基于双层信号验证与时间序列分析的环境传感器故障检测框架：面向小型垂直农场的研究

《Agronomy》：A Two-Layer Signal Validation and Temporal Analysis Framework for Environmental Sensor Fault Detection in a Small-Scale Vertical Farm

　　

专业摘要翻译 可靠的环境感知对于垂直农场的稳定监测与控制至关重要；然而，较高的数据采集完整度并不能确保测量值有效、时间上一致或具有运行层面的意义。本研究提出了一种可解释的双层框架（two-layer framework），用于在基于Wi-Fi的小型垂直农场中区分直接信号质量错误与范围内的时间异常及运行情境异常。研究人员在九个栽培床中安装了九个传感器节点，在空床和连续LED开启条件下运行。以30秒间隔对空气温度、相对湿度、CO2浓度和光照强度进行了为期10天的测量，并通过MQTT、Node-RED和InfluxDB在树莓派（Raspberry Pi）本地服务器上完成数据传输。第一层（Layer 1）筛查时间戳不连续、无效或空数据包以及物理上无效的测量值。第二层（Layer 2）仅对有效记录进行评估，采用滑动窗口变异性、变化速率、对等节点残差（peer-node residuals）和LED开启情境一致性等指标，并通过研究特定的F码分类体系（F-code taxonomy）将检测到的异常转换为可解释的运行状态标签。检测阈值取自评估期之前紧邻的两天独立时段，且未使用评估记录进行调整。在预期的259,200条记录中，实际接收258,910条（完整度99.888%）。第一层识别出290个缺失时间戳位置、25个无效数据包和40个超范围记录。该框架实现了99.68%的准确率（accuracy）、98.49%的精确率（precision）、98.89%的召回率（recall）、98.69%的二元F1分数（binary F1 score）以及84.69%的宏平均F码F1分数（macro-averaged F-code F1 score）。将信号验证与时间及情境分析相结合，能够检测出静态范围验证无法识别的异常。

论文解读

一、研究背景与意义

垂直农业作为可控环境农业的重要生产系统，通过在室内分层栽培环境中实施人工光照、通风、温湿度调控和CO₂管理，可显著提升作物生产力、土地利用效率和资源利用效率。空气温度、相对湿度、CO₂浓度和光照强度的稳定性直接影响植物生长、光合作用、蒸腾作用、气体交换和能源消耗，因此可靠的环境感知是支撑闭环环境调控、稳定作物生产和运行决策的基础。

随着智慧农业的发展，基于物联网（IoT）的监测平台、无线传感器节点、本地服务器、时序数据库和实时仪表盘在可控环境农业中得到广泛应用。在多层垂直农场中，由于架层高度、气流分布、作物冠层位置、LED距离和局部通风条件的差异，环境梯度可能产生，因此多节点感知对于捕捉栽培位置间的空间、垂直和时间变异性十分必要。

然而，原位传感器采集的环境数据并非总是可靠的。传感器数据流可能包含缺失记录、通信超时、数据包丢失、无效值、超范围测量、随机噪声、突变尖峰、卡死响应、偏差和漂移等问题，其原因涵盖硬件老化、校准失效、冷凝、积尘、电源不稳定、电磁干扰、传感器布设不当、线缆或连接器不稳定以及无线通信中断等。在封闭的作物环境中，传感器故障尤为棘手，因为异常传感器输出可能与真实的空间、垂直或时间环境变异性相混淆。

传统的传感器故障检测方法包括硬件冗余、统计过程控制和基于阈值的范围验证。硬件冗余成本高、维护复杂，不适合小型垂直农场研究平台；统计过程控制依赖稳定的基线假设；简单阈值验证虽能检测物理上不可能的读数，但无法可靠识别范围内异常，如看似合理但卡死的温度值、渐进式传感器漂移、过度短期波动或LED开启期间的低光照读数。先进的机器学习与深度学习方法虽检测性能强，但需要大量标注数据、计算资源且可解释性不足。因此，本研究旨在开发一种可解释的、面向维护决策的两层框架，将通信质量筛查、物理信号验证、时间特征分析和运行情境解释整合到顺序化结构中。

二、研究设计与关键技术方法

研究人员在韩国忠南大学（Chungnam National University）室内垂直农场设施第4区开展了实验，在空床和连续LED开启条件下，于三层栽培架的九个栽培床中各安装一个传感器节点。每个节点基于Arduino UNO R4 WiFi微控制器开发，配备DHT22数字温湿度传感器、CM1106 CO₂传感器和P5144-9数字光照传感器（以lux为单位）。数据以30秒间隔通过Wi-Fi经MQTT协议传输至树莓派4B本地服务器，经Node-RED解析后存储于InfluxDB时序数据库。实验共持续10天，预期产生259,200条节点级记录。

