基于时空信息比较的温室环境传感器故障识别

为了提高温室环境测控系统中传感器数据的准确性,针对温室环境参数变化的时间相关性和空间相似性特点,提出了一种基于主成分分析(Principal component analysis,PCA)的故障检测与基于时空信息比较的温室环境监测系统的传感器故障识别方法。首先利用基于PCA的传感器故障检测方法,通过监控统计量T2和SPE的变化实现传感器系统故障检测;再针对检测出故障的传感器节点,对该时刻传感器节点采用基于时空特性的节点信息比较实现不同传感器的故障识别。分别对比基于时间尺度、空间尺度、时空尺度的节点信息比较方法对传感器故障识别的影响进行了分析与试验验证,验证结果表明:基于PCA的传感器故障检测方法能够有效地实现对传感器系统故障的初步检测,提出的基于时空信息比较的传感器故障识别方法,融合考虑时间尺度和空间尺度的节点信息,能够有效地实现传感器具体故障定位;所建立的传感器故障识别方法检测正确率CDR为98.37%、平均虚警率FAR为1.72%,较传统的传感器故障识别方法检测正确率CDR提高了22.067个百分点,而平均虚警率FAR则降低了15.762个百分点,能够有效地保证故障诊断效率、提高故障诊断精度、降低虚警率,具有可靠性和准确性。     

基于时空关联性的温室环境多传感器数据融合

为满足温室环境测控系统中传感器数据需具有鲁棒性的要求,提出一种基于时空关联性的温室环境多传感器数据融合算法。利用时间预测算法对环境数据的时间相关性进行预测,利用同质和异质传感器的特点对环境参数进行空间相似性预测。利用改进型支持度函数算法对基于时空关联性的预测值进行数据融合,并对数据融合的效果进行验证。结果表明,时间相关性、空间相似性预测算法的预测效果较好,且以时空预测值为输入变量时,改进型支持度函数的数据融合算法能够有效地将环境数据预处理的时空关联性预测值赋予动态的加权值,并且其数据融合结果优于平均值算法、传统支持度函数算法,数据融合产生的最优估计值更能真实地反映温室环境的变化,具有可靠性和准确性。