[论文解读] Efficient Sensor Fault Detection Using Group Testing

Chun Lo, Yechao Bai+2 more|arXiv (Cornell University)|Jan 17, 2015

SARS-CoV-2 detection and testing参考文献 32被引用 3

一句话总结

本文提出了一种新颖的群体检测方法，结合卡尔曼滤波技术，以显著少于传统方法的测试次数，检测无线传感器网络中罕见的故障传感器。通过测试传感器组，并利用基于卡尔曼滤波的故障检测，该方法降低了计算复杂度并提高了准确性，尤其在噪声环境下表现更优，相较于非自适应和现有自适应群体检测技术，在新卡奎内兹大桥的实际振动数据中表现更佳。

ABSTRACT

When faulty sensors are rare in a network, diagnosing sensors individually is inefficient. This study introduces a novel use of concepts from group testing and Kalman filtering in detecting these rare faulty sensors with significantly fewer number of tests. By assigning sensors to groups and performing Kalman filter-based fault detection over these groups, we obtain binary detection outcomes, which can then be used to recover the fault state of all sensors. We first present this method using combinatorial group testing. We then present a novel adaptive group testing method based on Bayesian inference. This adaptive method further reduces the number of required tests and is suitable for noisy group test systems. Compared to non-group testing methods, our algorithm achieves similar detection accuracy with fewer tests and thus lower computational complexity. Compared to other adaptive group testing methods, the proposed method achieves higher accuracy when test results are noisy. We perform extensive numerical analysis using a set of real vibration data collected from the New Carquinez Bridge in California using an 18-sensor network mounted on the bridge. We also discuss how the features of the Kalman filter-based group test can be exploited in forming groups and further improving the detection accuracy.

研究动机与目标

• 解决在故障传感器极为稀少的大规模传感器网络中，个体传感器故障检测效率低下的问题。
• 通过在传感器网络中应用群体检测原理，将所需测试次数降低至 O(N) 以下。
• 在系统模型不完善的情况下，提升故障检测的准确性与鲁棒性，尤其在噪声测试环境中。
• 将卡尔曼滤波与群体检测相结合，利用动态系统行为优化子组划分与检测效果。
• 开发一种可扩展的自适应方法，利用先前测试结果最小化测试次数，同时保持高检测准确性。

提出的方法

• 该方法采用组合群体检测（CGT）对传感器随机分组进行测试，基于卡尔曼滤波故障检测的二元结果判断组内是否存在故障传感器。
• 提出一种自适应贝叶斯群体检测（BGT）方法，利用先前测试结果逐步优化组别选择，从而减少所需测试次数。
• 对每组内的系统状态应用卡尔曼滤波进行估计，并利用有无故障传感器时状态估计的差异来检测故障。
• 提出一种新改进方法 KF-BGT，通过将测试组划分为故障传感器分布均衡的子组，并向子组中添加高置信度的正常传感器以稳定估计。
• 系统模型阶数（状态维度）被调整以在估计精度与计算成本之间取得平衡，结果表明其对模型质量敏感。
• 根据组大小选择检测阈值，以确保不同组大小下误差概率的一致性。

实验结果

研究问题

• RQ1 群体检测能否显著减少在故障传感器极为稀少的大规模网络中进行传感器故障检测所需的测试次数？
• RQ2 当测试结果存在噪声时，卡尔曼滤波在多大程度上能提升群体检测的性能？
• RQ3 在测试效率与准确性方面，自适应贝叶斯群体检测（BGT）相较于非自适应组合群体检测（CGT）的优越性体现在何处？
• RQ4 在基于卡尔曼滤波的群体检测中，故障传感器在子组间的分布如何影响检测准确性？
• RQ5 当系统模型阶数较低或不准确时，KF-BGT 是否仍能保持高检测准确性？

主要发现

• 所提出的 KF-BGT 方法在显著减少测试次数的同时，保持了高检测准确性，尤其在噪声环境下表现优异，相较于非群体检测方法优势明显。
• BGT 通过自适应测试选择优于 CGT，利用先前结果的顺序信息，显著减少了所需测试次数。
• 当系统模型阶数从 162 降低至 90 时，BGT 性能显著下降，但 KF-BGT 仅出现轻微退化，表明其对模型不准确具有更强鲁棒性。
• 状态估计在正常与故障条件下的差异随组大小增加而增大，表明使用统一组大小对保持一致的检测误差概率至关重要。
• 将故障传感器在子组间均匀分布（如每组一个）可产生比集中分布更大的状态估计差异，从而提升检测准确性。
• 向小规模子组中添加高置信度的正常传感器可提高检测稳定性，并降低状态估计差异的方差。