3. 数据清洗基础

在工业故障诊断中，原始数据往往因传感器故障、通信中断、环境干扰等原因存在缺失值与异常值。若不加以处理，将直接影响后续特征提取、寿命预测与故障判定的准确性。本节系统讲解缺失值处理的三种经典方法以及异常值检测的两大统计准则。

3.1 缺失值处理方法

缺失值处理的核心策略分为三类：删除法、均值填充与插值法。下表从适用场景、优缺点及工业应用角度进行对比：

3.1.1 删除法

删除法是最直接的缺失值处理方式。在工业数据中，若某传感器通道在短时间内大量缺失（如通信中断超过10%），通常直接删除该通道或对应时间段的样本。Python实现如下：

import pandas as pd
import numpy as np

# 示例：删除含缺失值的行
df = pd.DataFrame({'温度': [25, np.nan, 27, 28, np.nan],
                   '振动': [0.1, 0.2, np.nan, 0.4, 0.5]})
df_dropna = df.dropna()  # 删除任何含NaN的行
print(df_dropna)

3.1.2 均值填充

均值填充适用于缺失值比例不高且数据分布较为集中的场景。需注意：若数据存在明显趋势或周期性，均值填充会破坏原有波动特征。代码示例：

# 均值填充
df_filled = df.fillna(df.mean())
print(df_filled)

3.1.3 插值法

对于时间序列数据（如振动加速度、温度变化曲线），插值法能更好地保留局部趋势。常用方法包括线性插值、样条插值等。工业案例中，对轴承振动信号的短时缺失（<5个连续点）推荐使用线性插值：

# 线性插值
df_interp = df.interpolate(method='linear')
print(df_interp)

3.2 异常值检测方法

异常值指显著偏离正常数据分布范围的观测点，可能源于传感器尖峰干扰、设备突发冲击或记录错误。本节重点介绍两种经典统计方法：3σ原则与IQR法。

3.2.1 3σ原则

3σ原则假设数据服从正态分布，超出均值±3倍标准差的值视为异常。在工业故障诊断中，常用于检测传感器突发漂移或瞬时冲击。实现代码：

def detect_outliers_3sigma(data):
    mean = np.mean(data)
    std = np.std(data)
    lower = mean - 3 * std
    upper = mean + 3 * std
    outliers = (data < lower) | (data > upper)
    return outliers, lower, upper

# 示例
data = np.array([10, 12, 11, 13, 12, 100, 11, 12])
outliers, low, up = detect_outliers_3sigma(data)
print("异常值索引:", np.where(outliers)[0])

3.2.2 IQR法

IQR法基于四分位数，对数据分布假设要求较低，适用于工业中常见的偏态分布数据（如振动峰值、磨损量）。其判定区间为：

• 下界 = Q1 - 1.5 × IQR
• 上界 = Q3 + 1.5 × IQR
• 超出上下界的数据点标记为异常

def detect_outliers_iqr(data):
    Q1 = np.percentile(data, 25)
    Q3 = np.percentile(data, 75)
    IQR = Q3 - Q1
    lower = Q1 - 1.5 * IQR
    upper = Q3 + 1.5 * IQR
    outliers = (data < lower) | (data > upper)
    return outliers, lower, upper

# 示例
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 20])
outliers, low, up = detect_outliers_iqr(data)
print("异常值索引:", np.where(outliers)[0])