关键信息冗余监测技术在智能泵站中的应用

李记恒，孙宝玺，杨浩楠

（1.北京市南水北调团城湖管理处，北京 100195；2.北京工业大学，北京 100084）

智能泵站建设是一次利用信息技术对传统泵站行业的改造和提升，其利用信息化、智能化技术，实现泵站的自动化和少人化运行，以节约人力成本和运行成本，提升泵站的运行管理水平[1]。在智能泵站的运行过程中，由于环境影响和设备稳定性等原因，会导致泵站某些环节的监测数据产生异常或错误，如果异常情况不能被及时发现和排除，将导致泵站自动化系统基于错误的数据进行控制和执行，进而产生更加严重和不可接受的后果。因此，在泵站运行自动化和少人化的趋势下，智能泵站对信息监测环节可靠性的要求较传统泵站大幅提升[2-3]。

出于对智能泵站关键参数监测稳定性和可靠性的考虑，在智能泵站建设过程中，常常对重要环节的关键参数采取冗余监测措施，采用多种监测手段对同一个参数进行重复监测，通过不同监测手段和不同类型传感器特性的互补，保证监测信息的准确、可靠。

在采用冗余监测的机制下，如何利用多种传感器协同工作，及时甄别异常信息，以及如何在正常情况下，对多种传感器产生的数据进行融合，是需要解决的关键技术问题。

近年来，针对关键信息的冗余监测问题，各领域学者展开了广泛的研究，在不同应用场景取得了一定成果。王勇等[4]针对滑坡位移自动化监测的问题，采用卡尔曼滤波加最小二乘法进行多源数据融合，得到滑坡位移的预测曲线，提高预警的准确率。喻凌峰[5]针对隧道火灾监测报警的问题，先采用多传感器对隧道火灾进行数据采集，通过相关性函数对传感器支持度较低的数据进行删除，通过最小二乘法在中间站对来自同类传感器的多源数据进行局部融合，再利用D-S 证据论算法将局部最优融合数据进行全局融合，判断当前隧道内火灾的发生情况。郭华真[6]详细阐述了卡尔曼滤波算法，结合各子系统的信息特征，设计了基于联邦卡尔曼算法的INS/ODO/Beacon 组合定位融合系统，在对系统的硬件以及软件进行模块化的测试后，建立相应的运动模型，对实验系统进行整体的测试与验证，实验结果表明该组合方式以及算法设计能有效地降低定位误差，提高列车定位的精确度，并且有良好的容错性能，提高定位系统的可靠性。樊泽园[7]提出在轮轴速度传感器的基础上引入雷达、GPS 进行组合测速，对轮轴速度传感器进行误差修正后，再与其他测速信息基于模糊自适应联合卡尔曼滤波算法进行融合，利用Fuzzy综合评判法实现信息分配系数的动态调整并进行协方差成形自适应滤波，从而提高整个测速系统的融合精度、容错性及可靠性，能够保证统计特征变化情况下的系统融合效果，且测速融合方案能够获得比各单一传感器都好的测速精度，能够满足列控系统的要求。李少年等[8]针对传统温室采集精度不高、布线复杂、能耗大等问题，研究了一种基于改进卡尔曼数据融合算法的温室物联网采集系统，运用罗曼诺夫斯基准则对采集的数据进行预处理后，再使用卡尔曼滤波算法在协调器节点处对数据进行静态融合。实验结果表明，使用改进卡尔曼数据融合算法处理后的数据更加接近环境真实值，可以有效地提高数据采集的精度和系统的稳定性。禚红旺[9]提出了一种改进的平方根无迹卡尔曼滤波算法，该算法通过扩展状态向量方法将部分系统噪声列为状态变量，然后计算噪声sigma 点进行UT 变换，从而降低噪声对状态估计的影响，设计了实验对无迹卡尔曼滤波和改进算法进行了性能比较，实验结果表明改进算法有效降低了噪声对数据融合的影响。同时也提出了一种姿态解算的新方法，即协方差交叉融合AR 卡尔曼滤波算法（ARKF-CI），此算法避免了非线性系统的线性化，提高了状态估计精度，同时根据数据的协方差确定数据来源在融合时的权重，提高了算法的抗干扰能力。但是，截至目前，泵站运行管理中的冗余监测应用案例尚不多见。

本文针对智能泵站建设中的实际需求，通过构建双因子校验与数据融合的信息监测框架，实现了对智能泵站关键信息的冗余监测，从信息监测环节为智能泵站的可靠运行提供技术保障。

