3. 船舶设备传感器数据采集与理解

预测性维护的起点不是模型，而是数据。船上主机、辅机、泵组、舵机、锅炉等设备在运行中会产生大量物理量变化，传感器负责把这些变化转换为可记录的电信号。若采集环节理解不清，后续的特征提取和故障判断都会建立在不可靠的输入之上。本节围绕四类最常见传感器、采样频率选择、数据质量判断，以及用 Python 读取与检查数据展开。

四类常见传感器及其数据含义

振动传感器通常安装在主机缸头、增压器、泵轴承座、齿轮箱等位置，输出加速度（m/s²）或速度（mm/s）信号。振动数据的特点是频率成分丰富，既能反映转子不平衡、不对中，也能反映轴承点蚀等冲击性故障，因此对采样频率要求最高。温度传感器多为铂电阻或热电偶，测量缸套冷却水出口温度、滑油温度、排气温度等，变化缓慢但趋势性强，是判断热负荷与冷却状态的重要依据。压力传感器用于滑油压力、燃油压力、冷却水压力、压缩空气压力等，常以 MPa 或 bar 为单位，既看稳态值也看波动。流量传感器测量冷却水、燃油、滑油的体积或质量流量，常与温度、压力联合判断换热效率与泄漏。

理解传感器时要注意三个基本属性：量程、精度和安装位置。同一台泵的进出口压力差比单个压力值更能说明问题；同一轴承的振动测点方向（水平、垂直、轴向）不同，敏感故障类型也不同。采集方案设计时应把这些元数据一并记录，否则数据虽然存在却难以解释。

采样频率与数据质量

采样频率决定能保留多快的信号变化。依据奈奎斯特采样定理，采样频率至少应为关注最高频率的两倍。工程上通常取 2.56 倍以上，以便抗混叠滤波留有裕量。例如关注轴承故障特征到 2 kHz，则采样频率可取 5 kHz 以上；而冷却水温度变化以分钟计，采样周期取 1～10 秒已足够。盲目对所有通道使用高采样率会造成存储与传输压力，采样过低则会丢失冲击成分甚至产生混叠，把高频干扰折叠成虚假的低频特征。

数据质量问题主要有四类：缺失值（传感器掉线、通信中断、记录为空）、异常点（尖峰、跳变、超量程）、漂移（零点缓慢偏移）和重复或时间戳错乱。判断异常点不能只看数值大小，还要结合物理合理范围与变化速率。例如滑油压力在 1 秒内从 0.4 MPa 跳到 0.05 MPa 又恢复，更可能是信号干扰而非真实泄漏；而排气温度持续单侧偏高则可能是真实的燃烧异常。

用 Python 读取 CSV 与 JSON 传感器数据

船上采集系统常导出 CSV（按时间排列的通道表）或 JSON（带元数据的嵌套记录）。下面用一段可运行的示例演示读取与初步检查。示例数据为合理构造的教学数据，不代表真实测量结果。

import pandas as pd
import numpy as np

# 读取 CSV：时间列解析为索引
df = pd.read_csv("sensor_log.csv", parse_dates=["timestamp"])
df = df.set_index("timestamp").sort_index()

# 读取 JSON：常见结构为 records 列表
import json
with open("sensor_meta.json", "r", encoding="utf-8") as f:
    meta = json.load(f)
print(meta.get("device"), meta.get("sample_rate_hz"))

# 基本质量概览
print(df.isna().sum())              # 各通道缺失数量
print(df.index.to_series().diff().value_counts().head())  # 采样间隔分布

读取后先看三件事：时间索引是否单调递增、采样间隔是否稳定、各通道缺失比例。若采样间隔出现大量不等于标称周期的值，说明存在丢包或时钟问题，需要在后续分析中重采样或分段处理。

识别缺失值与异常点

缺失值可用 isna() 定位，短缺口可线性插值，长缺口应标记为无效段而不是强行填补。异常点检测常用两种互补方法：一是物理范围与变化速率约束，二是统计方法如 3σ 或四分位距。对振动这类高频信号，直接对原始波形做 3σ 容易把真实冲击误判为异常，通常先计算滚动均方根或峰值再判断。

# 物理范围约束（示例阈值）
limits = {"oil_pressure_mpa": (0.1, 0.8),
          "exhaust_temp_c": (200, 550)}
for col, (lo, hi) in limits.items():
    bad = df[(df[col] < lo) | (df[col] > hi)]
    print(col, "越界点数:", len(bad))

# 速率突变：相邻样本变化超过阈值
dp = df["oil_pressure_mpa"].diff().abs()
spike = df[dp > 0.15]
print("压力突变点:", spike.index.tolist())

# 统计法：滚动窗口 3σ
roll = df["exhaust_temp_c"].rolling(30, min_periods=10)
z = (df["exhaust_temp_c"] - roll.mean()) / roll.std()
outlier = df[z.abs() > 3]

得到候选异常点后不要立即删除。正确做法是新增一列标记（如 quality_flag），把“原始值、判定规则、处理动作”都保留下来。对于压力突变，还应回看同一时段的流量与温度，判断是传感器故障还是设备真实动作，例如泵启停本身就会带来压力阶跃。

完成上述检查后，一份可用于预测性维护的数据应满足：时间戳连续可追溯、采样间隔符合设计、缺失与异常均有明确标记、关键通道单位统一。只有在这个基础上，后续的 trend 分析、特征提取与故障预警才具备可信的输入。