基于地理信息系统的物联网传感器故障智能预警分析

0 引 言

物联网通过将“智能物体( Smart Objects) ”接入到互联网或移动通信网，从而在人与物、物与物之间形成一种新的通信模式。物联网已被广泛地应用于石油行业、安全防护、智能交通、智能电网、医疗等领域，并且不断地向我们生活的方方面面渗透。据预计，未来物联网极有可能将互联网拓展到一个更广的领域。因此，物联网也被视为继互联网之后，全球信息产业的又一次科技和信息浪潮。目前，全球物联网尚处于概念、论证与试验阶段，处于攻克关键技术、制定标准规范与研发应用的起始阶段。技术上出现融合化、嵌入化、智能化的特征，应用上呈现出标准化、服务化、开放化、工程化的特征。

随着油田生产自动化的飞速发展，近年来，越来越多的传感器被部署，为油气生产物联网业务应用提供基础数据，其运行状态及故障情况都直接影响了油田物联网应用系统的及时性、准确性。传感器大量部署使得现场技术人员巡检或检测工作量巨大，还存在某些参数人工实测困难、不容易及时发现等问题，无法满足传感器运行状态监测的需求。在油田物联网中，传感器是现场实时数据获取的主要设备。如果它出现性能蜕化、功能故障甚至失效时，将给自动控制系统后续的实时监测、连锁控制、故障判断等系统功能带来严重影响，可能导致误诊断、误报警频发，甚至造成不可估量的损失。据“智能维护系统中心( IMS) ”调研研究表明: 一般自动化系统 40 %以上的故障警报皆是由于传感器系统自身的故障而产生的误报警。

二维 GIS[1]具有强大的二维空间查询分析统计功能，灵活多样的应用形式，但是对于日益兴起的三维 GIS 应用，单一的二维 GIS 展示已稍显不足。三维 GIS 技术的快速发展无疑引领了新一代 GIS 技术的巨大变革，代表了未来 GIS 的审美观。利用二三维 GIS 对物联网传感器故障智能预警进行直观展示，从而为技术维护人员进行快速地理定位，了解周边设备状况，及时进行应急处理提供基础信息。

1 相关工作

虽然随着感知技术发展、传感器自身质量以及传感器无故障工作时间日益提高，但在由众多只不同类型、不同厂商传感器构成的一个物联网中，任何一个薄弱环节的故障都可能造成整个物联网系统的误诊断、误报警。因此，物联网传感器的故障智能预警分析等技术仍然物联网领域的研究重点、难点以及薄弱环节。

目前传感器故障预警分析的方法有: 硬件冗余法、时序冗余法和信息冗余法等。其基本方法就是利用传感器采集的冗余信息进行传感器的故障预警分析，基于不同类别的冗余信息，产生出了不同的预警分析方法。

硬件冗余法主要是利用 3 只以上的同类传感器测量统一采集点的监测参数，采用了多数表决原则进行传感器故障预警。该方法需要某一位置部署多个冗余传感器，因此其成本和维护费用较高。一般航空航天多采用硬件冗余法，实现传感器的高可靠性监测，但由于成本较高，一般的应用场合，例如油田物联网中要尽量避免采用硬件冗余法。

分析冗余法[2]是利用传感器的一些先验知识，对其自身静态、动态特征进行数据建模，从而构建与输出信息与被测对象之间的解析关系，并对输出信息的设备有关和无关性的冗余信息进行对比获取传感器故障诊断结果。该方法利用软件实现，成本较低，然而对数学模型的精度、可靠性要求较高。并且随着系统复杂性增加，数学模型的构建会变得非常负责，其可靠性、精度也会变得难以保证，因此在非常复杂的物联网系统中分析冗余法有一定的实现困难。

时序冗余法主要是对系统时序上的输出量之间的进行建模分析，通过时序冗余信息或者用不同时间序列的传感器输出的冗余信息来进行故障识别和预警。该方法不强依赖于设备模型、时序上实时数据流又提供了大量的冗余信息，因此适用于不同传感器、不同被测对象。因此应用非常广泛。根据不同的分析模型，时序冗余法有分为基于信号处理模型、基于数据挖掘两种。前者通常根据不同场景，选用相关函数、频谱、自回归滑动平均等信号分析方法，对可测信号进行分析，从而提出可测信号的提取方差、频率、幅值等信号特征值，实现传感器故障预警。目前，最常用和应用广泛的是基于小波变换的故障预警方法[3 - 4]。后者借助数据挖掘相关数学模型，利用先验知识，收集领域专家收集整理与物联设备相关的文献和资料，对相应知识进行总结、整理，进行加工汇总处理，建立故障知识库和专家系统，为故障分析提供信息，建立相应的故障预警系统。该方法缺点是先验知识获取以及维护困难。随着传感器设备质量的不断提高，其故障采样样本的规模和范围都在不断减少，并且对于新故障或新信息缺乏正确处理。该方法主要选用的专家系统、神经网络、贝叶斯网络等模式[5]。

更多内容请查看pdf