传感器故障诊断本质上是用测量值反推传感器本身是不是出了问题。这门学科横跨控制理论、信号处理、机器学习三大领域初学者最容易迷路的地方在于文献太多、方法太杂却很少有人告诉你为什么会有这么多方法、我该从哪里进门。这篇综述按故障是什么 → 诊断怎么做的 → 方法怎么演进 → 该读什么、做什么的顺序帮你建立一张完整的认知地图。先搞清楚传感器到底会出什么故障不同文献对故障的分类角度略有差异但主流框架是按故障表征形式划分这也是建模和仿真时最常用的视角 完全失效卡死/恒值测量值突然失灵一直停留在某一个常数通常是 0 或量程最大值信号大致是一条水平直线固定偏差恒偏差测量值与真实值相差一个恒定常数有故障的信号与无故障信号平行漂移偏差测量值与真实值的差值随时间推移而变化通常由温度等因素引起精度下降精度损伤平均值不变但测量的方差变大即测量能力变差、精度等级降低从建模角度上述故障可进一步抽象为乘性故障和加性故障——偏置故障是在原信号上加一个恒定或随机小信号漂移故障是信号以某一速率偏移原信号短路故障信号接近于零开路故障信号接近传感器输出最大值等 。这是你后面看基于模型的方法时必备的语言。 软故障偏差、漂移、精度下降虽然幅值小、变化慢但比硬故障更危险——因为它长期不被发现会让控制系统在看似正常的状态下逐渐偏离 。按其它维度还有按程度分硬故障/软故障按表现分间歇性/永久性按进程分突变/缓变按原因分偏置、冲击、开路、短路、周期性干扰、非线性死区等 。初学者先把失效/偏差/漂移/精度下降这四个搞透其余分类都是在这之上的重新组合。故障诊断在做的事一个三段式流程不管方法多花哨传感器故障诊断的全过程通常包含三个核心环节 故障检测Fault Detection及时发现故障并发出警报故障隔离Fault Isolation确定故障发生在哪个传感器上故障辨识与决策估计故障大小、类型并做出容错决策如切换到冗余传感器或重构信号常见的诊断思路是用多个传感器测同一个物理量把测量结果的偏差当作故障信号 或者构建一个虚拟传感器解析冗余用模型预测值与实际测量值之差残差来判断是否故障。后者是现代故障诊断的核心思想。方法演进从硬件冗余到知识-数据双驱动这是综述最关键的部分。传感器故障诊断的方法演进本质是对被诊断对象建模的依赖程度不断降低的过程。第一代硬件冗余 阈值判定最早的办法简单粗暴——装多个传感器测同一个量通过比较、投票、加权来判定谁坏了。波音 777 的大气数据惯性基准系统就用了这种容错冗余设计 。优点安全性高、直观可靠致命缺点增加成本、重量、空间占用在飞行器等对重量敏感的平台上代价极大第二代基于解析模型的方法软件冗余既然多装传感器太贵就用数学模型生成虚拟传感器。核心思路是设计滤波器/观测器构建对干扰具有鲁棒性的残差产生器通过残差评价和决策实现故障诊断 。典型技术路线包括 状态估计法如 Kalman 滤波器KF、扩展卡尔曼滤波EKF、未知输入观测器参数估计法物理意义明确故障分离性能好但需要激励信号、收敛性差等价空间法能分离任意传感器故障、能检测多故障并发计算量小 这一代方法的代表场景是航空航天。空客 A380/A350 已经用基于模型的方法诊断飞控作动器的非指令信号故障并通过了适航审定 。优缺点并存机理清楚、易分析、可实时但对模型精度依赖强建模误差会导致误报漏报对非线性系统通用性不足 。第三代不依赖数学模型的方法当控制系统越来越复杂、精确建模几乎不可能时研究者转向两条路 3.1 基于信号处理与统计的方法绝对值检验、趋势检验、小波分析、相关分析、信息融合、Kullback 信息准则等 。不需要对象准确模型适应性强但结构复杂、难于实现检测出的故障类型有限。3.2 基于知识的方法专家系统用知识库规则库推理机模拟人类专家诊断如 Beaulah 等开发的专家系统方案模糊逻辑Zadeh 提出用来在不确定和不精确信息下做理性决策第四代数据驱动的机器学习与深度学习方法这是当前最热的方向。随着自动驾驶、工业物联网的爆发数据驱动的智能诊断体系凭借在复杂故障模式识别中表现出的高精度诊断性能成为了前沿方向。