2024年4月22日发(作者：)

２０１３年１１月　

第２８卷第１１期　

中国粮油学报　

Ｊｏｕｒｎａｌ　ｏｆ　ｔｈｅ　Ｃｈｉｎｅｓｅ　Ｃｅｒｅａｌｓ　ａｎｄ　Ｏｉｌｓ　Ａｓｓｏｃｉａｔｉｏｎ　

Ｖｏ１．２８，Ｎｏ．１１　

ＮＯＶ．２０１３　

粮情监控系统中传感器故障诊断和数据恢复　

王海涛　刘　倩　陈桂香　王　军　王海霞　陈　雁　

（河南工业大学土木建筑学院　，郑州

（华北水利水电大学软件学院　，郑州

摘要

４５０００１）　

４５００００）　

粮情监控系统对粮食的安全储藏十分重要，然而，粮情监控系统中的传感器经过长期使用后往　

往会出现故障。针对粮情监控系统中的传感器故障，本研究给出了一种基于主成分分析法的传感器故障诊断　

和数据恢复方法。利用主成分分析法对正常运行条件下的测量数据进行建模，可将测量空间分为主成分子空　

间和残差子空间。利用平方预测误差检测传感器故障，利用传感器有效性指数辨识故障和寻找故障源，通过　

多次迭代和逐步逼近主成分子空间的方法实现数据恢复。最后，利用实际粮情监控系统的测量数据验证了传　

感器故障诊断和数据恢复方法的正确性和有效性。　

关键词粮情监控系统传感器故障故障诊断主成分分析数据恢复　

中图分类号：ＴＰ２７３　文献标识码：Ａ　文章编号：１００３—０１７４（２０１３）１ｌ一００８６—０６　

我国的粮食产后损失非常严重，其中２０％的粮　

食会因储存不当而在储存过程中损失　Ｊ，粮食的储　

主成分分析法是一种基于模式识别的故障诊断方　

法　Ｊ，是一种多元统计过程控制法，可以有效降低高　

维数据的维数和准确辨别高维数据的模式。本研究　

给出了一种基于主成分分析法的传感器故障诊断和　

数据恢复方法，并利用实际粮情监控系统验证了故　

障诊断和数据恢复方法的正确性和有效性。　

藏安全对于保障我国的粮食安全十分重要。温度、　

湿度、氧气、微生物及昆虫等是造成粮食在储存过程　

中损失的主要因素　Ｉ４　。粮情监控系统可以对粮食　

贮藏过程中的主要影响参数进行实时监测，并综合　

分析粮食有无虫害、是否霉变、需要何种类型的通风　

等情况，因此粮情监控系统是保障粮食安全储藏的　

重要技术手段之一。　

随着通信技术、计算机技术的发展和传感器价　

１　主成分分析法、故障诊断和数据恢　

复方法　

１．１主成分分析法　

格的下降，我国的大型粮仓大都安装了粮情监控系　

统。粮情监控系统中安装了大量传感器，用于测量　

粮食储藏过程中的主要影响参数　Ｊ。由于粮情监控　

系统中传感器的工作环境比较恶劣，导致传感器故　

障的发生十分频繁。传感器测量数据是粮情监控系　

统综合分析虫害、霉变和机械通风的基础，传感器故　

从数学的角度分析，主成分分析法是一种多元　

统计过程控制法，可以有效降低高维数据的维数。　

降低维数对寻找高维数据的内在规律十分重要，从　

而可用较少的综合指标表示较多的变量指标。主成　

分分析法的建模过程可分为以下几个步骤：　

１）对测量数据进行预处理，消除数据噪声的负　

面影响。　

障对于粮食的安全储藏十分有害　Ｊ。因此，开展粮　

情监控系统中传感器故障检测、故障诊断和数据恢　

复研究具有重要的经济意义和工程应用价值。　

２）利用正常运行条件下的测量数据建立协方差　

矩阵∑。假设某测量矩阵　，　∈Ｒ　，其中ｍ是测　

量变量数，ｎ是测量样本数，　的协方差矩阵可用下　

国内外学者已经对传感器故障诊断开展了大量　

研究　，采用的研究方法主要分为２类：基于模型　

的故障诊断方法和基于模式识别的故障诊断方法。　

基金项目：“十二五”国家科技支撑计划（２０１１ＢＡＤ０３ＢＯ１），博士　

基金（２０１２ＢＳ０６４）　

收稿日期：２０１３—０２—０１　

式计算得到。　

∑　墨ｘｒ　（１）　

３）分解协方差矩阵∑，求解出ｍ个特征值Ａ　（ｉ＝　

１，…ＩＩ１），　

量Ｐ。　

作者简介：王海涛，男，１９７９年出生，博士，讲师，建筑智能控制、　

粮食信息处理　

…≥入　，求解出　相应的特征向　

第２８卷第１１期　王海涛等粮情监控系统中传感器故障诊断和数据恢复　８７　

４）确定最优主成分数ｆ。　

５）根据最优主成分数ｆ，计算负荷矩阵Ｐ。　

６）利用下式计算负荷矩阵Ｐ的主成分子空间Ｃ　

和残差子空间Ｃ。　

ｃ＝　（２）　

＝　

声　＝（，一ｃ）　（３）　

