基于主元分析的溫室物聯網空氣溫濕度傳感器故障診斷

摘要：針對溫室物聯網測控系統中空氣溫濕度傳感器受惡劣環境影響易發生故障的問題，研究溫室物聯網測控系統中空氣溫濕度傳感器的故障診斷，保障溫室物聯網測控系統整體工作的穩定可靠性，提出一種基于主元分析的空氣溫濕度傳感器故障診斷方法。首先對空氣溫濕度傳感器數據進行主元分析，通過監控平方預測誤差統計量的變化實現傳感器的故障檢測；再針對檢測出的空氣溫濕度傳感器故障數據，利用加權后的平方預測誤差統計量來計算傳感器的累積貢獻率，并將其作為傳感器故障識別的指標，識別出現故障的空氣溫濕度傳感器。利用空氣溫濕度傳感器數據在不同故障條件下進行傳感器故障診斷方法驗證，驗證結果表明：所提方法可用于溫室物聯網測控系統中空氣溫濕度傳感器偏差故障和漂移故障的檢測，偏差故障的檢測效果要好于漂移故障，偏差故障綜合檢測率為100%，漂移故障綜合檢測率為51.25%；同時所提方法能夠正確識別出故障傳感器，有效提高溫室物聯網測控系統中空氣溫濕度傳感器故障診斷結果的準確性。

關鍵詞：溫室；物聯網；空氣溫濕度傳感器；故障診斷；主元分析；測控系統

中圖分類號：S625： TP212.9

文獻標識碼：A

文章編號：2095-5553 （2024） 05-0069-10

收稿日期：2022年8月25日" 修回日期：2022年11月25日*基金項目：山東省農業重大應用技術創新項目（SD2019ZZ019）；山東省重大科技創新工程項目（2019JZZY010713）；山東省科技特派員項目（2020KJTPY078）；山東省重點研發計劃（2022CXGC010609）

第一作者：范衛強，男，1996年生，河南駐馬店人，碩士研究生；研究方向為物聯網理論與技術。E-mail： fanweiqiang96@163.com

通訊作者：柳平增，男，1968年生，山東萊蕪人，博士，教授；研究方向為農業大數據、農業物聯網、食品質量溯源等。E-mail： pzliu@sdau.edu.cn

Fault diagnosis of greenhouse IoT air temperature and humidity sensors

based on principal components analysis

Fan Weiqiang1， 2， 3， Liu Pingzeng1， 2， 3， Zhu Ke1， 2， 3， Meng Xianyong1， 2， 3， Liu Lining2， 3， 4

（1. School of Information Science and Engineering， Shandong Agricultural University， Tai’an， 271018， China;

2. Agricultural Big Data Research Center of Shandong Agricultural University， Tai’an， 271018， China;

3. Huanghuaihai Key Laboratory of Smart Agricultural Technology， Ministry of Agriculture and Rural Affairs，

Tai’an， 271018， China; 4. School of Mechanical and Electronic Engineering， Shandong Agricultural University，

Tai’an， 271018， China）

Abstract：

Aiming at the problem that the air temperature and humidity sensor in the greenhouse IoT measurement and control system is prone to failure due to the harsh environment， the fault diagnosis of the air temperature and humidity sensor in the greenhouse IoT measurement and control system is studied to ensure the stability and reliability of the overall work of the greenhouse IoT measurement and control system. A fault diagnosis method of air temperature and humidity sensor based on principal component analysis is proposed. Firstly， the principal component analysis of the air temperature and humidity sensor data is carried out， and the fault detection of the sensor is realized by monitoring the change of the square prediction error statistics. Then， for the detected air temperature and humidity sensor fault data， the weighted squared prediction error statistics are used to calculate the cumulative contribution rate of the sensor， and it is used as an indicator of sensor fault identification to identify the faulty air temperature and humidity sensor. The sensor fault diagnosis method is verified by using the data of air temperature and humidity sensor under different fault conditions. The verification results show that the proposed method can be used to detect the deviation fault and drift fault of air temperature and humidity sensor in the measurement and control system of greenhouse IoT. The detection effect of deviation fault is better than that of drift fault. The comprehensive detection rate of deviation fault is 100 %， and the comprehensive detection rate of drift fault is 51.25 %. At the same time， the proposed method can correctly identify the fault sensor， and effectively improve the accuracy of the fault diagnosis results of the air temperature and humidity sensor in the greenhouse IoT measurement and control system.

