《AgriEngineering》：Data-Processing and Signal Analysis Methods for Operational Status Monitoring and Sensor–Actuator Anomaly Detection for Smart Vertical Farms
编辑推荐：
智能垂直农场的可靠运行需要协调的传感、执行、通信和控制，然而传感器和执行器故障可能损害环境调控能力。本结构化叙述性综述考察了用于垂直农场及相关受控环境系统中运行监测、异常检测和故障隔离的信号处理方法。PRISMA式流程图报告了410条识别记录和78篇引用文献。
智能垂直农场的可靠运行需要协调的传感、执行、通信和控制，然而传感器和执行器故障可能损害环境调控能力。本结构化叙述性综述考察了用于垂直农场及相关受控环境系统中运行监测、异常检测和故障隔离的信号处理方法。PRISMA式流程图报告了410条识别记录和78篇引用文献。一个四层级框架区分了直接垂直农场证据、邻近受控环境研究、可迁移工程研究和基础方法。统计监测和变化检测适用于缓慢变化的环境和营养液测量值，而频域和时频域分析更适合电气、振动和声学信号。传感器冗余、相关性分析和基于模型的残差通过比较执行器指令与实测响应来支持故障隔离。现有证据对水培传感器故障的支持强于对商业垂直农场中渐进性执行器退化的支持。作物发育、光周期、灌溉和运行状态的变化也可能在不发生设备故障的情况下产生异常。因此，可靠的诊断需要同步信号、上下文元数据、特定状态的基线以及独立的故障确认。评估应考虑误报率、检测延迟、隔离精度、计算需求以及跨设施泛化能力。未来的优先事项包括基准数据集、多模态诊断、边缘实现、数字孪生支持的评估以及在变化的作物阶段、设备条件和控制计划下的安全容错控制。
3. 智能垂直农场架构与诊断信号
智能垂直农场是一个分层信息物理系统。传感器获取环境、营养液、水力、设备和能量数据；控制器将测量值与设定点进行比较；执行器改变工艺过程；监控平台存储数据、可视化性能并支持决策制定。信号动态取决于运行状态。温度、湿度和二氧化碳通常遵循光周期相关的循环，而电导率（EC）和酸碱度（pH）则响应于加药、吸收、蒸发和再循环。电流、振动和声学信号表现出不同的关闭、启动、稳态和停机行为。采样和预处理必须匹配诊断带宽。环境变量通常可以低速采样，而电流、振动和声学测量则需要更高的采样率以保留瞬态和窄带频谱分量。中值滤波器和移动平均抑制孤立噪声，而快速傅里叶变换（FFT）和韦尔奇功率谱密度（PSD）估计支持旋转设备分析。过度平滑或欠采样可能在检测之前就抹去故障特征。
4. 运行状态、故障与上下文变异
运行监测必须区分传感器相关异常、执行器相关异常和上下文非故障事件。在本综述中，异常表示偏离预期模式的检测偏差，而故障则表示传感器、执行器、通信链路或过程组件的已确认或强烈隔离的故障。因此，异常被视为诊断观察而非组件故障的直接证据。故障确认或隔离需要佐证信息，例如参考测量值、冗余传感器观测值、执行器指令-响应一致性，或独立的电气、机械和水力指标。这一区分防止了在评估上下文证据之前就将正常操作事件归类为故障。
4.1. 传感器运行状态与故障
传感器故障发生在报告值不再以可接受的精度代表物理条件时。尖峰可能源于电气噪声或连接不良；偏置产生持续偏移；漂移逐渐发展；卡滞故障抑制正常变化；间歇性故障在有效和无效状态之间交替；缺失或延迟样本指示采集或通信问题。然而，这些信号特征最初应被解释为潜在的异常指标，因为类似的模式可能源于合法的过程变化或扰动。稳健统计量、中位数绝对偏差（MAD）和窗口化方差对于检测短时离群值有用，而偏置和漂移通常需要更长的基线、冗余或残差模型。
4.2. 执行器运行状态与故障
执行器故障包括完全失效、卡开或卡关行为、增益或容量降低、过度延迟、迟滞、死区、饱和、泄漏、摩擦增加、间歇性操作、指令传输失败以及电气或机械退化。相关的异常可能表现为异常的电流、振动、声学、水力或指令-响应模式，但这些观察本身并不能确定潜在的故障机制。相同的工艺症状可能源于不同的机制。故障隔离因此需要不止一个阈值。电气证据应根据执行器速度、负载和运行状态进行归一化，以避免在启动或指令容量变化期间产生误报。机械和水力证据包括振动、声发射、流量、压力和运动。振动传感器增加了安装成本，因此在密集农场中两者可能需要源分离或特定状态的基线。
