《Computers and Electronics in Agriculture》：Machine learning-based fault detection and diagnosis of electrical conductivity and pH sensors in hydroponic systems
編輯推薦：
為解決水培系統中 EC 和 pH 傳感器故障影響精準運行的問題，研究人員開展數據驅動的故障檢測與診斷（FDD）研究，評估 5 種機器學習模型。結果顯示隨機森林（RF）等表現優異，還提出傳感器無關框架，為提升水培系統可靠性和可持續性提供支持。
在現代農業的精準化進程中，水培系統憑借高效利用資源的優勢成為重要發展方向。然而，系統中電導率（EC）和 pH 傳感器常因復雜環境出現故障，如偏差、漂移、精度下降、尖峰和卡死等，導致營養液管理失準，引發植物生長脅迫、資源浪費及環境污染等問題。傳統依賴經驗的監測方式難以實現故障早期精準識別，因此，發展實時、高效的數據驅動故障檢測與診斷（FDD）技術成為水培系統穩定運行的關鍵需求。
為攻克這一難題，美國加州大學戴維斯分校的研究人員開展了相關研究，成果發表在《Computers and Electronics in Agriculture》。
研究人員主要采用機器學習技術，選取隨機森林（RF）、人工神經網絡（ANN）、長短期記憶網絡（LSTM）、k - 近鄰算法（KNN）和支持向量機（SVM）五種模型，針對閉環營養膜技術（NFT）水培系統中的 EC 和 pH 傳感器，進行基于傳感器讀數的故障檢測與五種故障類型診斷。同時，創新性地構建傳感器無關的故障檢測框架，僅利用環境和操作變量預測 EC，擺脫對目標傳感器讀數的依賴，其中運用支持向量回歸（SVR）和 ANN 模型進行對比驗證。
研究結果
傳感器依賴型故障檢測與診斷
對 EC 傳感器，RF 模型在故障檢測中表現最佳，準確率達 93.7%；故障診斷時，RF 對尖峰故障診斷準確率達 100%，偏差故障達 97.1%，整體優于其他模型。
對 pH 傳感器，故障檢測中 RF 準確率為 96.5%；不同故障類型診斷表現各異，SVM 在偏差故障診斷中準確率達 100%，RF 在正常狀態、漂移和精度下降故障診斷中表現最優，最高達 92.1%。
傳感器無關型故障檢測框架
在僅用環境和操作變量預測 EC 的傳感器無關檢測中，ANN 模型故障檢測準確率為 93.2%，顯著優于 SVR 的 49.4%，證明該框架的可行性與 ANN 模型的有效性。
研究結論與意義
本研究證實機器學習模型在水培系統傳感器故障檢測與診斷中的有效性，RF 模型在多數場景中表現突出，傳感器無關框架為故障檢測提供新思路。研究成果提升了水培系統運行的可靠性，減少資源浪費，為精準農業中傳感器技術優化和人工智能驅動的故障檢測提供理論與方法支持，推動受控環境農業（CEA）向智能化、可持續方向發展，對提升全球農業資源利用效率和環境友好性具有重要意義。
