编辑推荐：
为解决水培系统中 EC 和 pH 传感器故障影响精准运行的问题，研究人员开展数据驱动的故障检测与诊断（FDD）研究，评估 5 种机器学习模型。结果显示随机森林（RF）等表现优异，还提出传感器无关框架，为提升水培系统可靠性和可持续性提供支持。
在现代农业的精准化进程中，水培系统凭借高效利用资源的优势成为重要发展方向。然而，系统中电导率（EC）和 pH 传感器常因复杂环境出现故障，如偏差、漂移、精度下降、尖峰和卡死等，导致营养液管理失准，引发植物生长胁迫、资源浪费及环境污染等问题。传统依赖经验的监测方式难以实现故障早期精准识别，因此，发展实时、高效的数据驱动故障检测与诊断（FDD）技术成为水培系统稳定运行的关键需求。
为攻克这一难题，美国加州大学戴维斯分校的研究人员开展了相关研究，成果发表在《Computers and Electronics in Agriculture》。
研究人员主要采用机器学习技术，选取随机森林（RF）、人工神经网络（ANN）、长短期记忆网络（LSTM）、k - 近邻算法（KNN）和支持向量机（SVM）五种模型，针对闭环营养膜技术（NFT）水培系统中的 EC 和 pH 传感器，进行基于传感器读数的故障检测与五种故障类型诊断。同时，创新性地构建传感器无关的故障检测框架，仅利用环境和操作变量预测 EC，摆脱对目标传感器读数的依赖，其中运用支持向量回归（SVR）和 ANN 模型进行对比验证。
研究结果
传感器依赖型故障检测与诊断
对 EC 传感器，RF 模型在故障检测中表现最佳，准确率达 93.7%；故障诊断时，RF 对尖峰故障诊断准确率达 100%，偏差故障达 97.1%，整体优于其他模型。
对 pH 传感器，故障检测中 RF 准确率为 96.5%；不同故障类型诊断表现各异，SVM 在偏差故障诊断中准确率达 100%，RF 在正常状态、漂移和精度下降故障诊断中表现最优，最高达 92.1%。
传感器无关型故障检测框架
在仅用环境和操作变量预测 EC 的传感器无关检测中，ANN 模型故障检测准确率为 93.2%，显著优于 SVR 的 49.4%，证明该框架的可行性与 ANN 模型的有效性。
研究结论与意义
本研究证实机器学习模型在水培系统传感器故障检测与诊断中的有效性，RF 模型在多数场景中表现突出，传感器无关框架为故障检测提供新思路。研究成果提升了水培系统运行的可靠性，减少资源浪费，为精准农业中传感器技术优化和人工智能驱动的故障检测提供理论与方法支持，推动受控环境农业（CEA）向智能化、可持续方向发展，对提升全球农业资源利用效率和环境友好性具有重要意义。