主成分子空间主要包含测量数据的正常部分，　

而残差子空间主要包含测量数据的故障或测量噪　

声。利用正常运行条件下的测量数据建立主成分分　

析模型之后，建立的模型可用于分析新的测量数据　

和检测粮情监控系统中的传感器故障，还可用于检　

测监控数据的数据丢失。　

１．２确定最优主成分数ｆ　

最优主成分数ｚ是主成分分析法中最重要的参　

数，ｚ对传感器故障检测结果有直接影响。如果ｚ的　

值太小，置信限将会太大，不利于小故障的检测；如　

果ｆ的值太大，残差子空间将会太小，不利于传感器　

故障的检测。因此，确定最优主成分数ｚ十分重要，　

本研究将根据不可重构方差来选择最优主成分数。　

ａｒ（　ｘｊ－ｘｊ　＝　

（４）　

式中：Ｘｊ为　的第Ｊ个分量；　为　，的重构值；　

为故障方向向量；ｕ，为不可重构方差，　的值越　

小，ｘｊ的重构值将会越好，因此，可通过寻找最小的　

不可重构方差的总和来确定最优主成分数，　可用　

式（５）进行优化：　

Ｍｉｎ（∑Ｍ　）　（５）　

式中：ｒａ为测量样本数。针对不同的最优主成　

分数Ｚ，分别计算出∑　，最小的∑　所对应的主成分　

数就是最优主成分数。　

１．３故障检测　

利用正常运行条件下的测量数据建立ＰＣＡ模型　

之后，主成分分析法将测量数据空间划分为主成分子　

空间和残差子空间。在正常运行条件下，测量数据将　

主要投影到主成分子空间，投影到残差子空问的部分　

很小。反之，如果测量数据有故障或异常，测量数据　

投影到残差子空间的部分将会显著增加。本研究将　

通过比较平方预测误差（ＳＰＥ）和置信限（　）来检钡０　

传感器故障。如果ＳＰＥ≤　，则认为传感器是准确　

的；如果ＳＰＥ＞　，则认为传感器测量数据存在故障　

或异常。测量矩阵　根据下式可分解为２部分。　

Ｘ＝Ｘ　Ｘ　

（６）　

Ｘ＝Ｃ　

（７）　

Ｘ＝Ｃ　

（８）　

式中：　为测量数据的正常部分；Ｘ为测量数据　

的残差部分，如果残差部分显著增大，将认为测量数　

据中存在故障或异常；Ｃ是对称矩阵。ＳＰＥ为测量值　

与重构值之间偏差的平方和，下式是ＳＰＥ的定义式。　

ＳＰＥ（Ｘ）＝ｌＩ　ＩＩ　＝ｌ　Ｊ　ＩＩ　：　（卜Ｃ）Ｘ（９）　

ＳＰＥ可根据其定义式从测量数据矩阵中计算得　

到。ＳＰＥ的置信限　可用以下公式计算得到。　

６２　＝　［　＋　＋　】　ｃ　。　

０　＝∑Ａ２　（１１）　

０２＝　

．

Ａ　（１２）　

０　＝∑Ａ　（１３）　

１一　（１４）　

式中：ｃ　为正态分布的置信限；　为协方差矩阵　

的特征值。　

１．４数据恢复方法　

假设共有ｍ个测量变量，第ｉ个传感器存在故　

障。利用式（１５）计算出　，ｘ　是正确值　的一个　

估计值，相对于置来说，置包含的故障更小一些，因　

此，置比置更接近正确值　。如果利用置代替　

，

重新计算　的估计，则重新计算的估计值　

会更接近正确值　。如此，进行反复迭代计算，求　

得的估计值将更趋近于正确值　。在本研究中，式　

（１５）被用于恢复传感器的故障数据。　

ｘ７　＝［　０　ｃ：ｌ　＋Ｃｉｉ　（１５）　

式中：【ｃ　ｉ　０　ｃ：　】为矩阵Ｃ的第　列用０代　

替ｃ　后的向量，Ｄｕｎｉａ等　叫证明了式（１５）总是收敛　

于　。　

（１６）　

式中：Ｃ　≠１。如果Ｃ　＝１，则意味着置是孤立　

的变量，　与其余变量无关，该变量不能被重构。此　

时，故障数据恢复并不需要通过迭代计算来求，只要　

用式（１６）计算即可。　

１．５故障诊断　

当传感器故障发生时，测量数据的故障向量可　

８８　中国粮油学报　２０１３年第１１期　

以表不为　

Ｘ＝Ｘ　＋　（１７）　

式中：　为正常数据　为故障大小；　为故障方　

向。对于故障数据　，由于存在故障，ＳＰＥ（　）将会显　

著增加，如果故障重构的方向正好是故障发生方向，重　

构后的ＳＰＥ（Ｘ　）将会显著减少。如果故障重构的方　

向不是故障发生方向，重构后的ＳＰＥ（　ｉ　）将不会显　

著减少。因此，传感器有效性指数（ＳＶＩ）可以用于传　

感器的故障辨识，传感器有效性指数可表示为　

ｓ　

…，　

ＳＰＥ（　ｆ　）　（１８）　

式中：　为测量向量　沿着第　个方向重构后的　

数据向量。如果ｓｗｊ接近１，则意味着第　个故障重　

构方向不是故障发生的方向；反之，如果ＳＶｌｊ接近０，　