Keywords：

greenhouse; IoT； air temperature and humidity sensors; fault diagnosis; principal components analysis; measurement and control system

0 引言

隨著物聯網信息技術在國內各個領域中的不斷滲透，以物聯網基礎為支撐的設施農業成為了解決我國“三農”問題、實現我國農村的現代化目標，進而促進我國農業高質量發展的重要手段［1-3］。傳感器是溫室物聯網測控系統的重要組成部分，其作用是對作物生長環境參數的準確感知，是實現溫室環境精準調控的基礎［4， 5］。然而，溫室物聯網測控系統經常處于高濕、高溫等惡劣的工作環境下，由此導致溫室物聯網測控系統中的空氣溫濕度傳感器時常發生故障［6， 7］。此外，在溫室物聯網測控系統的長期運行狀況下，可能會出現低電壓、硬件故障和連接失效等問題，導致空氣溫濕度傳感器出現老化或故障的概率也不斷增加，傳感器可能出現不同程度的漂移故障、偏差故障甚至完全失效等一系列問題，導致溫室物聯網測控系統不能準確地感知，進而無法精確調控影響作物生長的環境，造成溫室物聯網測控系統無法達到作物增產增收的效果［8］。因此，針對溫室物聯網測控系統中傳感器故障診斷問題，探索精準、科學的傳感器故障診斷技術，實現傳感器故障的有效監測，對保障溫室物聯網測控系統整體運行的可靠性具有非常重要的現實意義，也成了一個熱點研究方向。

近年來，國內外學者對傳感器故障診斷技術進行了大量研究。在傳感器故障分類方面，深度分析了傳感器故障在數據上的各種輸出形式，將傳感器故障大致劃分為漂移故障、偏差故障、精度下降故障和完全失效故障［9， 10］。在傳感器故障診斷方法方面，可以總體分為三個大類：硬件冗余法、分析冗余法、時序冗余法［11， 12］。時序冗余法是基于目標傳感器所收集的歷史數據，利用數學工具判定該傳感器在某一時刻之后是否出現故障，進而實現傳感器故障檢測。時序冗余法不需要建立傳感器的精確模型，避免對故障根本原因的描述，利用各種數據分析手段即可對傳感器的故障進行診斷，是目前研究最廣泛的傳感器故障診斷方法。因此本文主要探索時序冗余法在傳感器故障診斷中的應用研究。

在基于時序冗余的傳感器故障診斷過程中，需要對傳感器歷史數據進行數據分析。歷史信息往往是由多個傳感器歷史信息所共同構成的多維矩陣。由于如下的原因，造成了上述矩陣的維度巨大，給基于時序冗余的傳感器故障診斷帶來了困難：（1）為了精準獲取作物生長信息，溫室中通常需要部署大量傳感器。例如，在一塊農田中需要部署幾十或上百個、多種類的傳感器來監測環境信息。（2）傳感器需要頻繁收集信息，導致每個傳感器歷史信息的維度通常很大。例如，一個溫度傳感器需要每隔十分鐘采集一次溫度數據，一周所采集的數據維度就有上千維。

針對基于時序冗余的傳感器故障診斷中存在的數據維度過大的問題，提出針對溫室物聯網測控系統的基于主元分析（Principal Components Analysis， PCA）的傳感器故障診斷方法。數據處理分析的高效性和準確性直接影響故障診斷的性能，而PCA方法具有高效處理高維數據的能力，可以利用數據處理機制在不損失信息量的前提下有效降低數據維度。將PCA方法應用于傳感器故障診斷問題中，可以對傳感器高維數據進行降維，然后再進行數據分析，從而達到快速故障診斷的目的。目前PCA方法已經廣泛應用于不同領域的傳感器故障診斷［13-15］。Huang等［16］將PCA方法應用于結構健康監測系統中的傳感器故障診斷，有效實現了傳感器故障檢測和識別。Wang等［17］利用PCA方法檢測和診斷典型空氣處理機中的傳感器故障，實現了傳感器偏差故障的有效診斷。Chen等［18］利用PCA方法有效檢測和診斷出高鐵電驅動裝置中傳感器早期故障。Li等［19］將PCA方法應用于核電站中傳感器的故障檢測、識別和重構，實現減少故障誤報率的目的。

