4. 基于统计特征的漂移识别

传感器漂移在早期往往非常微弱，单点读数与真值之间的偏差可能完全淹没在噪声里，靠肉眼看曲线几乎无法判断。统计特征方法的价值在于：它不追问“这一时刻的值对不对”，而是追问“最近一段时间的分布是否发生了系统性改变”。本节围绕三个层层递进的工具展开——滑动窗口的均值/方差分析负责刻画局部分布，Mann-Kendall 趋势检验负责判断单调走向是否显著，变点检测负责定位漂移真正开始的位置。

一、滑动窗口：把“一段数据”压缩成可比较的统计量

滑动窗口的基本做法是设定窗口长度 W 与步进 S，在每个位置上计算窗口内数据的均值、标准差、极差或分位数，形成一条统计量时间序列。窗口长度是核心参数：W 太短，统计量抖动大，容易把噪声当漂移；W 太长，漂移起始点会被严重平滑，滞后明显。工程上常取 W 覆盖数十到数百个采样点，并保证窗口内至少包含一个完整的环境变化周期（如昼夜温湿度循环），否则均值本身就会随环境节律起伏，掩盖漂移。

均值窗口主要捕捉加性漂移（零点偏移），方差窗口主要捕捉乘性漂移或灵敏度退化（响应幅度变化、噪声增大）。实际中更稳妥的做法是同时观察两者：若均值缓慢单向上移而方差基本不变，多为零点漂移；若方差显著增大而均值变化不大，则要怀疑敏感膜老化、接触不良或供电纹波。为消除环境耦合，通常不直接对原始读数做窗口统计，而是对“读数减去同环境条件下的参考值”或“读数与参考模型的残差”做统计，这样窗口均值的变化才更接近漂移本身。

二、Mann-Kendall 趋势检验：判断“是否在单调走”

Mann-Kendall（MK）是一种非参数趋势检验，不要求数据服从正态分布，对异常值也不敏感，非常适合传感器残差这类偏态、含尖峰的数据。其统计量 S 由所有数据对的符号函数求和得到：对序列中每一对 (x_j, x_i)（j > i），若后者大于前者记 +1，小于记 −1，相等记 0，累加即得 S。随后计算方差并标准化为 Z，在给定显著性水平（常用 α = 0.05，对应 |Z| > 1.96）下判断趋势是否显著；Z > 0 表示上升趋势，Z < 0 表示下降趋势。

MK 的实用要点有三。第一，它检验的是“整段序列是否存在单调趋势”，因此应作用在滑动窗口统计量序列或残差序列上，而不是原始高频读数上，否则自相关会严重高估显著性。第二，对存在季节性的数据，应使用季节 MK（Seasonal Kendall）检验，先按季节分组再合并统计量。第三，MK 只能回答“有没有趋势”，不能回答“从哪一点开始”，这正是变点检测要补上的环节。工程上常把 MK 的 Z 值做成滚动输出，当 |Z| 持续超过临界值并稳定若干窗口时，才判定为趋势确立，以抑制偶发波动。

三、变点检测：定位漂移的起始时刻

变点检测把序列视为若干段分布不同的子序列，寻找使“段内差异最小、段间差异最大”的分割点。最基础的是均值变点：对候选分割点 k，计算分割前后两段的均值差，并用两段方差归一化，取统计量最大的 k 作为变点估计。更通用的是累积和（CUSUM）方法：对标准化残差序列构造上下累积和，当累积和越过决策边界 h 时报警，报警时刻回退一个滞后量即为变点近似位置。CUSUM 的优点是递推计算、内存占用小，适合在线运行；参数 k（允许的偏移量）与 h（报警阈值）需按噪声水平标定，常用经验是 k 取 0.5 倍标准差的偏移、h 取 4～5 倍标准差。

此外还有基于似然的 PELT、基于贝叶斯的在线变点检测等，精度更高但计算量更大，适合离线复盘。无论哪种方法，都应把变点检测结果与窗口均值、MK 趋势结论交叉验证：三者同时指向同一时段，才可较有把握地认定漂移起始点；若只有变点报警而均值与趋势均无变化，更可能是环境阶跃或单次干扰，应先排查外部原因。

四、一个可复现的教学示例

假设某温湿度传感器投运后以 1 分钟间隔采样，取 7 天共 10080 个点，用同环境的参考探头构造残差序列。设定窗口 W = 240（4 小时）、步进 S = 60（1 小时），得到约 164 个窗口均值。基线期取前 48 个窗口，计算其均值 μ₀ 与标准差 σ₀；随后对每个窗口计算标准化偏差 z = (μ_w − μ₀) / σ₀。若从第 120 个窗口起 z 连续 6 个窗口超过 2，则触发均值偏移告警。与此同时对残差序列做滚动 MK 检验，若 Z 由接近 0 转为持续大于 1.96，说明趋势确立；再用 CUSUM（k = 0.5σ、h = 5σ）定位报警时刻并回退滞后量，得到变点估计。若三者给出的时间落在同一 4 小时区间内，即可把该区间起点作为漂移起始点 t₀，并据方差是否同步增大判定漂移类型。

五、判读时的常见陷阱

第一，把环境阶跃误判为漂移。空调启停、开窗通风都会造成残差阶跃，若不做环境参考扣除，变点检测会频繁误报。第二，忽略自相关。高频采样序列相邻点高度相关，直接做 MK 或变点检验会虚增显著性，应先降采样或对窗口统计量做检验。第三，窗口长度与漂移速率不匹配。漂移若在数小时内快速发生，长窗口会把变点抹平；若漂移以月计，短窗口则被噪声淹没。第四，只报警不定型。仅给出“有漂移”而不区分加性与乘性，后续校正模型就无从选择。把窗口统计、趋势检验与变点检测组合成一条判读链，并坚持用基线期数据标定参数，才能让统计量真正成为发现漂移起始点的可靠工具。