则意味着第　个故障重构方向就是故障发生的方向。　

２　高大平房仓的粮情监控系统　

本研究提出的传感器故障诊断和数据恢复方法在　

实际的粮情监控系统中进行了应用和验证。该高大平　

房仓位于上海地区，粮仓长４２　ｍ，高１４　ｍ，宽１８　ｍ。　

粮仓安装有一套先进的无线粮情监测系统。在粮情　

监测系统中，传感器可测量粮食储藏过程中的主要　

影响参数。中央处理器可持续从传感器读取测量数　

据，每小时自动保存１次监测数据在ＳＱＬ　Ｓｅｒｖｅｒ中。　

该粮情监测系统共安装了３３２个温度传感器，均匀　

分布于８３根垂直放置的房式仓测温电缆，每根电缆　

安装了垂直间距为２　ｍ的４个传感器。图１给出了　

房式仓测温电缆在高大平房仓中的分布情况。　

图１　高大平房仓中测温电缆的分布图　

３　验证与讨论　

３．１传感器故障的引入　

为了验证提出的传感器故障诊断与数据恢复方　

法的正确性和有效性，偏差故障、漂移故障和完全故　

障分别被引入到ｌ　、２　和３　测温电缆上的温度传感　

器。为了更清楚的说明问题，每根电缆只有一个传　

感器被引入故障。粮情监测系统每小时自动保存１　

次粮堆温度，高大平房仓的通风时间为７２　ｈ，因此粮　

堆温度的样本数是７２。本研究主要涉及３类数据：　

训练数据、正常数据和故障数据。通风前３２　ｈ的粮　

堆温度测量数据是训练数据，用于建立主成分分析　

法模型。通风３３～５２　ｈ的温度测量数据是正常数　

据，用于验证故障诊断方法对正常数据的有效性。　

通风５３～７２　ｈ的温度测量数据是故障数据，用于验　

证故障诊断和数据恢复方法的正确性和有效性。为　

了验证检测传感器偏差故障的能力，通风５３～７２　ｈ　

ｌ　电缆中６　ｍ深度处的温度测量数据被引入２　ｏＣ的　

偏差。为了验证检测传感器漂移故障的能力，通风　

５３～７２　ｈ　２　电缆中４　ｍ深度处的温度测量数据被引　

入２０％的偏差。为了验证检测传感器完全故障的能　

力，通风５３～７２　ｈ　３　电缆中２　ｉｎ深度处的温度测量　

数据被替换为０　ｏＣ。　

３．２用主成分分析法建立模型　

利用主成分分析法对通风前３２　ｈ的训练数据进　

行建模，并利用建立的模型确定最优主成分数。本　

研究确定的最优主成分数是６，图２给出了最优主成　

分数。最优主成分数确定之后，就可以计算负荷矩　

阵Ｐ，然后，计算映射矩阵Ｃ和ｃ。根据建立的模型，　

ＳＰＥ在９５％置信水平的置信限可被计算确定，置信　

限是０．３８１　３４。　

图２最优主成分数　

３．３故障诊断和数据恢复方法的验证　

３．３．１偏差故障　

１　电缆６　ｍ深度处通风３３—７２　ｈ的正常数据和　

故障数据被用于验证传感器故障诊断和数据恢复方　

法。图３给出了１　电缆６　ｍ深度处通风３３～７２　ｈ温　

度传感器的故障检测结果。图３中前２０个温度测量　

样本的ＳＰＥ均小于置信限值，说明温度传感器工作　

正常。图３中第２１～４０个温度测量样本是引入２℃　

偏差的故障数据，ＳＰＥ从第２１个温度测量样本开始　

显著增大并超过了置信限。这说明传感器故障已经　

发生，并且故障被及时的检测到。　

第２８卷第ｌｌ期　王海涛等粮情监控系统中传感器故障诊断和数据恢复　８９　

１．８　

１．６　

‘　

１．４　

１．２　

嗤１．０　

懿　

１斗０

．

４　

０．２　

０　５　ｌ０　１５　２０　２５　３０　３５　４０　

样本数　

图３　１　电缆６米深度处温度传感器的故障检测　

图４给出了１　电缆６　ｍ深度处通风３３—７２　ｈ温　

度传感器的故障诊断结果。图中前２０个温度测量样　

本的ＳＶＩ接近１，说明传感器工作正常。图７第２１～　

４０个温度测量样本是引入２℃偏差的故障数据，温　

度传感器的ＳＶＩ均小于０．５，意味着１　电缆６　ｍ深度　

处温度传感器发生了故障。　

５　４　４　３

ｄｓ　

　３　２　２

虱　

　●

０　５　Ｏ　５　Ｏ　５　０　５　Ｏ　５　

图４　ｌ　电缆６米深度处温度传感器的故障诊断　

图５给出了１　电缆６　ｍ深度处通风３３～７２　ｈ温　

度传感器的数据恢复结果。温度传感器恢复数据的　

ＳＰＥ均小于置信限，说明提出的传感器数据恢复方法　

对偏差故障有良好的恢复能力。　

’　‘

～

’

．　

．　

÷／　

’