綜上所述，本文在分析現有方法的基礎之上，提出基于主元分析的溫室物聯網測控系統空氣溫濕度傳感器故障診斷方法。利用空氣溫濕度傳感器歷史數據建立PCA模型，并通過模型計算出被檢測傳感器數據的平方預測誤差統計量，將平方預測誤差統計量作為傳感器故障檢測指標對空氣溫濕度傳感器進行故障檢測。針對檢測出的空氣溫濕度傳感器故障數據，利用加權后的平方預測誤差統計量來計算傳感器的累積貢獻率，并將其作為傳感器故障識別指標，識別出故障的空氣溫濕度傳感器。最終實現對溫室物聯網測控系統中空氣溫濕度傳感器的有效故障診斷，為溫室物聯網測控系統進行傳感器故障診斷提供一種新的技術手段。

1 基于PCA的傳感器故障診斷方法

針對溫室物聯網測控系統中空氣溫濕度傳感器故障診斷的研究，本文提出基于PCA的傳感器故障診斷方法。該方法通過建模空氣溫濕度傳感器歷史數據，分析、識別傳感器的故障和位置，因此屬于基于時序冗余的傳感器故障診斷問題。時序冗余法主要基于不同時間序列的傳感器輸出的冗余信息來檢測故障。其形式化表示如式（1）所示。

2 結果與分析

2.1 研究區域與試驗數據

研究區域為山東省泰安市山東農業大學園藝實驗站，溫室物聯網測控系統使用空氣溫濕度傳感器、光照度傳感器、二氧化碳傳感器和土壤溫濕度電導率傳感器進行全方位、多層次、連續地采集溫室環境數據。本文選用的傳感器型號如表1所示，選取9個空氣溫濕度傳感器的空氣溫度數據作為試驗對象，并對其進行編號，選取1 000組傳感器的正常歷史測量數據用于模型訓練。選取300組傳感器實際數據作為測試數據，即測試數據是一個包含9個傳感器，每個傳感器包含300個觀測數據的300×9維的數據矩陣。根據上節闡述的方法原理構建PCA模型，建模的過程在科學計算軟件中使用代碼編寫完成。

2.2 傳感器偏差故障

在傳感器偏差故障條件下，使用PCA模型SPE統計量作為故障檢測指標，SPE統計量的貢獻率作為故障識別指標，進行溫室物聯網測控系統中空氣溫濕度傳感器故障診斷的仿真計算。SPE統計量的詳細定義與計算方法見第1.2小節。SPE統計量的貢獻率的詳細定義與計算方法見第1.3小節。利用模型對測試數據集計算SPE統計量，若SPE統計量超出模型確定的SPE統計量閾值，則判定測試數據集中傳感器出現故障。然后計算測試數據集中每個傳感器對SPE統計量的貢獻率大小，根據最大貢獻率識別故障傳感器。

從9個傳感器中隨機選取一個傳感器作為故障傳感器，在該傳感器的第101組數據起分別引入10%和20%故障程度的傳感器偏差故障。如傳感器的正常測量值為18.1 ℃，則引入的10%和20%偏差故障值分別為1.81 ℃和3.62 ℃。

偏差故障條件下PCA模型的傳感器故障監測結果如圖3和圖4所示。

圖中虛線為模型確定的SPE統計量閾值。橫坐標101號之后的測試樣本為注入的故障樣本。由圖3和圖4可知，測試數據集中前100組正常數據的SPE統計量都在閾值以下，從101組故障數據起，SPE統計量開始明顯變大，全部超出了閾值。隨著引入故障程度的增加，SPE統計量的值也越來越大，說明PCA模型對空氣溫濕度傳感器偏差故障檢測的有效性。此時，使用傳統的SPE統計量貢獻率分析法（Traditional Contribution Analysis，TCA）和基于加權SPE統計量的貢獻率分析法（Weighted Contribution Analysis，WCA）進行故障識別。

如表2所示，為定量分析9個傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率，將貢獻率的平均值作為分析目標。因為變量在一段時間內對SPE統計量貢獻率的均值水平可以近似反映此時間段內傳感器的運行狀態。表中每一行分別代表了在不同采集時間段內每個傳感器的SPE統計量貢獻率平均值和加權SPE統計量貢獻率平均值。

在引入10%的傳感器偏差故障后，通過兩種傳感器故障識別方法，計算得到2號故障傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率分別為43.4%和53%，均高于正常數據下2號傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率。同時傳統的SPE統計量貢獻率分析法中5號傳感器的SPE統計量貢獻率增長到了18.7%，對傳感器故障識別結果造成一定影響。

