2. 传感器故障模型

传感器故障，说白了就是传感器给出的信号跟真实物理量对不上了。我做了这么多年容错控制，见过最多的故障类型其实就四种：偏差、漂移、精度下降、完全失效。咱们一个一个来拆解。

2.1 传感器常见故障类型

2.1.1 偏差故障

偏差故障是最简单、也最常见的一种。传感器的输出值始终比真实值高或低一个固定量。打个比方，就像你家的体重秤，每次称出来都比实际重2公斤——这就是典型的偏差故障。

数学上可以这样描述：

y(t) = x(t) + b

其中 y(t) 是传感器输出，x(t) 是真实值，b 是偏差量。b 可以是常数，也可以是缓慢变化的。

2.1.2 漂移故障

漂移比偏差麻烦一点。它不是固定的，而是随时间慢慢变化。你想想看，一个传感器刚开机时好好的，过了半小时开始慢慢偏，再过一小时偏得更厉害——这就是漂移。

数学模型通常写成：

y(t) = x(t) + d(t)

其中 d(t) 是随时间变化的漂移量。常见的漂移模型有线性漂移：d(t) = α·t，也有指数型漂移：d(t) = a·(1 - e^-t/τ)。

2.1.3 精度下降故障

精度下降，就是传感器的噪声变大了。正常时噪声方差是 σ²，故障后变成了 k·σ²，k > 1。传感器还能用，但数据质量明显下降。

数学表达：

y(t) = x(t) + v(t),  v(t) ~ N(0, k·σ²)

我个人的习惯是，当 k > 3 时，就认为传感器已经不可靠了。为什么是3？因为3倍方差意味着99.7%的置信区间扩大了将近两倍，这对后续的融合算法影响很大。

2.1.4 完全失效

这个最好理解——传感器彻底不工作了。输出要么卡死在某个值（卡死故障），要么输出为0（零值故障），要么输出满量程（饱和故障）。

卡死故障的模型：

y(t) = c,  ∀t ≥ t_f

其中 c 是常数，t_f 是故障发生时刻。

2.2 故障的数学建模方法

搞清楚了故障类型，接下来就是怎么用数学语言描述它们。我一般把故障模型分成两大类：加性故障和乘性故障。

2.2.1 加性故障模型

加性故障，就是故障信号直接叠加在真实信号上。偏差和漂移都属于这一类。

y(t) = x(t) + f(t)

f(t) 就是故障函数。对于偏差故障，f(t) = b；对于漂移故障，f(t) = d(t)。

2.2.2 乘性故障模型

乘性故障，是故障改变了传感器的增益。精度下降和部分失效属于这一类。

y(t) = γ·x(t) + v(t)

γ 是增益因子。正常时 γ = 1，故障时 γ ≠ 1。比如精度下降，γ 可能还在1附近，但噪声方差变大了。

2.2.3 统一故障模型

实际工程中，我更喜欢用一个统一的模型来涵盖所有情况：

y(t) = γ(t)·x(t) + f(t) + v(t)

这个模型包含了三种成分：

• γ(t)：乘性故障因子，描述增益变化
• f(t)：加性故障函数，描述偏差和漂移
• v(t)：噪声项，描述精度变化

2.3 故障模型的知识体系

下面这张图，是我自己总结的传感器故障模型知识框架。你看一眼就能明白各个故障类型之间的关系：

2.4 实际工程中的故障建模要点

搞理论是一回事，真正用到工程里又是另一回事。我分享几个实际建模时的注意事项：

1. 故障参数要可调：建模时一定要留出可调参数。比如偏差量 b、漂移速率 α、噪声放大系数 k。这样在仿真时才能覆盖不同严重程度的故障。
2. 考虑故障的时变特性：很多故障不是瞬间发生的，而是渐变过程。我建议用指数函数或斜坡函数来模拟故障的建立过程。
3. 多故障耦合：实际系统中，一个传感器可能同时出现多种故障。比如既有偏差又有精度下降。统一模型正好能处理这种情况。

嗯，传感器故障模型这部分就讲到这里。记住一句话：没有完美的传感器，只有完善的故障处理策略。下一节我们会讨论如何检测和隔离这些故障，那才是真正考验功夫的地方。

---