ｉ　

　‘・　

…

一　

故障数据　

一

重构数据　

Ｉ　Ｉ　Ｉ　－　／　

０　５　１０　１５　２０　２５　３０　３５　４０　

样本数　

图５　１　电缆６米深度处温度传感器的数据恢复　

３．３．２漂移故障　

２　电缆４　ｍ深度处通风３３～７２　ｈ的正常数据和　

故障数据被用于验证传感器故障诊断和数据恢复方　

法。图６给出了２　电缆４　ｍ深度处通风３３—７２　ｈ温　

●Ｏ　Ｏ　Ｏ　０　０　０　Ｏ　Ｏ　０　

Ｈ　∽辍　暴　

度传感器的故障检测结果。图６中前２０个温度测量　

Ｏ　９　８　７　６　５　４　３　２●　

样本的ＳＰＥ均小于置信限值，说明温度传感器工作　

正常。图６中第２１～４Ｏ个温度测量样本是引入　

２０％偏差的故障数据，ＳＰＥ从第２１个温度测量样本　

开始显著增大并超过了置信限。这意味着传感器故　

障已经发生，并且故障被及时的检测到。　

样本数　

图６　２　电缆４米深度处温度传感器的故障检测　

图７给出了２　电缆４　ｍ深度处通风３３—７２　ｈ温　

１　

度传感器的故障诊断结果。图７中前２Ｏ个温度测量　

０　０　Ｏ　Ｏ　０　０　Ｏ　０　Ｏ　

样本的ＳＶＩ接近１，说明传感器工作正常。图７第　

２１～４Ｏ个温度测量样本的ＳＶＩ接近０，意味着２　电缆　

４　ｍ深度处温度传感器发生了故障。　

厂＼，　／、＼５　

：　

：　

：　

一　

　ｌｌ　　１．Ｊ，—　—　Ｊ，—一　

０　５　１０　１５　２０　２５　３０　３５　４０　

样本数　

图７　２　电缆４米深度处温度传感器的故障诊断　

图８给出了正常数据、故障数据和恢复数据的　

比较。从图８可以看出，恢复数据十分接近正常数　

据，说明提出的数据恢复方法对传感器漂移故障有　

很好的恢复能力。　

样本数　

图８漂移故障的数据恢复　

ｌ　

８　

Ｏ　

中国粮油学报　２０１３年第１　１期　

３．３．３完全故障　

３　电缆２　ｍ深度处通风３３～７２　ｈ的正常数据和　

∞加∞、ｃ∞∞加　

一

中第２ｌ一４０个温度测量样本的ＳＶＩ接近０，意味着　

３　电缆２　１１３深度处温度传感器发生了故障。　

●Ｏ　０　Ｏ　０　０　Ｏ　Ｏ　Ｏ　０　０　９　８　７　６　５　４　３　２　ｌ　Ｈ　∽聚　

故障数据被用于验证传感器故障诊断和数据恢复方　

法。图９给出了３　电缆２　ｍ深度处通风３３～７２　ｈ温　

度传感器的故障检测结果。图９中前２０个温度测量　

样本的ＳＰＥ均小于置信限值，说明温度传感器工作　

正常。图９中第２１～４０个温度测量数据被置换为　

０　ｏＣ的故障数据，ＳＰＥ从第２１个温度测量样本开始　

图１１给出了３　电缆２　ｍ深度处传感器的正常　

数据、故障数据和恢复数据的比较。从图１１可以看　

出，恢复数据十分接近正常数据，说明该数据恢复方　

～　

法对传感器完全故障有良好的恢复能力。　

４　结论　

显著增大，并超过了置信限。这意味着传感器故障　

已经发生，并且故障被及时的检测到。　

１　

ｌ　

【　

１　

毫　

１　

０　５　１０　１５　２０　２５　３０　３５　４０　

样本数　