传统机器学习阶段支持向量机SVM凭借优异的分类性能受到关注胡良谋等提出了基于最小二乘 SVM 的飞控系统故障诊断方法在保证诊断精度的同时提升了学习速度神经网络NN如 RBF 神经网络WAN 等提出了基于 RBF 的在线学习传感器故障诊断算法并在结构内引入内嵌滤波器增强对故障的敏感程度随机森林、决策树等深度学习阶段​ 代表性架构架构擅长处理的故障类型典型应用CNN​空间特征提取可将一维信号转为二维图像进行识别多维传感器数据RNN / LSTM / GRU​时序依赖建模适合渐进式漂移故障时间序列传感器数据AE / VAE​无监督异常检测学习数据分布信号重构与异常评分GAN​故障样本生成解决小样本问题数据增强Transformer​长序列建模自注意力机制复杂依赖关系GNN​建模多传感器间关系多传感器系统⚠️ 深度学习的瓶颈也很现实 故障样本稀缺、可解释性差、计算复杂度高且相同输入在不同学习阶段可能输出不同结果——这对航空等安全关键领域的适航审定来说是巨大的鸿沟 。第五代正在形成知识-数据双驱动 边缘智能最新的综述明确指出未来趋势是混合诊断系统​ ——把基于模型的白盒可解释性与数据驱动的复杂模式识别能力结合起来。同时边缘智能部署在传感器端就近运行轻量模型如 CNN降低故障检测延迟元学习与模块化设计解决小样本和跨场景泛化大模型和基础模型GPT、DeepSeek、Qwen 等大模型为少样本/零样本故障诊断带来新可能可通过推理驱动、知识增强、多模态融合等方向提升诊断能力当前的核心挑战把近年的综述放在一起看这个领域还没解决的问题高度集中 故障与噪声的分离偏差、漂移等弱小、慢变故障误报漏报概率大需要更高的检测精度和速度故障样本稀缺真实故障数据难获取尤其安全关键领域GAN 生成、迁移学习是主要对策可解释性 vs 性能的矛盾深度学习精度高但黑盒基于模型的方法可解释但精度受限多故障并发与复杂系统现有方法对同时发生的多故障组合检测能力不足适航与安全认证学习算法的不确定性无法被现有适航条款覆盖是技术推广的鸿沟边缘部署工业现场的算力、功耗约束网络安全传感器面临恶意攻击与篡改风险如 CrowdStrike 事件初学者学习路径建议如果你是完全的初学者建议按以下顺序深入第一步打底2-4 周吃透四种基本故障类型失效/偏差/漂移/精度下降及其数学表达理解残差生成、阈值判定、故障可检测性可检测的充分条件是系统对测量信号可观测且故障幅值大于最小可检测值等概念推荐入门综述Recent advances in sensor fault diagnosis: A review2020, ScienceDirect——这篇对故障类型、方法分类、优缺点都有系统梳理第二步深耕一类方法1-2 个月想做控制/航天方向 → 主攻基于模型的方法吃透 Kalman 滤波、未知输入观测器、滑模观测器读空客 A380/A350 的应用案例想做工业物联网/边缘智能 → 主攻数据驱动方法从 SVM、RNN 起步再学 LSTM、CNN、Transformer想做安全关键系统 → 重点研究硬件-软件复合冗余架构第三步跟踪前沿持续最新 IEEE 综述Toward Reliable and Intelligent Sensor Systems2025覆盖了从故障诊断到补偿的全生命周期以及硬件冗余、解析重构、AI 方法、校准维护等缓解策略是极佳的全景图关注知识-数据双驱动、大模型故障诊断、边缘智能三个新兴方向第四步动手实践找公开数据集如 NASA 的 C-MAPSS、或 UCI 的传感器数据集跑通一个端到端的诊断 pipeline先复现一个基于 LSTM 的时序故障检测再尝试加入注意力机制或 GAN 数据增强对比基于模型的方法如 EKF与纯数据驱动方法的性能差异体会各自的适用边界 选方法时的工程直觉系统可建模、安全关键 → 基于模型或混合方法系统复杂、数据丰富、追求精度 → 数据驱动资源受限的边缘端 → 轻量级模型 硬件冗余兜底。传感器故障诊断是一门问题导向的学科——方法没有绝对优劣只有是否匹配你的系统特性。初学者最容易犯的错是追着最新深度学习模型跑却忽略了最基础的故障建模和残差分析思想。把第一代的残差思想、第二代的观测器理论、第四代的深度网络串起来理解你会发现所有花哨的方法本质上都是在更好地回答测量值偏离了它应该有的样子多少这个问题。一、必读论文清单按阅读顺序 奠基性综述必读建立全局视野Li et al., Recent advances in sensor fault diagnosis: A review,Sensors and Actuators A, 2020​这是目前传感器故障诊断领域最系统的综述覆盖了故障类型分类失效/偏差/漂移/精度下降、基于模型/数据驱动/知识的方法、优缺点对比、未来挑战。