后系统如何继续运行”这四个问题。
1.3 学习目标与能力矩阵
完成本课程后，学习者应具备以下能力：能够解释多传感器FDI的基本概念与工程意义；能够针对典型传感器配置设计残差生成方案；能够选择合适的检测阈值与统计检验方法；能够根据残差特征隔离常见故障；能够评估FDI系统的误报率、漏报率与隔离延迟；能够在仿真或实验平台上完成从数据采集到故障隔离的完整验证。
| 能力维度 | 具体目标 | 对应工程场景 |
|---|---|---|
| 概念理解 | 掌握故障、失效、残差、可隔离性等术语 | 技术方案评审、需求分析 |
| 建模能力 | 建立传感器冗余关系与状态空间模型 | 无人机导航、汽车底盘控制 |
| 算法设计 | 设计观测器、PCA、卡尔曼滤波等残差生成器 | 在线监测系统开发 |
| 决策与隔离 | 设定阈值、统计检验、故障模式匹配 | 故障诊断模块实现 |
| 验证与评估 | 计算检测率、隔离率、误报率与延迟 | 台架试验、飞行试验 |
1.4 工程价值与典型场景
多传感器FDI的工程价值体现在安全、可靠、可维护与经济性四个方面。以民用航空为例，大气数据系统同时使用多个空速管、静压孔与迎角传感器，若不能及时隔离结冰或堵塞的传感器，可能导致飞行控制律误判，危及飞行安全。在新能源汽车中，电池管理系统依赖多组电压、电流与温度传感器，若某个温度传感器卡死，可能引发过充或热失控风险。在工业过程中，多传感器FDI可减少非计划停机，降低维护成本。
典型场景：某四旋翼无人机配置两套IMU、一个GNSS、一个气压计和一个磁力计。飞行中GNSS信号受干扰，若直接使用GNSS速度，位置估计会发散；若通过FDI检测到GNSS异常并隔离，改用IMU与气压计组合导航，可维持稳定飞行。这就是“检测—隔离—重构”的完整价值闭环。
1.5 常见误区与学习建议
初学者常陷入以下误区：第一，认为“传感器越多越可靠”，忽视故障传感器可能污染融合结果；第二，只关注检测算法，忽视隔离逻辑与重构策略；第三，用单一阈值处理所有工况，导致动态飞行中误报率升高；第四，忽略故障的可隔离性分析，导致某些故障模式无法区分。建议在学习过程中坚持“模型—残差—决策—验证”的闭环思维，并在每章结束后用一个小型仿真或数据集复现关键方法。
# 多传感器FDI工程验证的典型数据流（伪代码）
sensors = [IMU1, IMU2, GNSS, Baro, Mag]
data = preprocess(sensors) # 时间同步、滤波、野值剔除
residuals = generate_residuals(data) # 解析冗余、观测器、PCA
fault_flags = detect(residuals) # 阈值、CUSUM、GLR
isolated = isolate(fault_flags) # 故障模式匹配、贡献图
reconstructed = reconstruct(isolated, data) # 容错重构
evaluate(reconstructed) # 检测率、隔离率、延迟
本课程后续将沿着这条数据流逐步展开：先建立多传感器系统模型与故障数学描述，再学习残差生成与统计检验，进而掌握隔离逻辑与容错重构，最后通过综合案例完成工程化训练。掌握本章框架，有助于在后续学习中始终明确每个算法在整体链路中的位置与作用。