图９　３　电缆２米深度处温度传感器的故障检测　

图１０给出了３　电缆２　ｍ深度处通风３３～７２　ｈ　

温度传感器的故障诊断结果。图１０中前２０个温度　

测量样本的ＳＶＩ接近１，说明传感器工作正常。图１Ｏ　

、＿ｊ一＼√　

０　５　１０　１５　２０　２５　３０　３５　４０　

样本数　

图１Ｏ　３　电缆２米深度处温度传感器的故障诊断　

图１１完全故障的数据恢复　

本研究提出用主成分分析法对粮情监控系统中　

的传感器进行故障诊断和数据恢复。利用主成分分　

析法对正常运行条件下的测量数据进行建模，将测　

量空间分为主成分子空间与残差子空间。平方预测　

误差和传感器有效性指数分别被用于故障检测和故　

障辨识。故障数据被投影到主成分子空间与残差子　

空间内，进行多次迭代计算，不断减少在残差子空间　

内的投影，通过逐步逼近主成分子空间可以实现故　

障数据的恢复。基于实际系统的验证结果表明提出　

的故障诊断和数据恢复方法具有很好的故障诊断和　

数据恢复能力。　

参考文献　

［１］雷玲，孙辉，姜薇莉，等．稻谷储存过程中品质变化研究　

［Ｊ］．中国粮油学报，２００９，２４（１２）：１０１—１０７　

［２］靳祖训．中国粮食储藏科学技术成就与理念创新［Ｊ］．粮　

油食品科技，２０１１，１９（１）：１—５　

［３］隋明波．机械通风对粮食安全储藏的作用及影响［Ｊ］．中　

国科技信息，２０１０（４）：８１—２　

［４］张英，邓文斌，郑绍锋．高大平房仓储粮害虫分布与发生　

初步调查［Ｊ］．粮油仓储科技通讯，２０１２，２８（３）：２７—９　

［５］苏宪庆．移动无线通讯技术在远程粮情实时数据传输中　

的应用［Ｊ］．中国粮油学报，２００６，２１（３）：４５８—４６１　

［６］陆檩，高珊，李怡，等．粮情监控系统的设计与实现［Ｊ］．计　

算机工程，２０１１，３７（１２）：２５５—２６２　

［７］Ｄｕ　ｚ　Ｍ，Ｊｉｎ　Ｘ　Ｑ．Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｄｉａｇｎｏｓｉｓ　ｆｏｒ　ｍｕｌｔｉｐｌｅ　ｆａｕｌｔｓ　ｉｎ　

ＶＡＶ　ｓｙｓｔｅｍｓ［Ｊ］．Ｅｎｅｒｇｙ　ａｎｄ　Ｂｕｉｌｄｉｎｇｓ，２Ｏ０７，３９（８）：９２３—９３４　

［８］Ｗａｎｇ　Ｈ　Ｔ，Ｃｈｅｎ　Ｙ　Ｍ，Ｌａｎ　Ｌ　Ｌ．Ｓｅｎｓｏｒ　ｄｉａｇｎｏｓｉｓ　ａｎｄ　ｒｅｃｏｎ—　

ｓｔｒｕｃｔｉｏｎ　ｆｏｒ　ｂｕｉｌｄｉｎｇ　ｈｅａｔｉｎｇ／ｃｏｏｌｉｎｇ　ｂｉｌｌｉｎｇ　ｓｙｓｔｅｍ［Ｃ］．／／　

Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｆｉｆｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｅｎｅｒｇｙ　

ａｎｄ　Ｅｎｖｉｒｏｎｍｅｎｔ　ｏｆ　Ｒｅｓｉｄｅｎｔｉａｌ　Ｂｕｉｌｄｉｎｇｓ　ａｎｄ　ｔｈｅ　Ｔｈｉｒｄ　Ｉｎｔｅｒ—　

ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｂｕｉｌｔ　Ｅｎｖｉｒｏｎｍｅｎｔ　ａｎｄ　Ｐｕｂｌｉｃ　Ｈｅａｌｔｈ　

