4. 时域波动分析：滑动窗口均值、滑动窗口方差、均方根（RMS）的计算方法与波动表征
时域波动分析是PSI（压力波动指数）监测中最直观、最基础的分析手段。它通过滑动窗口在时间轴上连续截取数据片段，计算窗口内的统计特征量，从而揭示信号在不同时间段的波动强度、离散程度和能量水平。本节将详细阐述滑动窗口均值、滑动窗口方差以及均方根（RMS）的计算原理、实现步骤及其在波动表征中的物理意义。
4.1 滑动窗口均值（Moving Average）
滑动窗口均值是最简单的时域平滑与趋势提取方法。它通过计算窗口内所有采样点的算术平均值，消除高频噪声，突出信号的长期趋势或基线漂移。
4.1.1 计算方法
给定一个长度为N的离散信号序列 x[n]，定义窗口长度为 L（L为奇数或偶数，通常取奇数以保证对称性），则第 i 个滑动窗口的均值 MA[i] 计算公式为：
MA[i] = (1 / L) * Σ_{k=0}^{L-1} x[i + k]其中，i 从0到 N-L。实际工程中，常采用“中心对齐”方式，即窗口中心点对应输出时刻，公式调整为：
MA_center[i] = (1 / L) * Σ_{k=-⌊L/2⌋}^{⌊L/2⌋} x[i + k]4.1.2 波动表征作用
- 趋势提取：滤除高频脉动，保留压力信号的缓慢变化趋势，用于判断系统是否存在整体漂移。
- 基线校正：将原始信号减去滑动均值，可获得零均值的波动分量，便于后续方差或RMS分析。
- 异常检测：当滑动均值突然偏离历史基线时，提示可能存在传感器故障或工艺状态突变。
4.2 滑动窗口方差（Moving Variance）
滑动窗口方差衡量信号在窗口内的离散程度，即波动幅度的大小。方差越大，说明信号在该时间段内偏离均值的程度越高，波动越剧烈。
4.2.1 计算方法
基于滑动窗口均值 MA[i]，第 i 个窗口的方差 Var[i] 计算公式为：
Var[i] = (1 / L) * Σ_{k=0}^{L-1} (x[i + k] - MA[i])²在实际编程中，为避免重复计算均值，可采用递推算法（Welford算法）提高计算效率：
初始化：M₁ = x₁, S₁ = 0
对于 k = 2 到 L：
M_k = M_{k-1} + (x_k - M_{k-1}) / k
S_k = S_{k-1} + (x_k - M_{k-1}) * (x_k - M_k)
窗口方差 = S_L / L4.2.2 波动表征作用
- 波动强度量化：方差直接反映压力波动的能量分散程度，是PSI计算的核心输入之一。
- 稳态/瞬态判别：方差持续低值表示系统处于稳态；方差突然增大表示进入瞬态或扰动状态。
- 阈值漂移预警：当方差在较长时间内缓慢增大，即使均值未变，也提示系统可能存在间歇性扰动或传感器性能退化。
4.3 均方根（RMS）
均方根（Root Mean Square）是信号在窗口内的有效值，它同时包含了信号的幅度信息和能量信息，对波动中的大幅值成分更为敏感。
4.3.1 计算方法
第 i 个滑动窗口的RMS值 RMS[i] 计算公式为：
RMS[i] = sqrt( (1 / L) * Σ_{k=0}^{L-1} (x[i + k])² )若信号已进行零均值化处理（减去滑动均值），则RMS等价于标准差（Standard Deviation），即：
RMS_zero_mean[i] = sqrt( Var[i] )4.3.2 波动表征作用
- 能量度量：RMS直接反映窗口内信号的平均能量水平，适用于评估压力脉动的剧烈程度。
- 与PSI关联：许多PSI算法直接采用RMS作为波动特征量，或将其与均值结合构造波动指数。
- 抗噪性：相比方差，RMS对小幅噪声的敏感度略低，更适合在信噪比较低的环境中使用。
4.4 三种指标的对比与选择
| 指标 | 物理含义 | 对大幅值敏感度 | 对趋势漂移敏感度 | 典型应用场景 |
|---|---|---|---|---|
| 滑动均值 | 信号中心趋势 | 低 | 高 | 基线校正、趋势提取 |
| 滑动方差 | 信号离散程度 | 中 | 低（零均值后） | 波动强度量化、稳态判别 |
| 均方根（RMS） | 信号有效能量 | 高 | 中（受均值影响） | 能量评估、PSI计算 |
4.5 滑动窗口计算流程与SVG图示
下图展示了滑动窗口在时间轴上移动计算均值、方差和RMS的完整流程。窗口每次向右滑动一个步长（通常为1个采样点），依次计算每个窗口内的统计量，最终生成三条波动特征曲线。
4.6 代码实现示例（Python）
以下代码展示了使用Python实现滑动窗口均值、方差和RMS计算的核心逻辑。该实现采用向量化操作，兼顾可读性与计算效率。
import numpy as np
def sliding_window_stats(signal, window_size):
"""
计算滑动窗口均值、方差和RMS
参数:
signal (np.array): 一维输入信号
window_size (int): 窗口长度（奇数）
返回:
ma (np.array): 滑动均值序列
var (np.array): 滑动方差序列
rms (np.array): 滑动RMS序列
"""
# 使用np.convolve实现快速滑动均值
kernel = np.ones(window_size) / window_size
ma = np.convolve(signal, kernel, mode='valid')
# 计算零均值信号
zero_mean = signal[:len(ma)] - ma
# 滑动方差（使用卷积加速）
var_kernel = np.ones(window_size) / window_size
var = np.convolve(zero_mean**2, var_kernel, mode='valid')
# RMS = sqrt(方差) 或直接计算
rms = np.sqrt(var)
return ma, var, rms
# 示例用法
if __name__ == "__main__":
# 生成模拟压力信号
t = np.linspace(0, 10, 1000)
signal = np.sin(2 * np.pi * 2 * t) + 0.5 * np.random.randn(1000)
window = 51 # 窗口长度
ma, var, rms = sliding_window_stats(signal, window)
print(f"信号长度: {len(signal)}")
print(f"窗口长度: {window}")
print(f"均值序列长度: {len(ma)}")
print(f"方差序列长度: {len(var)}")
print(f"RMS序列长度: {len(rms)}")- 滑动窗口的边界效应：使用
mode='valid'时，输出序列长度会减少window_size - 1个点。若需保持与输入等长，可使用mode='same'并配合边界填充。 - 窗口长度必须小于信号总长度，否则无法计算有效窗口。
- 对于实时系统，建议采用递推算法（如CIC滤波器）以降低计算延迟。
4.7 波动表征的综合应用
在实际PSI监测系统中，上述三个指标通常不是孤立使用的，而是构成一个联合特征向量，用于全面描述窗口内的波动状态：
- 均值 + 方差：判断是否存在“均值漂移伴随方差增大”的复合异常模式，典型场景如阀门卡涩导致的压力阶梯变化。
- 均值 + RMS：评估信号的总能量水平是否超过安全阈值，适用于泵体振动监测。
- 方差 / 均值²：构造变异系数（Coefficient of Variation），用于归一化波动强度，消除量纲影响。
通过联合分析这三个时域特征，可以构建多维度的波动表征体系，为后续的阈值漂移排查提供可靠的数据基础。