入门第一篇文章必读。Sharma, Golubchik, Govindan, Sensor faults: Detection methods and prevalence in real-world datasets,ACM TOSN, 2010​这篇是无线传感网故障检测的经典首次明确把故障检测方法归为四类规则法、估计法、时间序列法、学习法并在 4 个真实数据集上量化了故障的实际发生率。想做 IoT/环境传感方向必读。de Bruijn et al., Benchmark Datasets for Fault Detection and Classification in Sensor Data,SENSORNETS, 2016​这篇论文本身就是数据集——作者在 Intel Lab、SensorScope、Smart Santander 三个真实传感网数据上注入了 random / malfunction / bias / drift / polynomial drift 等故障并给出了带 ground truth 的基准。它定义了什么是标准化的传感器故障诊断评测后续论文都绕不开。 方法类代表论文按技术路线各读一篇技术路线代表论文读它的理由基于解析模型经典 Kalman 滤波/EKF 观测器学派理解残差思想的源头硬件冗余 解析冗余空客 A380/A350 飞控作动器故障诊断方案看工业级如何落地传统机器学习SVM / RNN / LSTM 用于传感器故障诊断的代表作数据驱动方法的基线深度学习Transformer-based sensor failure prediction for UAVs,ESWA, 2024无人机多传感器故障预测与分类含首个 UAV 传感器故障数据集 BASiC准确率 86%/94%最新前沿小波去噪超图深度聚类网络用于多传感器故障识别,计算机集成制造系统, 2026无监督、标签不足场景下的新方法IoT 场景最新综述An Insight Survey on Sensor Errors and Fault Detection Techniques in Smart Spaces,CMES, 2023系统梳理 IoT 环境下的误差映射与检测方法选型 阅读策略先读 1 篇综述建立地图再按你选的技术路线读 1-2 篇方法论文建立武器最后读 1 篇最新论文看清前沿在哪。不要试图读完全部。二、公开数据集选型按研究方向对号入座 工业过程 / 多传感器监测Tennessee Eastman Process (TE process) / MMTEP41 个测量变量 12 个操纵变量 28 个故障标识是多变量统计过程监控MSPC的事实标准。MMTEP 是多模态版本更复杂、更接近真实Hydraulic System Condition MonitoringUCI液压试验台多传感器数据压力、流量、温度、振动等4 类故障 × 多个严重程度等级2205 个周期样本SECOMUCI半导体制造过程590 个传感器​ × 1567 个样本二分类pass/fail存在大量缺失值适合做高维稀疏数据的故障检测✈️ 航空航天 / 预测性维护NASA C-MAPSS涡扇发动机退化仿真数据FD001~FD004 四个子集26 个传感器通道。⚠️ 注意它本质是设备退化剩余寿命预测数据集不是严格的传感器故障数据集——但它是传感器时序数据建模的最常用基准几乎所有 RUL/时序诊断论文都会用MetroPT-3UCI铁路空气压缩机组传感器数据包含 COMP/LPS/油压/流量等 15 路信号208 MB 时序数据适合做基于异常检测的预测性维护 无人机 / 多传感器融合BASiC DatasetUAV Sensor Failure Dataset首个针对无人机的传感器故障数据集包含 GPS/遥控/加速度计/陀螺仪/罗盘/气压计等 6 类传感器故障70 次自主飞行、超 7 小时数据 无线传感网 / IoT最贴近传感器故障本义de Bruijn Benchmark DatasetsIntel Lab室内温度/光 SensorScope室外温度 Smart Santander城市传感共 578 万数据点注入了 random/malfunction/bias/drift/polynomial drift 等标准故障类型是传感器故障检测领域最权威的基准​SensorScope、Smart Santander、Intel Lab​ 原始数据也可单独使用⚙️ 旋转机械注意这类大多诊断的是设备故障而非传感器故障CWRU、IMS、Paderborn、HUST 等轴承/齿轮箱数据集 ——如果你的题目是传感器故障诊断而非机械故障诊断慎用除非你研究的是传感器自身失效对机械故障诊断的影响这类交叉课题。