3. TCMS状态监测数据模型与预处理

TCMS采集到的原始数据并不能直接送入诊断模型或趋势分析模块。列车运行环境中的电磁干扰、传感器老化、通信抖动以及工况切换，都会让数据带有噪声、缺失和错位。本节围绕三个核心问题展开：数据如何分类建模、脏数据如何清洗、多源数据如何对齐并提取可用特征。

一、三类监测数据及其模型表达

TCMS状态监测数据按物理含义可分为模拟量、开关量和事件记录三类，它们在采样方式、存储结构和处理策略上差异明显。

模拟量是连续变化的物理量，如牵引电机温度、网压、制动缸压力、车速、轴承振动加速度等。其数据模型通常表示为带时间戳的数值序列：{tag, timestamp, value, quality}。模拟量的关键是采样周期与量程。例如电机温度采样周期可取1s，网压可取100ms，振动加速度则可能需要10kHz以上的高速采样。采样率不足会导致高频故障特征混叠，采样率过高则带来存储与传输压力。

开关量是二值状态，如车门关闭到位、受电弓升弓到位、断路器分合、空调启停等。其模型为{tag, timestamp, state}，state取0/1。开关量的价值不在于数值本身，而在于状态跳变的时刻和顺序，因此处理重点是变位检测与抖动过滤。

事件记录是带语义的离散记录，如故障代码、司机操作、保护动作、模式切换。其模型为{event_id, timestamp, level, source, description}。事件记录往往由多个子系统上报，时间戳精度和时钟源不一致是常见问题。

二、缺失值与异常值处理

缺失值主要来源于通信中断、传感器故障和存储丢包。处理前必须先区分缺失类型：短时丢包（如连续缺失1~3个点）适合线性插值或前值保持；长时中断（如持续数十秒以上）不应插值，而应标记为无效区间，避免伪造数据误导趋势判断。对于开关量，缺失期间应保持上一有效状态并打上质量标志，而不是简单填0。

异常值分为物理越限和统计离群两类。物理越限可直接依据量程判断，例如电机温度超过180℃、网压超出17.5~31kV范围，属于硬阈值规则。统计离群则需结合工况，常用方法包括3σ准则和箱线图IQR法。以某轴箱温度序列为例，若均值65℃、标准差4℃，则3σ上限为77℃，超出者可初判为异常。但需注意，列车进出隧道、长坡道运行会造成温度真实跃升，因此异常判定应结合工况标签，避免把正常工况变化误删。

# 示例：基于IQR的轴箱温度异常标记（参数为教学假设值）
Q1, Q3 = 58.2, 71.5          # 第一、第三四分位数
IQR = Q3 - Q1                 # 13.3
lower, upper = Q1 - 1.5*IQR, Q3 + 1.5*IQR   # 38.25 ~ 91.45
# 超出[38.25, 91.45]的点标记为疑似异常，再结合工况复核

异常值处理不宜一律删除。对于瞬时尖峰，可用中值滤波或滑动窗口剔除；对于持续偏移，往往意味着传感器漂移，应保留数据但标记质量位，供后续传感器健康评估使用。

三、时间对齐与特征提取

多源数据时间对齐是预处理的难点。不同子系统的时钟存在秒级甚至分钟级偏差，直接按时间戳合并会造成因果错位。工程上通常分两步：先做时钟同步校准，以TCMS主时钟为基准，估计各源的时间偏移量并修正；再按统一时间栅格重采样，例如统一到1s栅格，模拟量取窗口均值或末值，开关量取窗口内是否发生变位，事件记录归入对应时间桶。

特征提取则把清洗对齐后的序列转换为模型可用的输入。时域特征包括均值、标准差、最大值、峰峰值、变化率；频域特征包括主频、频带能量；状态特征包括开关量变位次数、事件密度。以牵引电机温度为例，可提取10分钟窗口内的温升速率（℃/min）和超限持续时间，这两个特征比原始温度更能反映散热劣化趋势。

需要强调的是，质量标志应贯穿整个预处理链路。插值产生的点标记为suspect，长时中断区间标记为bad，传感器漂移数据保留但标记suspect。下游诊断模型依据质量位决定是否采信，而不是让清洗环节“替模型做决定”。这样既保留了数据可追溯性，也避免了过度清洗造成的信息损失。

完成上述步骤后，得到的是带质量标志、时间对齐、特征化的结构化数据集，它才是后续健康评估、故障诊断与趋势预测的可靠输入。