4. 多传感器系统建模方法
在多传感器故障检测与隔离（FDI）工程中，建模不是“画一张系统框图”那么简单，而是决定后续残差能否灵敏反映故障、能否把故障与扰动区分开来的根基。多传感器系统通常由多个同类或异类传感器、执行机构、被控对象和控制器构成，传感器之间既有冗余关系，也有互补关系。建模的任务，就是用数学或数据的方式描述“正常时各传感器输出应当满足什么关系”，从而让偏离这种关系的异常变得可计算、可判定。
4.1 机理建模：从物理规律到解析冗余关系
机理建模依据质量守恒、能量守恒、牛顿定律、电路定律、热力学方程等物理规律，建立被控对象和传感器之间的解析关系。对多传感器系统而言，机理模型最有价值的地方在于它能产生解析冗余关系（Analytical Redundancy Relations, ARR）。例如，一个水箱系统同时测量进水量、出水量和液位，正常时三者应满足液位变化率等于进出流量差除以截面积。若液位传感器卡死，而流量传感器仍正常，这个等式就会失衡，残差随之增大。
机理建模的优点是物理意义明确、可解释性强、外推能力好，特别适合航空航天、能源动力、化工过程等对安全性要求高的场景。缺点是复杂系统建模成本高，未建模动态、参数时变和噪声会使模型与实际存在偏差，导致残差阈值难以整定。
4.2 数据驱动建模：用历史数据学习正常模式
当机理复杂或难以精确获得时，数据驱动建模成为重要补充。它利用正常工况下的多传感器历史数据，学习变量之间的统计关系或映射关系。常见方法包括主成分分析（PCA）、偏最小二乘（PLS）、自编码器、支持向量回归、神经网络以及高斯过程回归等。其核心思想是：正常数据分布在低维流形或特定相关结构上，故障会使样本偏离该结构，从而产生异常得分。
数据驱动建模的关键在于数据质量与工况覆盖。训练数据必须覆盖正常运行的多种工况，否则模型会把正常工况变化误判为故障。此外，数据驱动模型通常缺乏物理可解释性，故障隔离时不如机理模型直观，因此工程中常采用“机理为主、数据为辅”的混合策略。
4.3 状态空间模型：统一描述动态系统
状态空间模型是现代故障诊断的核心工具，它用一阶微分或差分方程描述系统内部状态随时间的演化，并用输出方程描述传感器测量与状态的关系。连续时间线性时不变形式为：
x_dot(t) = A x(t) + B u(t) + E_d d(t) + E_f f(t)
y(t) = C x(t) + D u(t) + F_d d(t) + F_f f(t)其中，x 为状态向量，u 为控制输入，y 为多传感器测量输出，d 为扰动，f 为故障。A、B、C、D 描述正常动态，E_d、F_d 描述扰动影响，E_f、F_f 描述故障影响。多传感器系统的特点体现在 y 的维数较高，C 矩阵的行对应不同传感器，因此不同传感器故障在输出方程中表现为不同的 F_f 列方向。
状态空间模型的价值在于：它把“动态演化”和“测量冗余”统一在一个框架内，便于设计观测器、卡尔曼滤波器以及后续的残差生成器。对于非线性系统，可采用扩展卡尔曼滤波、无迹卡尔曼滤波或非线性观测器进行推广。
4.4 观测器模型与残差生成基础
观测器利用系统输入和传感器输出估计内部状态，并构造输出估计误差作为残差。最典型的龙伯格观测器形式为：
x_hat_dot = A x_hat + B u + L (y - C x_hat)
r = y - C x_hat其中 L 为观测器增益，r 为残差。正常时，若模型准确且无故障，r 应接近零均值小方差信号；当传感器故障发生时，r 会偏离正常范围。残差生成的关键是让残差对故障敏感、对扰动和噪声不敏感，这通常通过选择 L 或设计故障检测滤波器来实现。
残差评价通常包括阈值逻辑、CUSUM、广义似然比等方法。阈值过小会导致虚警，过大则漏检。工程中常结合滑动窗口统计量，如残差均值和方差，来提升鲁棒性。
4.5 方法对比与工程选型
| 建模方法 | 核心依据 | 优点 | 局限 | 典型适用场景 |
|---|---|---|---|---|
| 机理建模 | 物理定律、守恒方程 | 可解释、外推强、便于隔离 | 复杂系统建模难、参数时变 | 航空航天、动力系统、化工过程 |
| 数据驱动建模 | 历史正常数据统计关系 | 无需精确机理、适应复杂模式 | 依赖数据覆盖、可解释性弱 | 工况多变、机理不清的工业过程 |
| 状态空间模型 | 一阶动态方程 + 输出方程 | 统一动态与测量、便于观测器设计 | 需已知或辨识系统矩阵 | 多变量动态系统、传感器冗余系统 |
| 观测器模型 | 状态估计误差反馈 | 残差物理意义明确、实时性好 | 对模型误差和扰动敏感 | 在线故障检测、执行器/传感器故障 |
4.6 案例场景：三传感器冗余系统的残差生成
考虑一个温度控制系统，使用三个温度传感器测量同一测点，同时有一个加热功率输入。正常时三个传感器读数应一致，且温度动态满足一阶热模型。采用状态空间建模，状态为温度 T，输出为三个传感器读数 y1、y2、y3。设计龙伯格观测器后，可得到三个残差 r1、r2、r3。若某一传感器发生偏置故障，对应残差会持续偏离零均值；若加热功率扰动引起温度波动，三个残差会同时变化但保持一致。通过比较残差之间的差异，可以区分“传感器故障”和“系统扰动”，实现初步隔离。
4.7 常见误区与复盘
- 误区一：模型越复杂越好。 过于复杂的模型会引入更多未建模动态和参数不确定性，反而降低残差信噪比。应优先选择能反映关键冗余关系的最小模型。
- 误区二：忽略扰动与故障的区分。 若模型中不显式区分扰动 d 和故障 f，残差会对工况变化过度敏感，导致虚警频发。
- 误区三：阈值一劳永逸。 阈值应随工况、噪声水平和模型置信度自适应调整，固定阈值难以兼顾灵敏度和鲁棒性。
- 误区四：只建模不验证。 建模后必须用正常数据验证残差是否零均值、小方差，用故障数据验证残差是否显著偏离，否则后续检测逻辑无从谈起。
综上，多传感器系统建模方法的选择取决于系统机理清晰度、数据可得性、实时性要求和可解释性需求。机理建模与状态空间模型适合安全关键系统，数据驱动建模适合复杂工况补充，观测器模型则是连接模型与残差生成的桥梁。只有把建模、残差生成和评价逻辑贯通，后续的故障检测与隔离才有可靠基础。