在引入20%的傳感器偏差故障后，通過兩種傳感器故障識別方法，計算得到2號故障傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率分別為52.3%和62.3%，與10%的傳感器偏差故障結果相比，2號故障傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率都有明顯的增加。同時除5號傳感器外，其他正常傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率都有明顯的減少。

綜上所述，在傳感器偏差故障條件下，兩種傳感器故障識別方法中，隨著傳感器故障程度的增加，故障傳感器的SPE統計量貢獻率越來越大，正常傳感器的SPE統計量貢獻率越來越小；改進方法中故障傳感器的SPE統計量貢獻率明顯高于傳統方法，而正常傳感器的SPE統計量貢獻率基本低于傳統方法；傳統方法中存在正常傳感器的SPE統計量貢獻率變化較大，直接影響傳感器故障識別結果的準確性。因此在傳感器偏差故障條件下，基于加權SPE統計量的貢獻率分析法的故障識別效果比傳統的SPE統計量貢獻率分析法更好。

2.3 傳感器漂移故障

在傳感器漂移故障條件下，使用PCA模型SPE統計量作為故障檢測指標，SPE統計量的貢獻率作為故障識別指標，進行溫室物聯網測控系統中空氣溫濕度傳感器故障診斷的仿真計算。SPE統計量的詳細定義與計算方法見第1.2小節。SPE統計量的貢獻率的詳細定義與計算方法見第1.3小節。利用模型對測試數據集計算SPE統計量，若SPE統計量超出模型確定的SPE統計量閾值，則判定測試數據集中傳感器出現故障。計算測試數據集中每個傳感器對SPE統計量的貢獻率大小，根據最大貢獻率識別故障傳感器。

從9個傳感器中隨機選取一個傳感器作為故障傳感器，在該傳感器的第101組數據起引入1個從0開始線性增加到最大10%×N（N表示傳感器的正常測量值）的偏差值；同樣，在該傳感器的第101組數據起引入1個從0開始線性增加到最大20%×N的偏差值。

漂移故障條件下PCA模型的傳感器故障監測結果如圖5和圖6所示。圖中虛線為模型確定的SPE統計量閾值。

橫坐標101號之后的測試樣本為注入的故障樣本。由圖5和圖6可知，測試數據集中前100組正常數據的SPE統計量都在閾值以下，從101組故障數據起，SPE統計量開始逐漸變大，在某個響應點后數據的SPE統計量值全都超出了閾值。表明PCA模型在故障前期短時間內不能迅速檢測出漂移故障，隨著引入故障程度的增加，SPE統計量值超出閾值后才可以檢測到漂移故障的存在。在10%的漂移故障下，空氣溫濕度傳感器的故障檢測率為42%，響應點在第217個樣本。在20%的漂移故障下，空氣溫濕度傳感器的故障檢測率為60.5%，響應點在第180個樣本。此時，使用傳統的SPE統計量貢獻率分析法（Traditional Contribution Analysis，TCA）和基于加權SPE統計量的貢獻率分析法（Weighted Contribution Analysis，WCA）進行故障識別。如表3所示，為定量分析9個傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率，將貢獻率的平均值作為分析目標。因為變量在一段時間內對SPE統計量貢獻率的均值水平可以近似反映此時間段內傳感器的運行狀態。表中每一行分別代表了在不同采集時間段內每個傳感器的SPE統計量貢獻率平均值和加權SPE統計量貢獻率平均值。

在引入10%的傳感器漂移故障后，通過兩種傳感器故障識別方法，計算得到2號故障傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率分別為33.4%和43.3%，均顯然高于正常數據下2號傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率。同時傳統的SPE統計量貢獻率分析法中5號傳感器的SPE統計量貢獻率增長到了19%，對傳感器故障識別結果造成一定影響。

在引入20%的傳感器漂移故障后，通過兩種傳感器故障識別方法，計算得到2號故障傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率分別為36.7%和47.3%，與10%的傳感器漂移故障結果相比，2號故障傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率都有明顯的增加。同時除5號傳感器外，其他正常傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率都有明顯減少。

