自确认传感器是一种通过故障检测与隔离、故障识别和测量不确定度评定等一系列方法,实现传感器对自身的异常状态监测与测量质量评估的新型传感器,可显著提高传感器测量过程的可靠性。金属氧化物半导体(MOS)传感器阵列是目前机器嗅觉系统中使用最为普遍的信息获取装置。然而,由于气敏元件自身特性,在使用过程中气敏传感器不可避免地会发生自身故障和受到外界干扰,导致MOS传感器阵列可靠性下降,进而影响系统整体性能。因此,有必要对MOS气体传感器阵列进行异常状态监测与测量质量评估,以提高机器嗅觉系统气体检测与分析结果的可信性。鉴于此,本文围绕着MOS气体传感器阵列的自确认方法开展了研究。论文完成的主要研究工作如下:针对基于传统多变量统计分析的故障检测与隔离方法对MOS气体传感器阵列的微小故障检测率较低的问题进行研究。提出了一种基于稀疏非负矩阵分解(SNMF)的故障检测方法。该方法利用SNMF的局部特征提取能力对监测信号进行低秩近似表达,在此基础上设计了一种新型基于系数向量聚类的C2检测统计量,提高了对微小故障的敏感性。为了进一步隔离故障传感器,提出了一种基于SNMF平方预测误差(SPE)统计量的自适应多变量重构(SMVR)故障隔离方法,该方法利用故障重构信号的SPE统计量作为判定准则,改善了故障隔离过程中的拖尾效应问题,提高了多故障隔离的准确率。实验结果表明,提出的方法能够在保持较低误报率的同时,显著提高微小故障检测率,并且有效地提高了多故障隔离的准确性,满足MOS气体传感器阵列对自身异常状态监测的需求。传感器故障识别是实现MOS气体传感器阵列自确认的重要环节。本文针对现有基于时—频分析的故障识别方法存在对故障信号分解结果不稳定、提取的故障特征可分性不强,所造成的故障识别准确率较低的问题进行研究。提出了一种基于集合经验模态分解–快速样本熵(EEMD–FSampEn)特征提取与稀疏表示分类器(SRC)相结合的传感器故障类型识别方法。该方法利用EEMD方法对非线性、非平稳信号的分析能力,自适应地将故障传感器输出信号分解为一组包含有故障特征的本征模态函数(IMFs),解决小波包分解适应性差和经验模态分解模态混叠导致的分解结果不稳定的问题;利用不同故障类型下的本征模态函数存在复杂度差异的特点,通过样本熵对信号复杂度的描述能力提取故障特征向量,并为了提高样本熵计算效率,采用基于Kd树的快速样本熵算法,降低了样本熵计算的复杂度。利用不同故障类型下训练样本的特征向量构成SRC超完备字典,再根据测试样本对不同故障类型的重构误差确定故障类型的归属,实现故障分类。实验结果表明,与现有方法相比,该方法提取的故障特征具有更好的可分性,有效地提高了故障识别准确率,达到了对MOS气体传感器阵列进行异常状态监测的目的。测量不确定度是自确认传感器中评价测量质量的重要指标。为了实现对MOS气体传感器阵列测量质量的有效评估,提出了一种基于过程能力指数(Process Capability Index,Cpk)的传感器测量质量评估方法。该方法在小样本条件下利用灰色自助法对测量值概率分布函数进行有效估计,实现动态测量状态下的不确定度评定。解决传统的GUM和蒙特卡罗方法难以适用于动态测量状态下的不确定度评定问题;在此基础上,利用过程能力指数作为评价标准实现测量质量在线评估。为了进一步解决由于MOS气体传感器阵列局部故障导致的确认测量值精度降低的问题,利用灰色预测模型GM(1,1)和多传感器输出的相关性,建立MOS气体传感器阵列输出信号可信度评价模型,用于区分正常气体响应与自身故障。在准确识别故障状态的基础上,对确认测量值进行估计。实验结果表明,提出的方法能够有效地实现MOS气敏传感器测量质量评估,并获得较高的MOS气体传感器阵列确认测量值的估计精度。为了验证本文提出的MOS气体传感器阵列的自确认方法的可行性和有效性,设计并实现了基于自确认MOS气体传感器阵列的机器嗅觉系统。完成了MOS气体传感器阵列的标定与测试,利用目前普遍采用的基于模式识别的气体分析方法,实现了甲烷与一氧化碳的二元混合气体在线识别和检测。验证了本文提出的用于实现MOS气体传感器阵列异常状态监测和测量质量评估的关键自确认方法的有效性以及在提高机器嗅觉系统可靠性方面的可行性。