（ＥＥＲＢ—ＢＥＰＨ　２００９）．Ｃｈａｎｇｓｈａ：Ｈｕｎａｎ　Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ．　

ＶｏｌⅡ．２００９：２０８３—２０９０　

［９］Ｌｅｅ　Ｗ　Ｙ，Ｈｏｕｓｅ　Ｊ　Ｍ，Ｓｈｉｎ　Ｄ　Ｒ．Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ａｎｄ　ｔｅｍｐｅｒａ—　

ｔｕｒｅ　ｓｅｎｓｏｒ　ｒｅｃｏｖｅｒｙ　ｆｏｒ　ａｎ　ａｉｒ—ｈａｎｄｌｉｎｇ　ｕｎｉｔ『Ｊ］．ＡＳＨＲＡＥ　

Ｔｒａｎｓａｃｔｉｏｎｓ，１９９７，１０３（１）：６２１—６３３　

（下转第９６页）　

中国粮油学报　２０１３年第１ｌ期　

Ａｂｓｔｒａｃｔ　Ｈｅａｄｓｐａｃｅ　Ｓｏｌｉｄ—Ｐｈａｓｅ　Ｍｉｃｒｏｅｘｔｒａｃｔｉｏｎ　ｔｅｃｈｎｏｌｏｇｙ　ｉｓ　ａ　ｎｅｗ　ｍｅａｎｓ　ｏｆ　ｓａｍｐｌｅ　ｐｒｅｔｒｅａｔｍｅｎｔ，ｅｓｐ。。ｉａｌ一　

１ｖ　ｓｕｉｔａｂｌｅ　ｆｏｒ　ｔｈｅ　ｅｎｒｉｃｈｉｎｇ　ｍｉｃｒｏｓｃａｌｅ　ｏｆ　ｖｏｌａｔｉｌｅ　ｃｏｍｐｏｎｅｎｔｓ　ａｎｄ　ｃｏｎｖｅｎｉｅｎｔ　ｆｏｒ　ｃｏｍｂｉｎａｔｉｏｎ　ｗｉｔｈ　ｃｈｒｏｍａｔｏｇｒａｐｈｙ　ｍ—　

ｓｔｒｕｍｅｎｔｓ．Ｔｈｅ　ｐａｐｅｒ　ａｎａｌｖｚｅｄ　ｖｏｌａｔｉｌｅ　ｆｌａｖｏｒ　ｃｏｍｐｏｕｎｄｓ　ｏｆ　ｓａｌｔｅｄ　ｅｇｇ　ｙｏｌｋ　ｂｙ　ｔｈｅ　Ｈｅａｄｓｐａｃｅ　Ｓｏｌｉｄ—Ｐｈａｓｅ　Ｍｉｃｒｏｅｘ　

ｔｍｃｔｉ０ｎ　ｃｏｕＤ１ｅｄ　ｔｏ　ｇａｓ　ｃｈｒｏｍａｔｏｇｒａｐｈｙ．Ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｒｅｓｕｌｔ　ｓｈｏｗｅｄ　ｔｈａｔ　ｔｈｅ　ｈｏｍｅｍａｄｅ　ｓａｌｔｅｄ　ｈｅｎ　ｅｇｇ　ｙｏｌｋｓ　ｈａｖｅ　４３　

ｋｉｎｄｓ　ｏｆ　ｖｏｌａｔｉｌｅ　ｆｌａｖｏｒ　ｃ０ｍｐｏｎｅｎｔｓ．Ｔｈｅ　ｃｏｎｔｅｎｔｓ　ａｒｅ　ｈｅｒｅ　ｄｅｓｃｒｉｂｅｄ　ａｓ　ｔｈｅｉｒ　ｑｕａｎｔｉｔｙ（ｆｒｏｍ　ｈｉｇｈ　ｔｏ　ｌｏｗ）：Ａｌｄｅｈｙｄｅ，　

ＦｕＩａｌｎ．ａｎｄ　Ａ１ｃｏｈ０１ｓ．Ａｍ０ｕｎｔ　ｔｈｏｓｅ，ｔｈｅ　ｑｕａｎｔｉｔｙ　ｏｆ　Ｈｅｘａｎａｌ　ｉｓ　３６．５％，２一ｐｅｎｔｙｌ—ｆｕｒａｎ　１１．７８％，３一ｍｅｔｈｙｌ—ｂｕ—　