綜上所述，在傳感器漂移故障條件下，兩種傳感器故障識別方法中，隨著傳感器故障程度的增加，故障傳感器的SPE統計量貢獻率越來越大，正常傳感器的SPE統計量貢獻率越來越小；改進方法中故障傳感器的SPE統計量貢獻率明顯高于傳統方法，而正常傳感器的SPE統計量貢獻率基本低于傳統方法；傳統方法中存在正常傳感器的SPE統計量貢獻率變化較大，直接影響傳感器故障識別結果的準確性。因此在傳感器漂移故障條件下，基于加權SPE統計量的貢獻率分析法的故障識別效果比傳統的SPE統計量貢獻率分析法更好。

2.4 傳感器雙偏差故障

在傳感器雙偏差故障條件下，使用PCA模型SPE統計量作為故障檢測指標，SPE統計量的貢獻率作為故障識別指標，進行溫室物聯網測控系統中空氣溫濕度傳感器故障診斷的仿真計算。SPE統計量的詳細定義與計算方法見第1.2小節。SPE統計量的貢獻率的詳細定義與計算方法見第1.3小節。利用模型對測試數據集計算SPE統計量，若SPE統計量超出模型確定的SPE統計量閾值，則判定測試數據集中傳感器出現故障。然后計算測試數據集中每個傳感器對SPE統計量的貢獻率大小，根據最大貢獻率識別故障傳感器。

從9個傳感器中隨機選取兩個傳感器作為故障傳感器，在這兩個傳感器的第101組數據起分別引入10%故障程度的傳感器偏差故障；同樣，在這兩個傳感器的第101組數據起分別引入20%故障程度的傳感器偏差故障。

雙偏差故障條件下PCA模型的傳感器故障監測結果如圖7和圖8所示。圖中虛線為模型確定的SPE統計量閾值。

橫坐標101號之后的測試樣本為注入的故障樣本。由圖7和圖8可知，測試數據集中前100組正常數據的SPE統計量都在閾值以下，從101組故障數據起，SPE統計量開始明顯變大，全部超出了閾值。隨著引入故障程度的增加，SPE統計量的值也越來越大，說明PCA模型對空氣溫濕度傳感器雙偏差故障檢測的有效性。此時，使用傳統的SPE統計量貢獻率分析法（Traditional Contribution Analysis，TCA）和基于加權SPE統計量的貢獻率分析法（Weighted Contribution Analysis，WCA）進行故障識別。如表4所示，為定量分析9個傳感器的SPE統計量貢獻率和加權SPE統計量貢獻率，將貢獻率的平均值作為分析目標。因為變量在一段時間內對SPE統計量貢獻率的均值水平可以近似反映此時間段內傳感器的運行狀態。表中每一行分別代表了在不同采集時間段內每個傳感器的SPE統計量貢獻率平均值和加權SPE統計量貢獻率平均值。

在引入10%的傳感器雙偏差故障后，通過傳統的SPE統計量貢獻率分析法，計算得到2號和8號故障傳感器的SPE統計量貢獻率分別為18.4%和32.8%，均高于正常數據下2號和8號傳感器的SPE統計量貢獻率。但是6號傳感器的SPE統計量貢獻率為20.6%，比2號故障傳感器的SPE統計量貢獻率還要高，出現了傳感器故障識別誤診斷的情況。而通過基于加權SPE統計量的貢獻率分析法，計算得到2號和8號故障傳感器的加權SPE統計量貢獻率分別為21%和34.4%，顯然高于相同故障條件下傳統的SPE統計量貢獻率分析法中2號和8號故障傳感器的SPE統計量貢獻率。

在引入20%的傳感器雙偏差故障后，通過傳統的SPE統計量貢獻率分析法，計算得到2號和8號故障傳感器的SPE統計量貢獻率分別為20.7%和33.9%，而基于加權SPE統計量的貢獻率分析法中2號和8號故障傳感器的加權SPE統計量貢獻率分別為23.4%和35.4%。與10%的傳感器雙偏差故障結果相比，兩種傳感器故障識別方法中2號和8號故障傳感器的SPE統計量貢獻率都有明顯的增加。在傳統的SPE統計量貢獻率分析法中，6號傳感器的SPE統計量貢獻率值22.3%，比2號故障傳感器的SPE統計量貢獻率還要高，出現了傳感器故障識別誤診斷的情況。

綜上所述，在傳感器雙偏差故障條件下，傳統的SPE統計量貢獻率分析法無法保障傳感器故障識別結果的準確性，基于加權SPE統計量的貢獻率分析法可以有效識別出現故障的傳感器。因此基于加權SPE統計量的貢獻率分析法的故障識別效果比傳統的SPE統計量貢獻率分析法更好。

