第三章 传感器故障检测：四大主流方法详解

各位同学好，我是老张。今天咱们聊聊传感器故障检测——这玩意儿在导航系统里有多重要，我估计不用我多说。你想想看，传感器一旦出问题，整个导航系统就像瞎子开车，后果不堪设想。

我个人习惯把故障检测比作「体检」。传感器就是系统的器官，我们要定期检查它有没有生病。今天要讲的四种方法，说白了就是四种体检手段。

3.1 残差分析法

残差分析法，名字听着挺唬人，其实原理特别简单。就是拿传感器的实际测量值，跟模型预测值做个减法。差值就是残差。

我在项目中遇到过这么个事：有个惯性导航系统的陀螺仪，输出数据看着挺正常，但残差分析一跑，发现残差在缓慢漂移。嗯，这就是典型的软故障，慢慢恶化那种。

残差分析法的数学表达：

r(t) = y(t) - ŷ(t)

其中：
r(t) — 残差
y(t) — 实际测量值
ŷ(t) — 模型预测值

判断逻辑也很直白：

• |r(t)| < 阈值 → 正常
• |r(t)| ≥ 阈值 → 故障

3.2 卡方检验法

卡方检验法，说白了就是看残差的「形状」对不对。残差分析法只看大小，卡方检验法还看分布。

为什么会这样？因为传感器噪声通常服从高斯分布。如果残差的分布偏离了高斯分布，那八成是出问题了。

具体步骤：

1. 计算残差序列
2. 将残差分成K个区间
3. 统计每个区间的实际频数O_i和期望频数E_i
4. 计算卡方统计量：χ² = Σ(O_i - E_i)² / E_i
5. 跟临界值比较

卡方检验法的优势在于：它能检测出残差分析法漏掉的故障。比如传感器出现周期性干扰，残差大小没变，但分布变了，卡方检验就能抓住它。

3.3 一致性检验法

一致性检验法，这个名字有点绕。其实它干的事就是「交叉验证」。

你想想看，如果系统里有多个传感器测量同一个物理量，那它们的输出应该一致。如果不一致，肯定有人撒谎。

常用的方法有三种：

方法名称	原理	适用场景
广义似然比检验	比较两个传感器的似然函数	双传感器冗余
奇偶方程法	构造残差生成器	多传感器系统
主成分分析法	降维后找异常	高维传感器数据

我个人最喜欢用奇偶方程法。为什么呢？因为它能定位到具体哪个传感器出问题了。我在做无人机导航时，三轴陀螺仪有一个轴坏了，奇偶方程法一秒就揪出来了。

3.4 基于机器学习的故障检测

前面三种方法都是基于模型的。但现实情况是，有时候模型建不准，或者根本建不出来。这时候就该机器学习上场了。

机器学习做故障检测，主要有两条路：

• 监督学习：有标签数据，直接训练分类器
• 无监督学习：没标签数据，找异常点

常用的算法：

监督学习：
- 支持向量机（SVM）：小样本效果好
- 随机森林：抗噪能力强
- 神经网络：适合复杂非线性

无监督学习：
- 孤立森林：速度快
- 自编码器：重构误差检测
- 聚类分析：找离群点

我曾经在一个自动驾驶项目里用过自编码器。传感器数据维度高、关系复杂，传统方法根本搞不定。自编码器一上，故障检测率从70%提到了95%。

3.5 四种方法对比总结

说了这么多，咱们来做个对比。我整理了一张表：

方法	优点	缺点	推荐场景
残差分析法	简单、实时性好	只能检测幅值变化	快速故障检测
卡方检验法	能检测分布变化	需要足够样本	软故障检测
一致性检验法	能定位故障源	需要传感器冗余	多传感器系统
机器学习法	无需精确模型	需要训练数据	复杂非线性系统

实际项目中，我一般会组合使用。先用残差分析法做快速筛查，再用卡方检验法确认，最后用一致性检验法定位。机器学习作为兜底方案，处理那些传统方法搞不定的情况。

这张图把四种方法的关系和流程都串起来了。从上到下，从传感器数据到最终的鲁棒导航决策，每一步都有对应的检测方法。

好了，第三章的内容就到这里。记住，故障检测不是目的，保证导航系统在传感器失效时还能正常工作才是关键。下一章咱们聊聊故障发生后怎么办——传感器故障隔离与系统重构。

---

公众号:蓝海资料掘金营，微信deep3321