ｔａｎｏｌ　７．３２％：Ｔｈｅ眦ｉｎ　ｖｏｌａｔｉｌｅ　ｆｌａｖｏｒ　ｃｏｍｐｏｎｅｎｔｓ　ｏｆ　ｓａｌｔｅｄ　ｄｕｃｋ　ｅｇｇ　ｙｏｌｋ　ｉｎ　ｍａｒｋｅｔ　ｓａｌｅｓ　ａｒｅ　１　１　ｓｐｅｃｉｅｓ，ｗｉｔｈ　ｔｈｅ　

ｃｏｎｔｅｎｔｓ　０ｒｄｅｒ　ａｓ　ｅｓｔｅｒ，ａｌｃ０ｈｏｌ　ａｎｄ　ａｌｄｅｈｙｄｅｓ．Ｔｈｅ　ａｍｏｕｎｔ　ｏｆ　ｔｈｏｓｅ　ａｒｅ　ａｓ：ｅｔｈｙｌ　ａｃｅｔａｔｅ　４８．８２％，ｅｔｈａｎｏｌ　１３・０８％，　

ａｌｄｅｈｙｄｅｓ　１６％．Ｐｉｃｋｌｉｎｇ　ｍｅｔｈｏｄ　ａｎｄ　ｔｉｍｅ　ｄｉｆｆｅｒｅｎｃｅ　ａｒｅ　ｔｈｅ　ｍａｉｎ　ｃａｕｓｅｓ　ｏｆ　ｌｆａｖｏｒ　ｃｏｍｐｏｕｎｄｓ・Ｈｅａｄｓｐａｃｅ　ｓｏｌｉｄ　ｐｈａｓｅ　

ｍｉｃＩ｜０一ｅｘｔｒａｃｔｉ０ｎ　ｔｅｃｈｎｉｑｕｅ　ｉｓ　ｎｏｔ　ｓｕｉｔａｂｌｅ　ｆｏｒ　ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｆｌａｖｏｒ　ｏｆ　ｆｒｅｓｈ　ｅｇｇｓ　ｙｅｌｌｏｗ　ｓｕｂｓｔａｎｃｅ・　

Ｋｅｙ　ｗｏｒｄｓ　ｓａｌｔｅｄ　ｅｇｇ　ｙｏｌｋ．ｖｏｌａｔｉｌｅ　ｆｌａｖｏｒ　ｃｏｍｐｏｎｅｎｔｓ，ＨＳ—ＳＰＥＭ—ＧＣ—ＭＳ　

（上接第９０页）　

［１Ｏ］Ｄｕｎｉａ　Ｒ，Ｑｉｎ　Ｓ　Ｊ，Ｅｄｇａｒ　Ｔ　Ｆ，ｅｔ　ａ１．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｆａｕｌｔｙ　

Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｃｈｅｍｉｃａｌ　Ｅｎｇｉｎｅｅｒｓ　Ｊｏｕｒｎａｌ，１９９６，４２（１０）：２７９７　

—

ｓｅｎｓｏｒｓ　ｕｓｉｎｇ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ［Ｊ］．Ａｍｅｒｉｃａｎ　

２８１２．　

Ｆａｕｌｔ　Ｄｉａｇｎｏｓｉｓ　ａｎｄ　Ｄａｔａ　Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｆｏｒ　Ｓｅｎｓｏｒｓ　ｉｎ　

Ｍｏｎｉｔｏｒｉｎｇ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｃｏｎｄｉｔｉｏｎ　ｏｆ　Ｓｔｏｒｅｄ＿＿＿－Ｇｒａｉｎ　

ｗａｎｇ　Ｈａｉｔａ。　Ｌｉｕ　Ｑｉａｎ　Ｃｈｅｎ　Ｇｕｉｘｉａｎｇ　ｗａｎｇ　Ｊｕｎ　ｗａｎｇ　Ｈａｉｘｉａ　Ｃｈｅｎ　Ｙａｎ。　

（Ｃｏｉｌｅｇｅ　ｏｆ　Ｃｉｖｉｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｒｃｈｉｔｅｃｔｕｒｅ，Ｈｅｎａｎ　Ｕｎｉｖｅｒｓｉｔｙ。ｆ　Ｔｅｃｈｎｏｌ。ｇＹ　，Ｚｈｅｎｇｚｈ。ｕ　４５０００１）　

（Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｏｆｔｗａｒｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ　ａｎｄ　

Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ２

Ｚｈｅｎｇｚｈｏｕ　４５００００）　

，

Ａｂｓｔｒａｃｔ　Ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ　ｆｏｒ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｓｔｏｒｅｄ—ｇｒａｉｎ　ｉｓ　ｖｅｒｙ　ｉｍｐｏｒｔａｎｔ　ｔｏ　ｔｈｅ　ｓａｆｅｔｙ　ｏｆ　ｇｒａｍ　ｓｔｏｒａｇｅ・Ｈｏｗ　