1 系统方案

本文针对智能泵站建设中的实际需求，以密云水库调蓄工程前柳林泵站智能化改造过程中前后池水位、机组填料函温度等关键参数的监测机制和数据处理流程为例，介绍智能泵站建设所采用的关键信息冗余监测方法。

机组的填料函温度的测量手段包括光栅测温传感器和红外测温传感器，光栅测温传感器的特点是精度高，但需要接触式安装，容易在机组震动的环境中出现接触不良等异常情况；红外温度传感器特点是可以非接触安装，不易受外界环境影响，但测量精度略差。泵站的前后池水位的测量手段包括浮子式水位计或雷达水位计，浮子式水位计的特点是结构简单，浮子结构需要直接接触水面，浮子结构易受到环境污染，测量精度略低，雷达水位计的特点是不需要接触水面，测量精度较高，但容易受外界电磁干扰。

可以看到，不同类型传感器的特性和性能存在较大差异，存在一定互补，因此，在填料函温度和前后池水位的测量过程中，可以同时设置多种类型的测量手段，构成对同一参数的双因子监测，通过不同特性的传感器因子间相互校验、相互配合形成冗余监测，保证智能泵站建设过程中关键信息监测的稳定、可靠。

上述冗余监测的实现思路是同时布设两路或多路不同类型的传感器，对同一个参数环节进行监测，通过对已确认正确的数据进行趋势分析，估计下一时刻参数最优的估计值；根据传感器监测数据的统计特性，设定合理的阈值，如果某一路的监测数据超出阈值，则认为该路监测信息出现异常；最后通过不同传感器的测量精度和设备可靠性等指标，对多路数据进行集成融合，形成最终监测的结果数据。

在上述过程中，水位、温度实时变化，如果需要对传感器的异常情况进行甄别，需要根据系统运行规律和统计特性，对测量对象在当前时刻合理的取值范围进行估计；另外，传感器的监测数据夹杂着大量的测量噪声，为了实现传感器异常数据的甄别，需要选取合适的阈值，有效区分测量噪声和数据异常；最终，对完成异常监测的不同传感器监测数据进行融合，得到最终监测值。

实现上述方案的核心技术环节包括：监测对象在动态变化过程中，当前时刻估计值的确定、用于区分传感器正常测量噪声和异常工作状态的检测阈值的确定、以及多个传感器数据融合方法的确定。流程图如图1 所示。

2 实现方法

2.1 基于卡尔曼滤波的预测方法

在双因子校验过程中，需要确定参数正确取值作为校验的基准。由于观测对象如水位、温度等参数都处于不断变化的过程中，因此，需要根据对象的参数值的变化趋势，预测参数在进行校验时刻的估计值。计算监测对象估计值通常采用各类滤波方法，本文使用卡尔曼滤波的方法完成监测环节参数值的预测。

卡尔曼滤波[10]（Kalman filtering）是一种使用系统状态的线性方程通过系统输入和输出观测数据来最佳估计系统状态的算法。因为观测数据包括系统中噪声和干扰的影响，所以最优估计也可以看作是一个滤波过程。数据过滤是一种去除噪声并恢复真实数据的数据处理技术。当测量方差已知时，卡尔曼滤波可以从具有测量噪声的一系列数据中估计动态系统的状态。因为其便于计算机编程，可以实时更新和处理现场收集的数据。传统的滤波方法只能在有用信号和噪声具有不同频率范围时实现。20 世纪60 年代初，卡尔曼（R.E.Kalman）和布塞（R.S.Bucy）提出了一种新的滤波和预测线性理论，称为卡尔曼滤波。该特征是基于状态空间的线性表示来处理输入和观测噪声信号，以获得系统状态或实际信号。卡尔曼滤波不需要假设信号和噪声都是平稳过程。对于系统扰动和每个时刻的观测误差（即噪声），只要对其统计性质作出适当的假设，并对含有噪声的观测信号进行处理，就可以得到平均方向上误差最小的实际信号的估计值。因此，自卡尔曼滤波理论问世以来，已被应用于通信系统、电力系统、航空航天、环境污染控制、工业控制及雷达信号处理等多个部门，并取得了许多成功的应用成果。例如，在图像处理中，卡尔曼滤波器被应用于恢复由一些噪声引起的模糊图像。在假设了噪声的一些统计性质后，可以使用卡尔曼算法递归地获得模糊图像的最小均方偏差的实际图像，从而恢复模糊图像。