研究采用的主要技术方法包括：（1）传感器标定：利用CO₂生长箱和参考照度计对代表性节点进行线性回归标定，建立校正方程并应用于全部节点；（2）两层故障检测框架：第一层执行信号验证，包括时间戳连续性检查、数据包有效性检查和物理范围验证；第二层仅对通过第一层的有效记录执行时间序列分析，包括滑动窗口变异性、变化速率、卡死响应检测、对等节点残差趋势分析和LED开启情境一致性检查；（3）阈值确定：基于评估期前两天的参考正常数据，采用均值加减三倍标准差或稳健中位数加减缩放中位绝对偏差（MAD）方法确定，且不利用评估数据调整；（4）F码分类体系：将检测到的异常转换为F0正常、F1通信异常、F2超范围、F3卡死、F4噪声不稳定、F5尖峰瞬态、F6漂移样偏差、F7情境不一致和F8疑似节点不稳定等运行状态标签；（5）受控故障注入与性能评估：通过软件注入预定义异常模式生成参考标签，以准确率、精确率、召回率、F1分数等指标评估框架性能。

三、研究结果

标定性能：四个环境变量均呈现强线性关系，决定系数（R²）范围为0.994至0.999。温度标定方程为y = 0.9719x + 0.5612，验证均方根误差（RMSE）为0.20 °C；相对湿度标定方程为y = 0.9981x + 0.1512，RMSE为1.04%RH；CO₂标定方程为y = 0.9935x + 4.1995，RMSE为21.5 ppm；光照强度标定方程为y = 1.0082x ? 69.19，RMSE为504 lx。

数据采集与通信可靠性：10天监测期内共接收258,910条记录，数据完整度为99.888%，缺失率为0.112%。节点完整度范围为99.58%至100.00%，其中node_03缺失最多（120个时间戳位置），node_05、node_07、node_02和node_08分别缺失60、50、35和25个位置。未发现重复节点时间戳记录。

正常条件下的环境信号特征：正常操作子集包含227,434条有效记录。空气温度总体均值为23.57 ± 0.52 °C，相对湿度均值为63.79 ± 1.33%RH，CO₂浓度均值为698.72 ± 38.81 ppm，光照强度均值为18,921 ± 975 lx。CO₂浓度在设施活跃期（09:00–18:00）高于非活跃期，反映了人类活动和通风行为的影响。

第一层信号验证结果：共检测到290个缺失时间戳位置、25个无效数据包（均为node_06的CO₂字段为空）和40个超范围记录（4个温度、21个相对湿度大于100%RH、7个负CO₂和8个负原始光照值）。第一层共识别355个异常观测。

第二层时间分析结果：参考标记的第二层异常子集包含31,411条记录。F3卡死响应539条记录，F4噪声不稳定240条，F5尖峰瞬态32条（16个事件），F6漂移样偏差30,240条（3个事件），F7光照情境不一致360条。结果表明事件数与受影响记录数反映不同信息，长持续时间的漂移样偏差虽事件少但影响记录多。

整体F码分类与性能：在258,910条接收记录中，227,434条参考标记为F0正常，31,476条为F1–F7异常。框架实现了99.68%准确率、98.49%精确率、98.89%召回率、98.69%二元F1分数和84.69%宏平均F码F1分数。

四、讨论与结论

该框架的核心贡献在于将通信质量筛查、物理信号验证、时间特征表征和运行情境解释整合于顺序化两层结构中，而非仅关注传感器故障检测本身。与依赖大量训练数据或复杂过程模型的方法相比，该框架采用透明、可检查、可修改的规则，更适合小型实验性垂直农场系统。研究还进行了阈值鲁棒性分析和本地服务器计算性能评估，验证了框架的实用性和稳定性。

研究结论表明，将信号验证与时间及情境分析相结合，能够检测出静态范围验证无法识别的异常。该框架不仅指示异常事件是否发生，还通过F码分类体系支持维护决策，识别通信故障、超范围测量、卡死响应、不稳定信号、瞬态尖峰、漂移样行为或情境不一致等可能的故障类型。高数据采集完整度（99.888%）并不等同于测量数据可靠，范围内的时间异常和情境异常同样需要系统化的检测机制。该研究为小型垂直农场的环境传感器数据质量保障提供了可解释、可操作的检测框架，对实际农场运维中的传感器维护决策具有重要的参考价值。