4.3. 上下文非故障事件
作物发育改变了蒸腾作用、冠层阻力、气流和养分吸收。光周期和动态环境控制有意地改变设定点和执行器调度。这些变化可能类似于传感器漂移或执行器增益降低，当检测器假设单一平稳基线时。维护、清洁、收获、移栽、换水、加药、设定点调整和开门可能造成突然但可解释的变化。记录这些事件使得特定状态的阈值成为可能，并有助于防止误报。变化检测识别何时行为发生转变，而上下文元数据是确定原因是故障、生物转变还是有意干预所必需的。
5. 用于诊断的数据处理方法的批判性综合
5.1. 诊断流水线与方法局限性
一个合理的诊断流水线将数据质量、运行状态分割、预处理、信号表示、特征提取、异常检测、故障隔离和操作响应分开。混合这些阶段会模糊每种方法的贡献并使比较不可靠。数据质量检查必须在分析之前进行。时间戳对齐至关重要，因为不同步的指令、电气和传感器流可能产生人为的响应延迟。缺失数据处理、离群值筛选和状态分割应在滤波或残差计算之前进行。滤波可以减少噪声，但过度平滑可能会抑制尖峰和短时执行器瞬态。归一化应使用经过验证的健康数据，因为受污染的基线会降低异常对比度。去趋势应移除已知的光周期或作物阶段效应，而不移除感兴趣的渐变漂移。时域特征如均值、标准差、MAD、均方根（RMS）、偏度、峰度和变化率是可解释且计算廉价的。固定限值仍适用于安全约束，但自适应限值、统计过程控制（SPC）、指数加权移动平均（EWMA）和累积和（CUSUM）更适用于检测持续的微小变化。它们的主要弱点是对上下文的敏感性，因为有效的设定点或作物阶段变化可能移动基线并触发警报。变化点检测能够检测结构性的信号水平、方差或分布变化。它可以检测突变和工况转变，但不能确定其原因。离线方法适用于回顾性分析，而在线方法则是操作报警所需的。最小分段长度和惩罚设置涉及检测延迟和误报之间的权衡。频域分析最适用于稳定的旋转设备。FFT和韦尔奇PSD特征可以揭示与不平衡、轴承磨损、堵塞和电气故障相关的谐波、边带或宽带能量。然而，当速度、负载、启动或停机在分析窗口内发生变化时，该方法可能受到影响。时频方法解决了瞬态和非平稳信号的问题。短时傅里叶变换（STFT）提供局部频谱但使用固定的时频分辨率；小波分析提供多分辨率特征；经验模态分解（EMD）是自适应的但可能遭受模态混叠和端点效应的影响。这些方法对于启动异常和间歇性振动爆发有用，但它们增加了调优需求和计算开销。基于模型的残差和相关方法将测量行为与预测、状态估计、冗余传感器或物理关系进行比较。自回归（AR）或差分整合移动平均自回归（ARIMA）预测易于实现但在非线性控制下可能表现不佳。卡尔曼创新需要一个合理的状态空间模型，而空间冗余可能将真实的货架级梯度与传感器故障混淆。尽管如此，这些方法提供了从异常检测到故障隔离的强有力途径，因为它们评估了相关信号之间的一致性。
5.2. 传感器异常检测
方法选择应遵循故障特征而非通用准确性排名。尖峰最适合使用稳健统计量或基于中位数的残差进行筛查。偏置需要参考、冗余或过程模型。漂移适合EWMA、CUSUM和残差趋势监测，而卡滞值需要低局部方差并结合相关变量继续变化的证据。缺失和间歇性数据需要时间戳、连续性和窗口化变化分析。这些方法主要识别异常的测量模式，而传感器故障的确认需要独立的参考信息、物理一致的残差或其他佐证证据。预测和状态估计残差可用于监测温度、湿度、EC、pH和二氧化碳。持续的残差可能表明传感器故障，但模型必须考虑光周期、执行器状态、灌溉和作物发育。当物理关系稳定时，相关性和冗余是有用的。温度、湿度、气流、光照、加药、EC和pH应与指令和过程动态一致变化。空间比较必须考虑货架位置、气流、发光二极管（LED）强度和冠层密度。当重复传感器不可用时，硬件侧电流指纹和虚拟传感器可以提供独立证据。
5.3. 执行器异常检测