3 結論

1） 溫室物聯網測控系統中空氣溫濕度傳感器的好壞，直接影響溫室環境測量數據的準確性，進而導致溫室物聯網測控系統無法精準調控作物生長環境，對溫室物聯網測控系統造成很大影響。本文提出一種基于主元分析的傳感器故障診斷方法，該方法首先對空氣溫濕度傳感器歷史數據構成的訓練矩陣進行主元分析，得到傳感器數據之間的相關關系，并確定平方預測誤差統計量的閾值。然后計算被檢測傳感器數據的平方預測誤差統計量數值，通過比較統計量和閾值的關系，進而判斷傳感器是否出現故障。最后針對檢測出的空氣溫濕度傳感器故障數據，利用加權后的平方預測誤差統計量來計算傳感器的累積貢獻率，并將其作為傳感器故障識別的指標，識別出故障的空氣溫濕度傳感器。

2） 利用空氣溫濕度傳感器數據在不同故障條件下進行傳感器故障診斷方法驗證，驗證結果表明：基于主元分析的傳感器故障診斷方法可用于空氣溫濕度傳感器偏差故障和漂移故障的檢測，傳感器偏差故障和雙偏差故障的檢測率為100%，傳感器漂移故障的平均檢測率為51.25%；同時基于主元分析的傳感器故障診斷方法能夠有效識別出故障的空氣溫濕度傳感器，實現溫室物聯網測控系統中空氣溫濕度傳感器的故障診斷，為溫室物聯網測控系統的可靠穩定運行提供保障。由于傳感器數據中存在隨機噪聲等問題，導致PCA模型的漂移故障監測效果不太理想，因此在未來的研究工作中，仍需針對此部分及故障數據重構的問題進一步研究，以優化整個傳感器故障診斷模型的性能。

參 考 文 獻

［1］ 鄭釗. 基于物聯網技術的智慧農業發展模式研究［J］. 農業經濟， 2022（2）： 13-15.

［2］ 趙繼春， 孫素芬， 郭建鑫， 等. 基于無線傳感器網絡的設施農業環境智能監測系統設計［J］. 中國農機化學報， 2020， 41（4）： 146-151.

Zhao Jichun， Sun Sufen， Guo Jianxin， et al. Design of intelligent monitoring system for facility agriculture environment based on wireless sensor network ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（4）： 146-151.

［3］ 賈敬敦， 魯相潔， 黃峰， 等. 遠程控制與無線通信技術在農業中的應用分析與展望［J］. 農業機械學報， 2021， 52（S1）： 351-359.

Jia Jingdun， Lu Xiangjie， Huang Feng， et al. Review of remote control and wireless communication technology in agriculture applications ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 351-359.

［4］ 鄒彬， 董軍堂， 楊延寧， 等. 基于云平臺的溫室大棚管理系統［J］. 傳感器與微系統， 2021， 40（12）： 112-114， 118.

Zou Bin， Dong Juntang， Yang Yanning， et al. Greenhouse management system based on cloud platform ［J］. Transducer and Microsystem Technologies， 2021， 40（12）： 112-114， 118.

［5］ 張寶峰， 陳梟， 朱均超， 等. 基于物聯網的水肥一體化系統設計與試驗［J］. 中國農機化學報， 2021， 42（3）： 98-104.

Zhang Baofeng， Chen Xiao， Zhu Junchao， et al. Design and experiment of integrated water and fertilizer system based on Internet of Things ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 98-104.

［6］ Chamarajnagar R， Ashok A. Integrity threat identification for distributed IoT in precision agriculture ［C］. 2019 16th Annual IEEE International Conference on Sensing， Communication， and Networking （SECON）. IEEE， 2019： 1-9.

［7］ Commault C， Dion J M， Trinh D H， et al. Sensor classification for the fault detection and isolation， a structural approach ［J］. International Journal of Adaptive Control and Signal Processing， 2011， 25（1）： 1-17.

［8］ 王紀章， 賀通， 周金生， 等. 基于時空信息比較的溫室環境傳感器故障識別［J］. 農業機械學報， 2018， 49（2）： 319-326.

Wang Jizhang， He Tong， Zhou Jinsheng， et al. Sensor fault identification in greenhouse environment based on comparison of spatial-temporal information ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（2）： 319-326.

