4. 基础动态阈值方法：移动平均+标准差（MA+σ）原理与实现
咱们直接进入正题。
静态阈值用起来很爽，但生产环境从来不会那么乖。数据一旦有趋势、有漂移，固定上下限立马变成摆设。这时候，动态阈值就该上场了。
今天我要讲的这套方法，是动态阈值里最基础、也最实用的一个——移动平均 + 标准差，简称 MA+σ。它不需要深度学习，不需要复杂的统计背景，几行代码就能跑起来，效果还相当扎实。
4.1 为什么动态阈值是刚需？
我在某条锂电池涂布产线上就踩过这个坑。刚开始用固定阈值 ±3σ 检测膜厚，白天还好，一到夜班温湿度变化，整体数据漂了 5%，报警器响了一整晚——但产线其实没毛病，就是环境变了。
你想想看，如果阈值能跟着数据的“近期表现”自动调整，是不是就合理多了？
这就是动态阈值的核心思想：用最近一段时间的统计量，代表当前过程的“正常”状态。
- 固定阈值：全量数据定死一个范围，不随时间变化。
- 动态阈值：只在近期样本上滑动计算，随过程状态自然浮动。
4.2 移动平均究竟在做什么？
说白了，就是用最近 N 个点的均值，取代单个点的瞬时值。
数学上很简单：
MA(t) = (x(t) + x(t-1) + ... + x(t-N+1)) / N这里的 N 就是窗口长度。N 选大了，曲线特别平滑，但对突变反应慢；N 选小了，反应快但容易跟着噪声乱跳。
我个人习惯先拿 N=20 试跑，再根据实际情况微调。窗口太小，假报警会多；窗口太大，真异常会被淹没。
4.3 加上标准差，才能定上下界
光有均值不够。你还需要知道数据的“波动幅度”有多大。
移动标准差同样在滑动窗口上算：
σ(t) = sqrt( sum((x(i) - MA(t))²) / (N-1) )然后上下限就是：
上限 = MA(t) + K × σ(t)
下限 = MA(t) - K × σ(t)这里的 K 是阈值倍数。K=3 对应 99.7% 的覆盖范围（正态假设下），但在工业现场，数据很少完美正态，我一般保守一点，先取 K=2.5 试水。
| 场景 | 推荐 K 值 | 说明 |
|---|---|---|
| 高精度过程（如半导体） | 2.0 ~ 2.5 | 宁可误报，不可漏报 |
| 普通制造过程 | 2.5 ~ 3.0 | 平衡灵敏度和稳定性 |
| 低重要性指标（如日志） | 3.0 ~ 4.0 | 容忍更大波动 |
4.4 核心流程图：MA+σ 动态阈值逻辑
下面这张图，把整个过程串起来了。建议你收藏，写代码时照着画。
4.5 Python 代码实现
讲到底还是得写代码。下面这个版本我用纯 Python 实现，没有任何复杂依赖，拿来就能用。
import numpy as np
def dynamic_threshold_ma_std(data, window=20, k=2.5):
"""
移动平均+标准差动态阈值
:param data: 一维时序数据（list或numpy数组）
:param window: 滑动窗口长度 N
:param k: 阈值倍数
:return: (upper, lower, ma) 三个数组，前window-1个元素为NaN
"""
data = np.array(data, dtype=float)
n = len(data)
upper = np.full(n, np.nan)
lower = np.full(n, np.nan)
ma = np.full(n, np.nan)
for i in range(window - 1, n):
segment = data[i - window + 1 : i + 1]
mean = np.mean(segment)
std = np.std(segment, ddof=1) # 样本标准差
ma[i] = mean
upper[i] = mean + k * std
lower[i] = mean - k * std
return upper, lower, ma4.6 实战中的避坑指南
我曾经在一个真空镀膜的项目里，直接用 MA+σ 就跑上了线。前三天效果特别好，第四天突然满屏报警。
查了半天才发现，是传感器零点漂移，整个数据平移了 5%，但 σ 没变，所以 MA 跟着跑了，但上下限还是那点宽度——漂移超过 K·σ 就直接报警。
这其实是个伪异常。怎么办？我后来加了一个漂移修正步：先用全量数据做基准 MA，再减去基准，让数据回到零均值附近，最后才进 MA+σ 计算。
- 窗口长度 N 不能太小：N < 10 时 σ 极不稳定，容易频频误报。
- 阈值倍数 K 不要照搬正态假设：工业现场数据偏峰厚尾是常态，K=3 可能让你漏掉大量早期间歇性异常。
- 前 N-1 个点不要生成阈值：窗口还没填满时，σ 不可靠，直接给 NaN 或填充为全局均值更合理。
4.7 参数到底怎么选？实战流程
我一般按下面几步来：
- 取过去 7~14 天的历史数据，最好包含各种工况（换班、换料、维修后）。
- 用代码循环跑 N ∈ [10, 50] 和 K ∈ [2.0, 4.0]，画出每个组合的报警次数曲线。
- 选一个“已知异常段”的召回率 >= 90% 且误报率 <= 5% 的组合。
- 留出未来 1 天的数据做验证，确认参数没有过拟合。