基于嗅探器的气体排放测量系统故障检测：一种针对复杂噪声环境下随机信号的无模型检测方法

为解决畜牧业甲烷排放监测中嗅探器测量系统因硬件故障和复杂噪声导致数据不可靠的问题，Viktor Milkevych团队开发了一种基于Karhunen-Loeve变换和统计假设检验的故障检测方法。该研究首次将嗅探器数据建模为随机过程，通过信号近似和协方差矩阵分析实现自动化离线和在线检测，验证表明KL变换信号比原始信号具有更高的检测率，为畜牧环境监测提供了可靠工具。

　　

畜牧业甲烷排放监测是应对气候变化的关键环节，而基于嗅探器（sniffers）的气体测量系统因其低成本、大容量等优势成为主流技术。然而，这类系统在农场复杂环境中常因管道堵塞、设备位移等问题产生故障数据，且采集信号受动物呼吸、环境噪声等多重干扰，形成具有非高斯性、多模态特性的复杂噪声。传统故障检测方法依赖系统正常运行状态的先验知识，而嗅探器系统缺乏明确的故障-free模型定义，亟需开发适应随机动态特性的新型检测方案。

针对这一挑战，丹麦的研究团队在《Computers and Electronics in Agriculture》发表研究，提出基于Karhunen-Loeve（KL）展开的无模型故障检测框架。该研究将嗅探器采集的气体浓度信号建模为二阶随机过程，通过构建轨迹矩阵和协方差矩阵，利用KL变换对信号进行最优近似，以分离噪声与有效信号成分。通过假设检验构建统计量Y(r
)=αy
'r^*
，当检测值低于阈值γ=0.9时判定系统处于故障状态。研究采用真实牧场数据和模拟数据验证，设置平缓故障（flat fault 1/2）和动态故障（dynamic fault）三类测试场景，结果显示KL变换信号较原始信号的错误检测率（q_F
）降低50%以上，整体检测误差（q_E
）趋近于零。

关键技术包括：1）基于延迟嵌入的轨迹矩阵构建；2）KL展开的特征值筛选策略（保留90%方差贡献率）；3）假设检验统计量设计；4）动态阈值机制。实验数据来自丹麦商业牧场安装的Guardian/Gascard红外传感器，采样频率1Hz。

研究结果部分：
2.1 问题建模：将AMS信号y(t)和嗅探信号r(t)定义为希尔伯特空间中的随机过程，建立r_ik
=y_k
(t_i
)+v_ik
的加性噪声模型，假设检验区分H₀
（纯噪声）和H₁
（信号+噪声）状态。

2.2 KL变换应用：通过特征函数分解实现信号降维，证明前4个特征分量可解释97%的AMS信号变异，有效抑制噪声对主成分的干扰。图1-2显示特征函数在真实数据中的分布差异。

3.2 检测流程：设置20-60分钟可变检测窗口l_d
，每个故障事件长度l_F
=3l_d
。图4-6显示动态故障的检测效果最优，平缓故障2因振幅较高（b₂
=0.6）易产生误报。

3.3 性能评估：当l_d
=45分钟时，实际数据的q_F
从0.4（无近似）降至0.1（全近似），模拟数据q_E
接近零。图7-8表明信号近似能显著提升对复杂噪声的鲁棒性。

该研究的核心创新在于将KL变换引入随机系统的故障检测，通过信号子空间分离解决噪声非高斯性问题。研究者特别强调"不可靠数据"的形式化定义——当KL展开的主成分被噪声严重污染时，即使非硬件故障也应视为系统异常。这为畜牧业甲烷监测提供了自动化质控标准，其方法论同样适用于其他具有随机特性的工业检测系统。未来工作可探索基于深度学习的KL基自适应选择策略，以进一步提升对非平稳噪声的适应能力。