《Agriculture》：Cross-Node Fault Diagnosis of Solar Insecticidal Lamp IoT Equipment for Reliable Precision Pest Monitoring Using a Diagnosability-Aware Health Baseline
编辑推荐：
可靠的太阳能杀虫灯物联网（Solar Insecticidal Lamp Internet of Things，SIL-IoT）设备是绿色害虫防治和精准害虫监测的基础。光照、光伏和热变量的健康范围会随日光、天气、能源可用性和安装条件而变化，而标记故障仍然稀缺且
可靠的太阳能杀虫灯物联网（Solar Insecticidal Lamp Internet of Things，SIL-IoT）设备是绿色害虫防治和精准害虫监测的基础。光照、光伏和热变量的健康范围会随日光、天气、能源可用性和安装条件而变化，而标记故障仍然稀缺且不平衡。研究人员提出了一种可诊断性感知的运行状态健康基线（Diagnosability-Aware Operating-State Health Baseline，DA-OHB），用于对SIL-IoT设备中数据可观测故障进行基于校准的跨节点诊断。候选故障通过数据可观测性、机理可表达性以及可用的人工整理遥测事件标签进行筛选。光伏-光照、电箱/空气温度、功率和滚动状态特征与运行状态门控、方向敏感证据评分以及目标节点健康误报校准相结合。研究人员在2025年7月至8月来自中国滁州部署的四台设备的现场记录上评估了DA-OHB，针对三种与维护相关的故障：光照强度传感器开路、光照强度/太阳能板电流失配以及电箱/空气温度失配。在留一设备出（leave-one-device-out）聚合且每个目标节点使用早期健康校准子集的条件下，平均F1分数分别为0.996、0.823和0.770；平均精确率-召回率曲线下面积（Area Under the Precision–Recall Curve，AUPRC）值分别为1.000、0.890和0.963。在五个随机种子下，DA-OHB的F1分数分别为0.996 ± 0.000、0.823 ± 0.000和0.763 ± 0.004。F1反映了具有充分故障证据的目标节点机制，而F2和F3则展示了来自多个设备的跨节点证据。因此，SIL-IoT设备的现场诊断受益于将报警与有效运行状态、故障方向以及节点特定的健康校准相关联。DA-OHB为在人工整理遥测标签下的SIL-IoT维护提供了可解释的基础；对害虫计数估计和农业决策的影响需要单独评估。
太阳能杀虫灯物联网设备跨节点故障诊断研究解读
一、研究背景与问题
精准害虫管理日益依赖于将害虫防治设备、作物管理决策和数字农业服务相连接的田间数据。太阳能杀虫灯物联网（Solar Insecticidal Lamp Internet of Things，SIL-IoT）设备通过集成诱虫灯、高压击杀、光伏供电、环境感知和通信模块，在无人值守的田间充当物理害虫防治与监测载体。然而，SIL-IoT设备的农业数据价值取决于传感、供电、通信和设备状态子系统在变化天气、光照、能源和安装条件下能否保持健康。
现有研究存在若干关键问题。首先，传感器变量的正常范围随日光、降雨、电池状态和控制逻辑而变化，例如夜间低光照读数属正常，但太阳能板有明确电流输出时低光照则可疑。其次，节点异质性引入额外模糊性，不同田间安装的设备即使健康也可能呈现不同光伏响应和热环境。第三，可用标签不符合平衡多分类器假设，真实故障样本稀缺，部分故障仅出现在部分节点，部分标签对应复合事件。第四，现场维护需要可追溯到子系统的诊断证据，而非仅通用异常分数。此外，跨节点部署使分布偏移不可避免，如何在不同安装角度、遮荫条件、老化状态和局部微气候的设备间迁移健康基线，是尚待解决的农业部署问题。
二、研究内容与结论
针对上述问题，研究人员提出可诊断性感知运行状态健康基线（Diagnosability-Aware Operating-State Health Baseline，DA-OHB）框架，用于基于校准的跨节点故障诊断。该方法选择数据可观测、机理可表达且具有人工整理遥测事件标签的目标故障，结合运行状态门控、机理相关特征、方向敏感健康偏差和目标节点健康校准。在2025年7月至8月中国滁州四台设备的现场数据上，针对光照强度传感器开路（F1）、光照强度/太阳能板电流失配（F2）和电箱/空气温度失配（F3）三种维护相关故障进行留一设备出评估，平均F1分数分别达0.996、0.823和0.770，平均精确率-召回率曲线下面积（AUPRC）分别为1.000、0.890和0.963。该研究为SIL-IoT设备维护提供了可解释的现场诊断基础，但下游害虫计数估计和农业决策的改进不在直接实验范围内。
三、关键技术方法
研究人员采用以下主要技术方法：其一，可诊断性感知故障筛选，依据数据可观测性、机理可表达性和人工整理遥测标签可用性三个标准选择目标故障；其二，机理感知特征构建，包括电箱-空气温度差、太阳能电流/光照强度比、功率变量及12样本滚动均值与标准差；其三，运行状态门控，为不同故障设置有效日照、太阳能活跃等条件；其四，方向敏感健康偏差评分，采用单侧低尾或高尾评分替代传统双侧健康带；其五，跨节点阈值校准，使用目标节点早期健康子集设定误报率阈值。数据来源为四台部署于中国安徽省滁州市的SIL-IoT设备，实验使用2025年7月至8月的标记数值遥测记录，聚焦数据集含822,029个样本。
