2. 现场故障诊断模型的数据基础

现场故障诊断模型能否在真实设备上站得住脚，首先取决于它“吃进去”的数据是否真实、完整、可对齐。与实验室数据集不同，现场数据来自多源、异构、异步的采集通道：传感器给出连续物理量，控制器与上位机给出离散日志，生产系统给出工况标签。三者缺一不可，又各有各的“脾气”。本节围绕这三类数据的特点、采集与预处理方法，以及数据质量如何影响模型验证展开。

三类现场数据的各自特点

传感器数据是诊断模型最直接的证据来源，典型对象包括振动加速度、轴承温度、电机电流、油液压力、流量、转速等。它的特点是采样频率高、连续性强、量纲明确，但极易受安装位置、耦合路径和电磁干扰影响。例如同一台减速机，测点在轴承座径向与轴向测得的振动幅值可能相差数倍，若模型训练时未固定测点语义，验证阶段就会出现“同故障不同特征”的假象。传感器数据还常伴随漂移与温漂，长期运行后零点偏移会缓慢改变特征分布。

日志数据来自PLC、DCS、SCADA、边缘网关及设备自身的事件记录，形式多为带时间戳的文本或结构化记录，如报警码、保护动作、启停事件、通信超时、参数修改。它的特点是事件驱动、稀疏、语义丰富但格式不统一。同一次故障，日志里可能只留下“过流保护动作”一条记录，而真正的劣化过程早已在传感器曲线上体现。日志的时间戳精度、时区、设备时钟同步程度，直接决定它能否与传感器数据对齐。

工况数据描述设备“在什么条件下运行”，包括负载率、转速设定、环境温度、工艺配方、启停阶段等。它是解释特征变化的钥匙：同一振动幅值，在空载与满载下含义完全不同。工况数据通常来自MES、工艺参数表或操作记录，更新频率低、粒度粗，且常以班次或工单为单位，需要与高频数据做时间区间映射。

数据采集的关键控制点

采集阶段决定数据上限。首先要固定测点语义：每个通道必须绑定设备、部件、方向、安装方式，例如“1#减速机输入轴轴承座径向振动”。其次要统一时间基准：建议所有采集节点通过NTP或PTP对时，边缘网关在写入时打上统一UTC时间戳，并保留原始设备时间戳以便追溯。第三要明确采样率与量程：振动信号若关注轴承故障，采样率应满足分析频带需求，通常不低于最高关注频率的2.56倍；温度、压力等缓变量可降低采样率以节省存储。第四要保留原始数据，预处理结果另存，避免不可逆处理导致验证阶段无法回溯。

一个可参考的采集配置示例如下：

通道: CH01  设备: 1#减速机  测点: 输入轴轴承座  方向: 径向
采样率: 25600 Hz   量程: ±50 g   耦合: AC
时间同步: PTP主时钟  时间戳: UTC毫秒级
日志接入: PLC报警字 + 事件表，保留原始码与文本
工况接入: MES工单号 + 负载率(10s粒度)

预处理方法：从原始信号到可用样本

预处理的目标是让三类数据在同一时间轴上“说同一种语言”。对传感器数据，常用步骤包括：去除直流分量、按关注频带带通滤波、对缓变量做滑动平均、按统一时间窗重采样。对日志数据，需要做事件归并与编码映射，把“过流保护动作”映射为可计算的事件类型，并提取事件前后时间窗。对工况数据，则按时间区间映射到每个样本，形成“工况标签”。

缺失值处理要区分类型：短时丢包可用线性插值或前向填充；长时间缺失应标记为无效而非强行填补，否则会制造虚假特征。异常值处理建议采用基于工况分层的阈值或稳健统计量，例如在相同负载率区间内用中位数绝对偏差判断离群点，避免把真实故障冲击误删。归一化参数必须只用训练集统计量计算，再应用到验证集，否则会造成信息泄漏，使验证结果偏乐观。

数据质量如何影响模型验证

验证阶段最怕“数据看起来没问题”。常见陷阱有三类：一是时间错位，传感器与日志时间戳相差数秒甚至数分钟，导致故障标签贴到了正常区间，验证指标失真；二是分布偏移，训练数据集中在某一负载区间，验证数据覆盖另一区间，模型表现骤降，却被误判为算法不行；三是标签噪声，维修记录只写“更换轴承”，未区分是磨损、点蚀还是装配问题，多类故障被合并，验证时无法定位错误来源。

因此，在模型验证前应做一次数据质量核查，至少覆盖：时间戳一致性、缺失率、工况覆盖率、标签分布与类别平衡、训练/验证集的时间与工况重叠度。若验证集与训练集在工况分布上差异明显，应重新划分或补充数据，而不是直接调参。只有数据基础可靠，后续的模型验证结论才具备现场可信度。