3、传感器故障诊断技术：阈值检测、趋势分析、多传感器融合、基于模型的诊断

各位做嵌入式医疗设备的朋友，传感器故障诊断这块，我做了十几年，踩过的坑真不少。今天咱们就聊聊几种最实用的诊断方法。说白了，就是怎么在传感器“说谎”的时候，第一时间识破它。

3.1 阈值检测：最基础，也最容易翻车

阈值检测，顾名思义，就是给传感器的输出值画个“安全区”。比如血氧探头，正常范围是90%到100%。低于90%，我就报“信号异常”。

听起来简单吧？但我告诉你，这里有个大坑。

所以，我个人的习惯是：阈值检测不能只用一次。我会加一个“持续超限时间”的判断。比如，低于90%持续3秒以上，才触发报警。这样能过滤掉很多瞬间的干扰。

代码实现也很简单，我贴一段伪代码，大家一看就懂：

// 阈值检测示例（伪代码）
#define SPO2_LOW_THRESHOLD 90
#define SPO2_HIGH_THRESHOLD 100
#define CONFIRM_TIME_MS 3000

uint32_t fault_start_time = 0;
bool is_fault = false;

void spo2_fault_detect(float spo2_value) {
    if (spo2_value < SPO2_LOW_THRESHOLD || spo2_value > SPO2_HIGH_THRESHOLD) {
        if (fault_start_time == 0) {
            fault_start_time = get_system_time_ms(); // 记录首次超限时间
        } else if ((get_system_time_ms() - fault_start_time) > CONFIRM_TIME_MS) {
            is_fault = true; // 持续超限3秒，确认故障
            trigger_alarm();
        }
    } else {
        // 恢复正常，清零
        fault_start_time = 0;
        is_fault = false;
    }
}

嗯，这里要注意：阈值不能设得太死。不同病人、不同场景，阈值应该能动态调整。比如新生儿和成人的血氧阈值，肯定不一样。

3.2 趋势分析：看“变化”比看“数值”更靠谱

阈值检测有个硬伤：它只看“点”，不看“线”。比如，一个传感器慢慢漂移，从100%慢慢降到95%，阈值检测根本发现不了。但趋势分析就能抓住它。

趋势分析的核心思想是：看变化率。比如，血氧值在1秒内下降超过5%，这就不正常。正常生理信号不会这么剧烈变化。

我在项目中遇到过这样一个案例：一个压力传感器，用来监测输液泵的管路压力。它每天漂移0.1%，一个月下来，漂了3%。阈值检测完全没反应，但趋势分析发现，它的变化率一直为正，而且越来越大。最后查出来，是传感器膜片老化。

趋势分析的实现，我常用滑动窗口法：

// 趋势分析：计算最近N个点的平均变化率
#define WINDOW_SIZE 10
float value_buffer[WINDOW_SIZE];
int buffer_index = 0;

float calculate_trend(float new_value) {
    value_buffer[buffer_index % WINDOW_SIZE] = new_value;
    buffer_index++;

    if (buffer_index < WINDOW_SIZE) return 0; // 数据不够

    float sum_diff = 0;
    for (int i = 1; i < WINDOW_SIZE; i++) {
        sum_diff += value_buffer[i] - value_buffer[i-1];
    }
    return sum_diff / (WINDOW_SIZE - 1); // 平均变化率
}

如果平均变化率超过某个阈值（比如0.5%/秒），我就认为传感器可能出问题了。说白了，趋势分析就是给传感器做“体检”，看它的“健康曲线”是否正常。

3.3 多传感器融合：三个臭皮匠，顶个诸葛亮

单个传感器再准，也有失效的时候。多传感器融合，就是让多个传感器互相“对账”。比如，测体温，我同时用红外额温枪和腋下温度计。如果两个读数相差超过0.5度，我就怀疑其中一个有问题。

我建议，在医疗设备中，关键参数至少要有两个独立的传感器。比如：

多传感器融合的难点在于：当两个传感器打架时，你信谁？ 我个人的经验是，不能简单取平均。要引入“置信度”的概念。比如，某个传感器最近的历史数据方差小（稳定），我就给它更高的权重。

3.4 基于模型的诊断：卡尔曼滤波与粒子滤波

前面几种方法，都是“事后诸葛亮”。基于模型的诊断，则是“事前预测”。它用一个数学模型来描述传感器的行为，然后看实际测量值是否符合模型的预测。

这里我重点讲两个工具：卡尔曼滤波和粒子滤波。

3.4.1 卡尔曼滤波：线性系统的“最优估计器”