电气证据通常是执行器监测中最不具侵入性的途径。电流、电压、功率和能量可以揭示堵塞、摩擦、绕组故障、异常负载和效率损失。关闭、启动、升速、稳态和停机阶段需要单独的基线。机械和水力证据提供了额外的特异性。振动和声学特征对轴承故障、不平衡、松动和叶轮损坏敏感，而流量和压力指示水力输送。频域方法应在可比较的速度和负载条件下应用，而在同时运行多个执行器的设施中，声学方法需要源分离。控制响应证据比较发出的指令、预期响应、测量响应和残差。它可以揭示卡阀、泵增益降低、风扇响应延迟、饱和以及弱加热或除湿，即使电力消耗看起来正常。基于残差的温室、水培系统和小型垂直农场单元的研究表明，该途径可以区分传感器、执行器和过程故障。因此，异常的指令-响应残差被解释为异常指标，而特定执行器故障的识别需要额外证据来区分组件退化与传感器误差、过程扰动和正常控制转换。
5.4. 多信号故障隔离与上下文感知诊断
异常评分识别异常行为但不识别故障组件。因此，异常检测被视为初始筛选步骤，而故障隔离则被当作后续的诊断过程，该过程评估多个物理相关的信号以确定最可能的故障组件。故障隔离因此需要在独立的电气、水力、环境和指令-响应路径上进行一致性测试。气候控制诊断遵循相同原则。上下文变量应纳入隔离阶段而非不加区分地移除。光周期、作物阶段、灌溉、加药、设定点、维护和设备状态定义了预期的响应。检测器应将信号与适当的特定状态基线进行比较，并抑制与记录的干预措施相关的警报。直接的受控环境证据仍然有限，特别是对于商业垂直农场中自然发生的渐进性执行器故障。实用的隔离输出应报告疑似组件、故障模式、置信度、支持信号路径、矛盾证据和建议行动。这个证据轨迹比无法解释的异常评分对操作员更有用，并且可以支持校准、维护、备用传感或容错控制。
6. 混合信号处理与机器学习方法
机器学习（ML）作为在数据清理、运行状态分割、信号变换和有物理意义的特征提取之后的第二层诊断工具最为有用。对于执行器监测，可以在使用支持向量机、随机森林或神经网络进行分类之前，通过FFT或小波分析对电流或振动信号进行滤波和变换。这种结构保留了诊断预测与底层信号变化之间的可追溯联系。对于传感器诊断，统计、时序、相关性和残差特征可以支持监督或无监督模型。当标记的故障数据稀缺时，自编码器、单类模型、聚类和重构误差方法可作为替代方案；然而，这些方法识别的是新颖性而非确认特定的故障原因。无监督和自监督学习方法在代表性故障标签不可用时提供了潜在优势。然而，两种方法在垂直农场中都面临实际限制，因为训练数据集可能包含未被识别的传感器漂移、间歇性执行器异常或通信错误。这种污染可能导致异常行为被纳入学习的基线，从而降低后续的故障灵敏度。此外，高重构或预测误差指示偏离学习模式，但不能独立确定根本原因是传感器故障、执行器退化还是合法的操作变化。三个评估问题需要明确考虑。首先，罕见故障造成严重的类别不平衡，因此总体准确性即使在故障召回率很低时也能保持较高。精确率-召回率分析和单位时间误报次数因此更具信息量。其次，时间和季节性漂移可能降低在单个作物阶段训练的模型在后期阶段应用时的可靠性。第三，不同农场在传感器、品种、布局和控制策略上的差异可能限制模型的可迁移性。分布漂移代表了操作异常检测中的一个主要挑战，因为环境和设备信号的统计特性在整个作物生产过程中都会发生变化。为了应对这些局限性，上下文感知学习应将作物阶段、光周期、执行器指令和运行状态信息纳入模型输入或特定状态的参考分布。漂移监测、使用经过验证的健康数据进行受控模型更新、自适应阈值和定期重新校准可以提高鲁棒性。然而，这些策略需要通过独立作物周期、运行状态和设施进行评估，以确定它们是否能在不抑制真实故障特征的情况下减少误报。随机样本拆分可能导致时间相邻观测之间的泄漏，从而高估模型性能。更强的验证按时间段、故障事件、作物周期或设施分隔训练和测试数据，并报告跨独立运行的置信区间或变异性。计划部署的模型还应报告推理延迟、内存需求、能耗、重新训练频率、缺失数据容忍度以及在以前未见过的运行状态下的行为。
7. 实际实施与研究路线图
7.1. 边缘与实时实现