四、研究结果
4.1 跨节点诊断总体性能。 留一设备出评估显示，F1平均F1分数0.996、精确率0.993、召回率1.000，该分离源于太阳能活跃约束的强特异性，但仅一个目标节点含足够F1样本，主要支持机理设计而非广泛多节点泛化。F2在全部四个目标节点可用，平均F1分数0.823、精确率0.818、召回率0.844、AUROC 0.997、AUPRC 0.890，节点级F1分数为0.911、0.821、0.802和0.759。F3为最稀有故障，平均F1分数0.770、精确率0.685、召回率0.943、AUPRC 0.963，节点1和3仅含45和48个F3测试样本，少量健康热峰可显著影响精确率。
4.2 节点级诊断分析。 节点级结果揭示样本不平衡影响。F2中节点4召回率较低，因仅60个故障样本且分布狭窄；节点2精确率较低，表明校准后健康光伏响应偶移向低响应区。F3中节点1和3精确率较低，因仅数十个故障样本；节点4含1569个F3样本，实现高精确率和高召回率。分层自助法置信区间确认小样本F3节点的精确率估计应谨慎解读。
4.3 全局异常基线与特征工程消融。 随机分裂下PCA重构和马氏距离F1分数约0.633，孤立森林仅0.059；时间分裂下PCA重构和马氏距离达0.835和0.815。留一设备出参考基线中，源域PCA、马氏距离和可扩展一类SVM平均F1分数分别为0.213、0.215和0.206，滚动特征时间PCA为0.036，CORAL对齐PCA为0.208。现代轻量级迁移基线中，CORAL-CS线性达0.689、线性MMD-CS线性达0.682，但DA-OHB仍以0.823居首。特征消融显示仅用原始传感器和时间特征时PCA重构F1分数仅0.005，去除核心关系特征几乎不可用，完整工程特征集下PCA重构达F1 0.835和AUPRC 0.894。
4.4 F2方向敏感诊断。 传统双侧关系带在留一设备出协议下阈值化F1分数显著低于单侧低响应规则。单侧低响应设计更贴近F2物理含义，有效日照下故障证据集中于光伏响应不足而非任意关系偏差，平均F1分数提升至0.823、AUPRC至0.890。添加电压门控几乎不改变F1分数，表明主要增益来自选择低响应方向。
4.5 热失配诊断与F3敏感性。 目标校准双侧热带的平均F1分数为0.548，热残差模型为0.248。默认联合高尾热失配模块平均F1分数0.770、精确率0.685、召回率0.943、AUPRC 0.963，但瞬时高尾变体样本级F1分数达0.879，联合规则作为持久性导向的保守设计选择保留。目标误报率放宽时精确率下降、F1分数降低。校准集大小敏感性显示F1和F2相对稳定，F3随校准集从1000增至上限，平均精确率从0.535升至0.685、F1从0.672升至0.770。1000次自助重采样确认F3阈值应视为名义工程运行点而非精确极端尾部估计。
4.6 直接DA-OHB证据解释。 DA-OHB作为机理定义评分框架，报警解释直接取自最终决策使用的证据项，包括运行状态门控、评分证据、阈值比较和维护解释，无需替代模型或额外保真度假设。
4.7 统计比较与实践意义。 配对节点级比较中，F2在全部四个目标节点上F1分数高于双侧关系带，平均差0.823；F3在全部三个有效目标节点上高于双侧热基线，平均差0.368。Wilcoxon p值未达0.05因现场节点数少，解释为指示性改进。事件级结果显示F1和F2事件召回率分别为1.000和0.923，检测延迟接近零；F3事件召回率仅0.673，因若干短F3片段未被检测。误报事件率F1、F2、F3分别为每设备日1.613、9.233和0.325次，对应平均误报间隔14.880小时、2.599小时和73.906小时。
五、讨论与结论
讨论部分指出，DA-OHB主要使用健康样本，适合故障标签稀缺的现场数据；运行状态门控减少不适当状态下的报警；目标节点校准允许各设备用自身健康数据调整阈值，但最佳阈值参考可能依赖具体故障。该方法与少样本或代价敏感故障诊断的关系需谨慎解读：现场设置中多个SIL-IoT故障目标节点样本少且不均，诊断输出须保持维护可解释的子系统证据，因此DA-OHB采用健康数据校准和机理定义方向评分而非直接学习稀有故障类边界，作为轻量级参考而非替代学习型迁移模型。
研究结论为：DA-OHB在节点异质性下选择数据可观测且机理可表达的目标故障，构建机理相关特征，应用运行状态门控，使用方向敏感证据，并仅用健康数据进行校准或阈值参考。在四台设备2025年7月至8月人工整理遥测标签上，F1、F2、F3的主留一设备出平均F1分数分别为0.996、0.823和0.770，五种子下分别为0.996 ± 0.000、0.823 ± 0.000和0.763 ± 0.004。F1结果主要支持含充分故障证据目标节点上的光传感器开路机理，F2和F3提供更广泛多节点证据。研究受限于部署规模、故障覆盖不均、分析周期短、遥测衍生标签的残余循环验证风险以及缺乏直接害虫计数或决策级验证。未来工作应评估更多设备、更长季节、复合故障、独立物理维护确认和下游害虫监测可靠性。
