汽车衡广泛应用于矿山、港口、交通运输等大型称重领域，是现代物流称重的关键设备。称重传感器是汽车衡的关键部件。通过并联，将多路称重传感器的输出信号进行累加，形成一个典型的多传感器系统，得到一个分担被测负荷权重的电压信号并传输到称重面，

　　[1]端对被测负荷进行称重。由于恶劣的工作环境和工作条件的变化，称重传感器容易发生故障。因此，有必要对汽车衡的故障进行实时检测，以保证汽车衡的准确性。零故障是汽车衡称重传感器常见的故障类型之一，主要分为零故障、零漂移故障、零冲击故障和周期扰动。这是典型的小故障，

　　[2]不易检测。目前在实际工程中，常用的汽车衡称重传感器故障检测方法为人工检测方法，即通过人工装载重量和经验知识，

　　[3]完成故障检测。这些方法功耗低，耗费大量人力，而且不能准确地发现小故障。随着故障诊断技术的发展，称重传感器的智能故障检测方法不断出现。王春祥等

　　[4]将小波变换与深度信念网络(DBN)相结合，用于汽车衡的动态故障诊断，但并未具体检测到汽车衡的零点故障。杨静等

　　5使用由径向基函数(RBFNN)初始化的数据库专家系统对卡车衡中的故障传感器进行识别，但该系统不具备自适应能力和在线更新能力。

　　主成分分析(PCA)通过数据降维对原始数据进行变换，得到一些新的主变量，从而完成数据的简化、压缩和特征变量提取[6,7]。递推主成分分析(RPCA)

　　[8]、核主成分分析(KPCA)[9]、主成分分析与神经网络[10]的结合一直是故障检测领域的研究热点。其中，RPCA方法在原主成分模型的基础上，利用新收集到的数据，通过递归计算，实时更新主成分模型。该方法不需要对协方差矩阵和相关参数进行重新核算。与主成分分析法相比，该方法可以大大减少计算量，具有更好的适应性，节省存储空间[11]。因此，RPCA方法更适合于实时在线故障检测。

　　与神经网络故障检测方法相比，RPCA方法对变量进行变换后形成独立的主成分变量，减少了变量之间的相关性，递归方法节省了相关参数[12]的核算时间和存储空间。神经网络故障检测方法需要大量的数据,样本至少数千上万的象征,为了获得更准确的检测结果,最后的神经网络实践需要几分钟甚至几小时的练习,大大降低汽车衡的力量在线故障检测[13]。