卡尔曼滤波，说白了，就是“用预测值修正测量值”。它假设系统是线性的，噪声是高斯分布。在医疗设备中，很多信号（比如血压、心率）在短时间内可以近似为线性变化。

我举个例子：你测量一个病人的心率，传感器读数有噪声。卡尔曼滤波会怎么做？

1. 预测：根据上一秒的心率，预测下一秒的心率（比如，假设心率不变）。
2. 更新：把预测值和实际测量值加权平均。权重由“预测的不确定性”和“测量的不确定性”共同决定。

如果传感器突然跳变，卡尔曼滤波会认为“测量值不可信”，更多地依赖预测值。这样，就能有效抑制噪声和突发故障。

代码实现（简化版）：

// 一维卡尔曼滤波示例
typedef struct {
    float x;  // 状态估计值（比如心率）
    float p;  // 估计误差协方差
    float q;  // 过程噪声协方差
    float r;  // 测量噪声协方差
} KalmanFilter;

void kalman_init(KalmanFilter *kf, float init_x, float init_p) {
    kf->x = init_x;
    kf->p = init_p;
    kf->q = 0.01; // 假设过程噪声很小
    kf->r = 0.1;  // 假设测量噪声较大
}

float kalman_update(KalmanFilter *kf, float measurement) {
    // 预测
    float x_pred = kf->x;          // 假设状态不变
    float p_pred = kf->p + kf->q;  // 预测不确定性增加

    // 更新
    float k = p_pred / (p_pred + kf->r); // 卡尔曼增益
    kf->x = x_pred + k * (measurement - x_pred);
    kf->p = (1 - k) * p_pred;

    return kf->x;
}

嗯，这里要注意：卡尔曼滤波的“q”和“r”参数需要调优。q设得太小，滤波反应慢；q设得太大，滤波效果差。我一般会先跑一段离线数据，用试错法找到最佳参数。

3.4.2 粒子滤波：非线性、非高斯问题的“万能钥匙”

卡尔曼滤波虽然好用，但遇到非线性系统（比如心电信号的形态变化）或者非高斯噪声（比如突然的脉冲干扰），它就力不从心了。这时候，粒子滤波就派上用场了。

粒子滤波的思想很直观：用一堆“粒子”来模拟可能的系统状态。每个粒子代表一个假设，比如“心率可能是72”、“心率可能是73”。然后，根据实际测量值，给每个粒子打分。分数高的粒子保留，分数低的粒子淘汰。最后，所有粒子的加权平均就是最终估计值。

我在项目中用过粒子滤波来诊断呼吸机的流量传感器。呼吸机的流量波形是非线性的，而且经常有病人咳嗽引起的脉冲干扰。卡尔曼滤波根本扛不住，但粒子滤波效果很好。

粒子滤波的代码比较复杂，我贴一个核心思路：

// 粒子滤波核心步骤（伪代码）
void particle_filter_update(Particle particles[], int N, float measurement) {
    // 1. 预测：每个粒子根据系统模型，预测下一个状态
    for (int i = 0; i < N; i++) {
        particles[i].state = predict(particles[i].state);
        particles[i].state += gaussian_noise(); // 加入过程噪声
    }

    // 2. 更新：根据测量值，计算每个粒子的权重
    float total_weight = 0;
    for (int i = 0; i < N; i++) {
        particles[i].weight = likelihood(measurement, particles[i].state);
        total_weight += particles[i].weight;
    }

    // 3. 归一化权重
    for (int i = 0; i < N; i++) {
        particles[i].weight /= total_weight;
    }

    // 4. 重采样：淘汰权重低的粒子，复制权重高的粒子
    resample(particles, N);

    // 5. 估计最终状态：所有粒子的加权平均
    float estimated_state = 0;
    for (int i = 0; i < N; i++) {
        estimated_state += particles[i].state * particles[i].weight;
    }
}

好了，传感器故障诊断的四种方法就讲到这里。阈值检测是“守门员”，趋势分析是“侦察兵”，多传感器融合是“陪审团”，基于模型的诊断是“预言家”。在实际项目中，我通常把这四种方法组合使用，形成一个多层次的故障诊断体系。下一章，咱们聊聊容错机制的设计，看看诊断出故障后，怎么让设备继续安全运行。