ｅｖｅｒ．ｓｅｎｓ０ｒｓ　ｉｎ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ　ｏｒｆ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｓｔｏｒｅｄ—ｇｒａｉｎ　ｔｅｎｄ　ｔｏ　ｍｏｒｅ　ｆａｕｌｔｓ　ｄｕｅ　ｔｏ　ｔｈｅ　ｃｏｍｐｌｅｘｉｔｙ　ｏｆ　ｔｈｅ　ｓｙｓ。　

ｔｅｍ　ａｎｄ　ｐｏｏｒ　ｗｏｒｋ　ｅｎｖｉｒｏｎｍｅｎｔ．Ａ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ａｎｄ　ｄａｔａ　ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｓｔｒａｔｅｇｙ　ｕｎｄｅｒ　ｔｈｅ　ｕｓｉｎｇ　ｏｔ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏ　

ｎｅｍ　ａｎａ１ｖｓｉｓ（ＰＣＡ）ｈａｓ　ｂｅｅｎ　ｐｒｅｓｅｎｔｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　ｆｏｒ　ｓｅｎｓｏｒｓ　ｉｎ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｓｔｏｒｅｄ—ｇｒａｍ－。ｌ＇ｈｅ　

ｍｅａｓｕｒｅｄ　ｄａｔａ　ｕｎｄｅｒ　０ｐｅｍｔｉ０ｎ　ｃｏｎｄｉｔｉｏｎ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｂｕｉｌｄ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　ｍｏｄｅｌｓ．Ｔｈｅ　ＰＣＡ　ｍｏｄｅｌ　ｗａｓ　

ｕｔｉｌｉｚｅｄ　ｔ０　ｐａｒｔｉｔｉｏｎ　ｔｈｅ　ｍｅａｓｕｒｅｍｅｎｔ　ｓｐａｃｅ　ｉｎｔｏ　ｔｈｅ　ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ｓｕｂｓｐａｃｅ（ＰＣＳ）ａｎｄ　ｔｈｅ　ｒｅｓｉｄｕａｌ　ｓｕｂｓｐａｃｅ　

（ＲＳ）．Ｓｑｕａｒｅ　ｐｒｅｄｉｃｔｉｏｎ　ｅｒｒｏｒ（ＳＰＥ）ｓｔａｔｉｓｔｉｃ　ｗａｓ　ｕｔｉｌｉｚｅｄ　ｔｏ　ｄｅｔｅｃｔ　ｓｅｎｓｏｒ　ｆａｕｌｔｓ．Ｓｅｎｓｏｒ　Ｖａｌｉｄｉｔｙ　ｉｎｄｅｘ（ＳＶＩ）ｗａｓ　ｅｍ　

ｐｌｏｙｅｄ　ｔ。ｉｄｅｎｔｉｆｙ　ａｎｄ　ｌｏｃａｔｅ　ｆａｕｌｔｙ　ｓｅｎｓｏｔｓ．Ｆａｕｌｔｙ　ｄａｔａ　ｗａｓ　ｒｅｃｏｖｅｒｅｄ　ｂｙ　ｓｌｉｄｉｎｇ　ｔｈｅ　ｆａｕｌｔｙ　ｄａｔａ　ｔ。ＰＣＳ　Ｖｉａ　ｉｔｅｒａｔｉ。ｎ・　

Ｆｉｎａｌｌｙ，ｔｈｅ　ｓｔｒａｔｅｇｙ　ｐｒｏｐｏｓｅｄ　ｗａｓ　ｖａｌｉｄａｔｅｄ　ｕｓｉｎｇ　ｄａｔａ　ｆｒｏｍ　ａ　ｒｅａｌ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ　ｆｏｒ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｓｔｏｒｅｄ—ｇｒａｉｎ・　

Ｔｈｅ　ｖａｌｉｄａｔｉ０ｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗｅｄ　ｔｈｅ　ＰＣＡ—ｂａｓｅｄ　ｓｅｎｓｏｒ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ａｎｄ　ｄａｔａ　ｒｅｃｏｎｓｔｕｃｔｒｉｏｎ　ｓｔｒａｔｅｇｙ　ｉｓ　ａｃｃｕｒａｔｅ　ａｎｄ　

ｅｆｆｅｃｔｉｖｅ．　

Ｋｅｙ　ｗｏｒｄｓ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ　ｆｏｒ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｓｔｏｒｅｄ—ｇｒａｉｎ，ｓｅｎｓｏｒ　ｆａｕｌｔ，ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ，ＰＣＡ，ｄａｔａ　ｒｅｃｏｖ。ｒｙ