边缘监测减少了通信延迟并允许在云中断期间发出警报。移动平均、稳健统计量、EWMA、CUSUM、选定的FFT特征和紧凑的残差检查可以本地运行，而原始高速率数据或不确定的事件则被转发以进行更深层次的分析。部署报告应说明采样率、窗口长度、端到端延迟、处理器、内存、功耗和通信负载。用于基于边缘诊断的硬件选择应考虑处理器能力、可用内存、采样频率、变换窗口长度和通信开销。例如，Arduino UNO R4 WiFi采用48 MHz Arm Cortex-M4处理器和32 KB静态随机存取存储器（SRAM），而ESP32-S3提供高达240 MHz的双核处理和512 KB内部SRAM，并在选定模块中提供外部伪静态随机存取存储器（PSRAM）。这些微控制器适用于轻量级监测方法，包括移动平均、阈值分析、EWMA、CUSUM和紧凑的残差计算。当满足内存和采样约束时，选定的FFT和STFT操作也可能是可行的。因此，大型变换窗口、重叠STFT段和多级小波分解可能超出资源受限微控制器的实际内存或处理能力。Raspberry Pi 4和5平台提供多核处理器和千兆字节级内存，支持更长的窗口、多元分析和更复杂的机器学习模型。尽管如此，操作系统调度、通信开销和功耗会影响实时性能。因此，边缘可行性应通过测量的执行延迟、峰值内存消耗、采样连续性和能量需求而非仅凭处理器规格来评估。
7.2. 基准数据集与验证
公开的标记数据集仍然稀缺。有用的基准应包含长时间的健康期；同步的传感器、指令、电流、功率、流量、压力、振动和维护记录；多种作物和运行状态；以及独立验证的故障事件。直接的水培和受控环境研究提供了初步示例，但尚未形成共享基准。当故障罕见时，仅凭准确性是不够的。研究报告应提供精确率、召回率或灵敏度、特异度、F1分数、精确率-召回率曲线下面积（AUPRC）、每日或每运行小时的误报次数、检测延迟、故障隔离准确性以及异常评分的校准。验证应使用独立的时间段、作物周期、故障事件或设施，而不是相邻样本的随机拆分。为了可重复和上下文感知的诊断，最小元数据记录应包括同步时间戳；传感器和执行器标识符；农场区域和货架位置；作物类型和发育阶段；光周期；环境设定点；控制器运行模式；执行器指令和测量响应；以及维护、校准、灌溉和营养液加药事件。这些变量代表了区分设备异常与预期操作变化所需的基本上下文信息。当证据从温室、农业物联网系统或工业设备迁移时，验证应在垂直农场的光周期安排、短灌溉和加药周期、货架和区域级梯度、变化的作物阶段以及闭环控制器作用下重复比较。一种方法只有在经过该环境下的时间或跨设施测试后，才应被描述为针对垂直农场进行了验证。因此，仅由工业组件研究支持的诊断方法应作为候选方法而非经过验证的解决方案呈现给垂直农场。关于实际部署的建议应区分由直接垂直农场实验、邻近受控环境农业（CEA）验证和可迁移工程证据支持的方法。可扩展性要求方法不需要为每个传感器和执行器进行手动调优。基准协议因此应测试跨区域、货架、作物周期、硬件更换和农场的迁移，并报告阈值或模型必须重新校准的频率。
7.3. 多模态数据融合与可扩展诊断
多模态融合结合了环境和营养液测量与电气、机械、水力及指令数据。其目标不是连续收集所有信号，而是利用互补的路径来区分可能的原因。边缘到云系统可以将廉价的统计数据保留在本地，并且仅在低成本指标发生变化时才触发高速率振动或声学捕获。
7.4. 数字孪生与合成故障生成
数字孪生可以模拟传感器漂移、执行器延迟、泵堵塞、风扇退化和控制不稳定，而不会使作物面临操作风险。合成数据应补充而非取代实测故障。验证必须披露模拟的故障模型，并测试在合成事件上训练的检测器是否能推广到真实设备。仿真逼真度应通过比较合成与实测信号特征、执行器响应延迟、运行状态转变和环境扰动来评估。应报告模拟系统与物理系统之间的差异，因为它们可能影响诊断准确性以及后续控制决策的可靠性。
7.5. 容错农场控制
一个诊断系统应将警报与安全行动联系起来。一个漂移的传感器可以暂时由一个经过验证的虚拟传感器替代；一个退化的泵可以触发维护或备用操作；一个延迟的风扇可以在提醒操作员的同时促使控制调整。每个自动化响应都需要置信阈值、故障安全限值、手动覆盖和审计追踪。长期目标是实现从异常评分到故障隔离、维护规划和容错控制的演进。
