📚 课程目录第1章课程导论与数据基础

1. 课程导论与数据基础

大家好，欢迎来到这门实战课。

我是你们这门课的主讲人。做了十几年无人机系统，我见过太多因为遥测数据异常而炸机的案例。说实话，每次看到飞手一脸茫然地看着残骸，我都觉得特别可惜——明明数据里早就给出了警告信号。

这门课，就是要把这些信号教给你看懂。

1.1 什么是无人机遥测数据？

遥测数据，说白了就是无人机在空中实时传回来的「体检报告」。它记录了飞行器每一秒的状态：飞了多高、飞了多快、电池还有多少电、电机转速多少、GPS信号好不好……

我习惯把遥测数据分成三大类：

飞行状态数据：高度、速度、航向角、姿态角（俯仰/横滚/偏航）
系统健康数据：电池电压/电流/温度、电机转速、IMU加速度/角速度
环境与定位数据：GPS经纬度、卫星颗数、气压计高度、空速

你想想看，一架无人机每秒能产生几十到上百条这样的数据。一次30分钟的飞行，就是十几万条记录。数据量不小，但每一条都可能藏着关键信息。

核心观点：遥测数据不是冷冰冰的数字，它是无人机用「生命」在向你传递信息。学会读懂它，你就能提前预判故障。

1.2 常见异常类型——我踩过的坑

异常检测，就是找出那些「不对劲」的数据点。我在项目中遇到过各种各样的异常，归纳起来主要有这几类：

异常类型	典型表现	我踩过的坑
点异常	某个数值突然跳变，比如高度从100米瞬间变成-5米	有一次GPS受干扰，高度值直接跳到负值，飞控差点触发紧急降落
上下文异常	数值本身正常，但放在当前场景下不合理	悬停时电机转速突然飙升——其实是有阵风，但新手容易误判为故障
集合异常	单个数据正常，但一组数据组合起来有问题	电池电压正常、电流正常，但两者乘积（功率）异常——说明传感器校准有问题
趋势异常	数据缓慢偏离正常范围，比如电池电压持续下降过快	我曾经遇到过一块电池内阻变大，电压下降曲线明显变陡，但很多人没注意到

避坑指南：我曾经在一次飞行测试中，只关注了点异常，忽略了电池电压的缓慢下降趋势。结果飞到第18分钟时，电压突然跌穿保护阈值，飞机直接迫降在田里。从那以后，我每次做异常检测都会同时看「突变」和「渐变」两个维度。

1.3 数据采集与存储格式

数据怎么来的？通常有两种方式：

实时数传链路：无人机通过433MHz/900MHz/4G等链路，把数据包实时发回地面站
机载SD卡日志：飞控板（如Pixhawk、ArduPilot）会把所有原始数据记录在SD卡上，飞行结束后导出

存储格式方面，我主要用两种：

CSV格式——简单直接

CSV是最常见的格式，说白了就是逗号分隔的文本文件。每一列是一个参数，每一行是一个时间点。

timestamp,altitude,velocity,battery_voltage,motor_rpm
0.00,0.0,0.0,12.6,0
0.05,0.1,0.5,12.5,3200
0.10,0.3,1.2,12.4,4500
...

优点是人眼可读，Excel直接打开。缺点是文件大、读写慢。一次30分钟飞行，CSV文件可能轻松超过100MB。

我的习惯：小规模实验用CSV，方便快速查看。但做正式项目时，我强烈建议用Parquet。

Parquet格式——工业级选择

Parquet是列式存储格式，压缩率高、读写速度快。同样数据量，Parquet文件可能只有CSV的1/5大小，读取速度却能快10倍以上。

# 用pandas读取两种格式的对比
import pandas as pd
import time

# CSV读取
start = time.time()
df_csv = pd.read_csv('flight_data.csv')
print(f'CSV读取耗时：{time.time() - start:.2f}秒')

# Parquet读取
start = time.time()
df_pq = pd.read_parquet('flight_data.parquet')
print(f'Parquet读取耗时：{time.time() - start:.2f}秒')

嗯，这里要注意：Parquet虽然好，但需要安装pyarrow或fastparquet库。不过相信我，当你处理几十GB的遥测数据时，你会感谢这个选择的。

1.4 Python环境搭建

工欲善其事，必先利其器。我建议用Anaconda + Jupyter的组合，原因很简单：省心。

第一步：安装Anaconda

去官网下载Anaconda（Python 3.9+版本），一路默认安装就行。安装完成后，打开终端（Windows用Anaconda Prompt），验证一下：

conda --version
python --version

第二步：创建虚拟环境

我习惯每个项目建一个独立环境，避免包冲突。

conda create -n uav_anomaly python=3.9
conda activate uav_anomaly

第三步：安装必备库

pip install pandas numpy matplotlib seaborn scikit-learn
pip install pyarrow  # 用于Parquet
pip install jupyter

第四步：启动Jupyter

jupyter notebook

浏览器会自动打开，新建一个Notebook，就可以开始了。

小建议：我习惯在Notebook开头先写一段「环境检查」代码，确保所有库都加载正常。别问我为什么——有一次我换了台电脑，忘了装pyarrow，结果读Parquet文件时报错，排查了半天。

1.5 本章知识体系

下面这张图，是我梳理的本章知识结构。你可以把它当作一张「地图」，后面每节课都会对应到其中的某个模块。

好了，这一章的内容就是这些。环境搭好了，数据格式了解了，异常类型心里有数了——下一章我们就可以开始动手分析真实数据了。

公众号:蓝海数据掘金营，可可精品资料库