［9］ Yi T H， Huang H B， Li H N. Development of sensor validation methodologies for structural health monitoring： A comprehensive review ［J］. Measurement， 2017， 109： 200-214.

［10］ Ni K， Ramanathan N， Chehade M N H， et al. Sensor network data fault types ［J］. ACM Transactions on Sensor Networks （TOSN）， 2009， 5（3）： 1-29.

［11］ 張婭玲， 陳偉民，章鵬， 等. 傳感器故障診斷技術概述［J］. 傳感器與微系統， 2009， 28（1）： 4-6， 12.

Zhang Yaling， Chen Weimin， Zhang Peng， et al. Overview on sensor fault diagnosis technology ［J］. Transducer and Microsystem Technologies， 2009， 28（1）： 4-6， 12.

［12］ Li D， Wang Y， Wang J， et al. Recent advances in sensor fault diagnosis： A review ［J］. Sensors and Actuators A： Physical， 2020， 309： 111990.

［13］ Raychaudhuri S， Stuart J M， Altman R B. Principal components analysis to summarize microarray experiments： Application to sporulation time series ［M］. Biocomputing 2000， 1999： 455-466.

［14］ 顧炳斌， 熊偉麗. 基于多塊信息提取的PCA故障診斷方法［J］. 化工學報， 2019， 70（2）： 736-749.

Gu Bingbin， Xiong Weili. Fault diagnosis based on PCA method with multi-block information extraction ［J］. CIESC Journal， 2019， 70（2）： 736-749.

［15］ 李立力， 劉綱， 張亮亮， 等. 加權PCA殘差子空間的加速度傳感器故障診斷［J］. 振動·測試與診斷， 2021， 41（5）： 1007-1013， 1039-1040.

Li Lili， Liu Gang， Zhang Liangliang， et al. Accelerometer fault diagnosis with weighted PCA residual space ［J］. Journal of Vibration， Measurement amp; Diagnosis， 2021， 41（5）： 1007-1013， 1039-1040.

［16］ Huang H B， Yi T H， Li H N. Bayesian combination of weighted principal-component analysis for diagnosing sensor faults in structural monitoring systems ［J］. Journal of Engineering Mechanics， 2017， 143（9）： 04017088.

［17］ Wang S， Xiao F. AHU sensor fault diagnosis using principal component analysis method ［J］. Energy and Buildings， 2004， 36（2）： 147-160.

［18］ Chen H， Jiang B， Lu N， et al. Deep PCA based real-time incipient fault detection and diagnosis methodology for electrical drive in high-speed trains ［J］. IEEE Transactions on Vehicular Technology， 2018， 67（6）： 4819-4830.

［19］ Li W， Peng M， Liu Y， et al. Fault detection， identification and reconstruction of sensors in nuclear power plant with optimized PCA method ［J］. Annals of Nuclear Energy， 2018， 113： 105-117.

［20］ 苑進， 胡敏， Kesheng Wang， 等. 基于高斯過程建模的物聯網數據不確定性度量與預測［J］. 農業機械學報， 2015， 46（5）： 265-272.

Yuan Jin， Hu Min， Kesheng Wang， et al. Uncertainty measurement and prediction of IoT data based on Gaussian process modeling ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（5）： 265-272.

［21］ Li S， Wen J. A model-based fault detection and diagnostic methodology based on PCA method and wavelet transform ［J］. Energy and Buildings， 2014， 68： 63-71.

［22］ 李偉. 核電廠傳感器狀態監測方法研究［D］. 哈爾濱： 哈爾濱工程大學， 2018.

Li Wei. Research on the techniques of sensor condition monitoring for a nuclear power plant ［D］. Harbin： Harbin Engineering University， 2018.

［23］ MacGregor J F， Kourti T. Statistical process control of multivariate processes ［J］. Control Engineering Practice， 1995， 3（3）： 403-414.

［24］

Zhu T， Huang J， Yan X. Process monitoring based on entropy weight for a subspace containing probabilistic principal components and fault-relevant noise factors ［J］. Journal of Chemometrics， 2017， 31（6）： e2890.

［25］ Zhang C， Gao X， Xu T， et al. Fault detection and diagnosis strategy based on a weighted and combined index in the residual subspace associated with PCA ［J］. Journal of Chemometrics， 2018， 32（11）： e2981.