卡尔曼滤波基于最优估计原理，把观测对象的信号理解为白噪声作用下的线性系统输出，以估计值与真实值误差最小为目标，对观测对象进行估计。采用卡尔曼滤波可以针对动态变化的监测对象，获得对象当前时刻最优（最小均方误差）的估计值，为观测对象后续的异常值甄别提供依据。

卡尔曼滤波算法的原理为

式中：xk为由观测对象监测值构成的状态向量；φk为状态向量的状态转移矩阵；xk-1为前一时刻的状态向量；yk为当前时刻的观测向量；Hk为系统的观测矩阵；Γk为系统噪声作用矩阵；ωk为系统的过程噪声；Δk为系统的观测噪声。

式中：Rk为观测噪声的协方差矩阵；

基于当前时刻状态向量先验估计值、估计增益和最新的测量值，计算当前时刻的估计值。

这样，利用上一时刻的估计值和当前时刻的测量值，可以得到观测参数在当前时刻的估计值，该估计值相对于真实数据，具有最小的均方误差，因此可以用该值作为后续异常检验的依据。

2.2 基于拉依达准则的判别方法

传感器在实际的监测过程中，由于自身误差和安装状态、气温等环境噪声，会导致实际观测值围绕准确值上下波动，但上述波动是传感监测过程中的正常情况。在双因子校验的过程中，需要采用合适的异常判别准则，确定合理的阈值范围，将设备损坏等异常情况和正常的数值波动相区分，以便进行有效的异常甄别。

本文基于拉依达准则[11-12]确定异常值检测阈值。基于统计学原理，若传感器监测数据只含有随机误差，则其检测数据偏离真实数据的距离服从正态分布。根据正态分布的统计规律，观测值偏差超出观测值标准差3 倍的概率小于0.003 6，因此可以认为上述情况是一个小概率事件，如果上述事件发生，则认为观测值出现异常。

应用拉依达准则，要求样本数量足够大（一般要求大于30）。在智能泵站应用场景下，数据体量足够大且数据总体服从正态分布，故可采用拉依达准则确定异常值检测阈值。

确定异常值阈值的过程如下。

计算观测量Xi的样本平均值

计算Xi的残差

计算Xi的样本标准差

根据拉依达准则，正常情况下，出现超出区间（μ-3σ，μ+3σ）的监测数据，是小概率事件，可以认为该监测值出现了异常，应对该数据进行舍弃。

由于本文采用的是双因子校验体系，所以通过拉依达准则判别方法之后的输出会有3 种情况：双因子的最优估计值都正确，输出2 个值；只有单因子的最优估计值正确，输出1 个值；双因子的最优估计值都异常，无输出值。

2.3 基于权重分配的数据融合方法

通过2.1 和2.2 小节对数据进行卡尔曼滤波和异常值甄别处理后，可以得到准确的双因子观测值，最后，需要对得到的2 种不同的监测值进行数据融合，得到最终观测值。

在很多文献中，已经提出了一些有效的融合方法[13-14]，但神经网络、贝叶斯决策等融合技术需要大量数据集进行建模，存在在线应用的局限性[15-16]。基于权重分配的融合方法简单实用，精度满足要求，并且比较适合强实时应用场景，因此本文采用加权数据融合。若双因子监测均工作正常，则权重值可以根据2 类监测手段的精度，按照精度比的倒数设置权重比例，确定2 类监测手段对最终监测结果数值影响的大小，最终通过加权平均，完成2 类监测手段的监测结果的融合。

针对2.2 小节介绍的3 种双因子输出情况，权重分配也需要分为3 种情况进行讨论：若输出2 个值，分别给它们分配权重a 和b，初始值均为1，然后采用基于置信度的方法来适当调整权重的大小，可以考虑各因子最优估计值方差的大小、设备精度等因素来进行适当调整，最终通过加权平均，得出最终的最优估计值，即关键信息最终的一个估计值；若输出一个值，这时候就无需分配权重，由这个值作为最终的最优估计值；若无输出值，则舍弃该点数据。

3 结束语

基于卡尔曼滤波和拉依达准则的冗余监测方法体系，具有如下优点：各环节含义清晰，容易进行针对性的参数调整；算法计算量小，实现简单，不需要过高的算力支撑，容易在工业场景实现；算法结构开放，可较好地适应双因子、多因子等不同的冗余监测应用。

该方法在前柳林泵站的智能化建设中，在机组填料函温度监测和前后池水位监测等场景中，均取得了较好的应用效果，为其他类型的智慧化工控系统提供了有益的技术参考方案。