2. 工业设备数据基础
时序预测模型的上限，往往不由算法决定，而由数据本身决定。在工业场景中，设备数据来自不同厂商、不同协议、不同年代的传感器，采样节奏各异、时钟不同步、缺失与异常交织。如果不在建模前把数据基础打牢，再复杂的模型也只能学到噪声。本节围绕传感器类型、采集频率、时间戳对齐、缺失值与异常值处理、数据质量评估五个环节，建立一套可落地的数据准备认知框架。
一、传感器类型：决定数据的物理含义与噪声特征
工业设备上常见的传感器可按被测物理量分为几大类，每类信号的噪声形态、采样需求和后续处理方式都不同。
- 振动传感器（加速度计）：用于旋转机械的轴承、齿轮箱监测，输出高频波形，采样率常达 10 kHz～50 kHz，关注频谱特征而非单点数值。
- 温度传感器（热电偶、RTD、红外）：变化缓慢，采样周期通常为秒级到分钟级，噪声以低频漂移为主。
- 压力与流量传感器：反映液压、气动、管道工况，采样率多为 1～100 Hz，易受脉冲干扰。
- 电流/电压传感器：用于电机负载与能耗分析，与设备启停状态强相关。
- 位移与转速传感器：编码器、接近开关，输出离散脉冲或计数值，用于工况分段。
理解传感器类型，本质是理解“这条曲线为什么长这样”。把振动信号和温度信号用同一套清洗规则处理，是初学者最常见的错误之一。
二、数据采集频率：快慢之间的取舍
采集频率（采样率）决定了数据能保留多少信息。根据奈奎斯特采样定理，要还原频率为 f 的信号成分，采样率必须大于 2f。工程上通常取 2.5～5 倍余量。
但采样率并非越高越好。高频采集带来存储、传输和计算成本的急剧上升。实际项目中常采用分层策略：振动等快变量用高频采集并做边缘特征提取，温度、压力等慢变量用低频采集直接上传。
# 典型工业采集频率参考
振动加速度： 25600 Hz # 轴承故障特征频率可达数 kHz
电机电流： 1000 Hz # 兼顾谐波与负载波动
液压压力： 100 Hz # 捕捉压力脉动
温度： 1 Hz # 热惯性大，秒级足够
转速/工况： 10 Hz # 用于状态分段
三、时间戳对齐：让不同节奏的数据说同一种语言
多源数据融合的核心难题是时间戳对齐。不同传感器可能由不同采集卡、不同 PLC、不同网关上传，时钟偏差从毫秒到数分钟不等。对齐的目标是把所有通道映射到统一的时间轴上。
常用方法有三类：
- 重采样对齐：将高频数据降采样、低频数据插值，统一到目标频率（如 1 Hz）。适合慢变量融合。
- 最近邻/前向填充对齐：为每个目标时间点选取时间上最接近的原始采样值，适合状态量、开关量。
- 基于事件的对齐：以设备启停、报警等事件为锚点，对齐前后窗口，适合故障复盘。
对齐前必须先做时钟校准。若各通道时间戳存在固定偏移，可通过互相关分析估计偏移量并补偿。忽略时钟问题，会让“温度升高导致振动增大”这类因果分析彻底失真。
四、缺失值与异常值处理：区分“没采到”和“采错了”
缺失值通常由通信中断、传感器掉线、网关重启造成；异常值则来自电磁干扰、传感器故障或真实工况突变。两者处理逻辑完全不同。
缺失值处理：短时缺失（如几个采样点）可用线性插值或前向填充；长时缺失应标记为无效段，避免用插值“编造”数据。对于预测任务，缺失本身也是一种特征，可增加“缺失指示位”。
异常值处理：先判断是“错误异常”还是“真实异常”。错误异常用 3σ 准则、IQR 四分位距或滑动窗口 Z-score 检测后修正；真实异常（如故障冲击）必须保留，否则会抹掉最有价值的故障信息。
# 滑动窗口 Z-score 异常检测示例
window = 60 # 窗口长度
threshold = 3.5 # 阈值
for i in range(window, len(series)):
seg = series[i-window:i]
z = (series[i] - seg.mean()) / (seg.std() + 1e-6)
if abs(z) > threshold:
flag_as_anomaly(i) # 标记，而非直接删除
五、数据质量评估：用指标说话
数据质量评估应形成可量化的报告，作为是否进入建模阶段的准入依据。常用维度包括完整性、有效性、一致性、时效性和稳定性。
| 评估维度 | 含义 | 典型指标 | 建议阈值 |
|---|---|---|---|
| 完整性 | 应有数据是否齐全 | 缺失率 | < 5% |
| 有效性 | 数值是否在物理量程内 | 越界率 | < 1% |
| 一致性 | 多通道时间戳是否对齐 | 时钟偏移 | < 1 个采样周期 |
| 时效性 | 数据延迟是否可接受 | 端到端延迟 | 依场景而定 |
| 稳定性 | 统计分布是否漂移 | 均值/方差漂移率 | < 10% |
六、案例与复盘：一次温度预测失败的数据溯源
某项目对减速箱温度做趋势预测，模型离线指标很好，上线后却频繁误报。复盘发现三个数据问题：其一，温度传感器与振动传感器时钟相差 47 秒，融合特征实际错位；其二，通信中断造成的缺失段被前向填充，掩盖了真实停机；其三，清洗时把一次真实过热冲击当作异常值剔除，导致模型从未见过该模式。
修正措施包括：接入 NTP 统一时钟并记录偏移量；缺失段显式标记为无效而非填充；异常检测只做标记、不做删除，由业务确认后再决定处理方式。修正后误报率下降约 60%。