数据集选择建议初学者建议从TE process​ 或de Bruijn Benchmark​ 入手——前者工业属性强、文献对比多后者故障类型标注规范、评测标准统一。三、必须做的实验从入门到能发论文 实验 1故障注入与可视化入门第 1 周在任何数据集上手动注入 4 种标准故障Hard-over卡死信号突变为常量Bias偏置信号 常数Drift漂移信号 线性/多项式趋势Noise精度下降信号叠加高斯白噪声信噪比逐步降低画出故障前后的时域/频域图肉眼确认故障特征。这一步是所有后续实验的基础。 实验 2基线方法对比第 2-3 周至少实现 3 类基线建立对比锚点基于阈值/规则简单的 3σ 上下界检测基于统计PCA / Hotellings T² Q 统计量TE process 的标准做法基于传统 MLSVM 或 随机森林SECOM 上的经典基线 实验 3主方法实验第 4-8 周选择 1-2 种主方法进行深入若走模型驱动EKF/UKF/未知输入观测器 残差评价若走数据驱动LSTM / Transformer / CNN-LSTM 等深度学习模型若走无监督AutoEncoder / VAE 重构误差 阈值在选定数据集上完成故障检测 故障隔离 故障辨识三段式全流程。 实验 4鲁棒性 消融实验第 9-10 周决定论文档次噪声鲁棒性在不同 SNR 下测试检测率故障幅度敏感性bias 从 1% 到 50% 逐步增大绘制检测率曲线多故障并发同时注入 2-3 种故障测试隔离能力消融实验去掉模型中的关键模块如 Transformer 中的自注意力、AE 中的退化特征惩罚 量化每个模块的贡献 实验 5跨数据集泛化加分项在一个数据集上训练在另一个数据集上测试如 TE → MetroPT验证方法泛化性。这是当前顶会的偏好。四、评价指标论文里必须报告这些分类/检测任务指标含义优秀范围PD (Recall)​故障检出率0.80-0.95PF (False Alarm Rate)​误报率0.01-0.05Precision​精确率0.70-0.90F1 Score​精确率与召回率的调和均值0.75-0.90AUC​ROC 曲线下面积0.70-0.90回归任务如故障幅值估计、RUL 预测MAE平均绝对误差RMSE均方根误差R²决定系数⚠️关键提醒故障诊断中类别极度不平衡正常样本远多于故障样本单纯报 Accuracy 会被审稿人质疑。必须同时报告F1 和 AUC最好画出 ROC 曲线和 PR 曲线。五、新手最容易忽略的几个点关于故障的定义在真实工业数据中故障往往是缓慢演化的——今天 1% 的 bias一个月后变成 5%。你的方法必须在早期微小故障阶段就能捕获而不是等故障很明显了才报警。这是工程价值的体现。关于对比的公平性深度学习论文必须和传统方法PCA/SVM对比否则审稿人会问你的方法相比 30 年前的 PCA 到底好在哪。同样基于模型的方法也要和纯数据驱动对比。关于可解释性航空、核电、医疗等安全关键领域黑盒模型很难过审。如果你的方法在这些领域应用必须提供某种形式的解释如注意力权重可视化、残差贡献度分析。关于传感器故障 vs 机械故障再次强调这是两个不同的研究方向。CWRU、IMS 等旋转机械数据集诊断的是轴承/齿轮故障不是传感器故障。如果你的题目明确是传感器故障诊断用 TE process、MetroPT、de Bruijn benchmark、BASiC 这类数据集才对口。按照上面的论文清单 数据集选型 5 个实验你可以在3 个月左右完成从入门到产出第一篇可投稿论文的全过程。如果你已经确定了具体方向比如航空发动机、工业互联网、无人机、或农业环境传感我可以再针对性地缩小必读论文范围和推荐最匹配的数据集。