4. 数据预处理与特征工程

在 Applied Materials 设备的传感器数据监控中，原始采集信号往往并不直接适合建模或异常诊断。设备端可能因通信抖动、传感器掉线、腔体切换、配方换步等原因，产生缺失点、尖峰噪声、时间戳漂移，以及不同采样率信号之间的错位。数据预处理与特征工程的目标，是把这些“原始、粗糙、不同步”的信号，整理成“完整、平滑、对齐、可量化”的特征矩阵，为后续异常检测、故障分类和趋势预警提供可靠输入。

缺失值处理：先判断缺失类型，再决定填补策略

缺失值处理不能一律用均值填充。首先要区分三类缺失：随机单点缺失（如偶发通信丢包）、连续段缺失（如传感器离线数秒）、结构性缺失（如某配方步骤本就不采集该信号）。对随机单点缺失，可采用线性插值或前向填充；对连续段缺失，若长度超过阈值（例如超过 5 个采样周期），应标记为无效区间，而不是强行填补；对结构性缺失，应保留 NaN 或单独编码，避免把“未采集”误判为“值为零”。

实际处理时，建议先统计每个信号通道的缺失率。若某通道缺失率长期高于 30%，应优先排查采集链路，而不是依赖填补。对于关键温度、压力、功率信号，可采用时间加权插值：

# 示例：按时间戳线性插值（pandas）
df = df.set_index('timestamp')
df['chamber_temp'] = df['chamber_temp'].interpolate(
    method='time', limit=3, limit_direction='both'
)
# limit=3 表示最多连续填补 3 个采样点，超过则保留 NaN

这样既恢复了短时丢包，又不会把长段离线“伪装”成正常数据。

噪声滤波：保留真实动态，抑制高频干扰

AMAT 设备中的 RF 功率、匹配网络位置、气体流量等信号常带有高频噪声。滤波的核心是区分“噪声”与“真实快速变化”。对于缓变信号（如腔体温度），可用滑动平均或 Savitzky-Golay 滤波；对于需要保留边沿的信号（如阀门开关、RF 启停），应避免过度平滑，否则会延迟故障响应。

一个实用的组合是：先做中值滤波去除尖峰，再做低通滤波平滑。例如对压力信号，窗口长度取 5 点中值滤波，再取 11 点滑动平均。若采样周期为 100 ms，则 11 点对应约 1.1 s 的平滑窗口，适合观察腔体压力趋势，但会削弱 1 s 以内的快速波动。因此，滤波参数必须结合工艺节拍和故障关注频段来定。

时间对齐：多源信号必须统一到同一时间轴

设备数据常来自不同采集卡、不同 PLC 周期和不同传感器，时间戳并不天然一致。时间对齐的目标，是把温度、压力、RF 功率、OES 光谱等信号映射到统一的时间基准上。常用方法有两种：重采样到固定频率（如统一为 10 Hz）和按事件对齐（如以配方步切换时刻为锚点）。

重采样时，对缓变信号用线性插值，对累计量（如气体累计流量）用梯形积分，对状态量（如阀门开闭）用前向填充。若不同通道存在固定延迟，例如温度传感器比 RF 功率滞后约 200 ms，可通过互相关分析估计延迟并做时间平移补偿。对齐后的数据应保留原始时间戳和重采样时间戳两列，便于追溯。

统计特征：把一段波形压缩成可比较的数值

统计特征是最直接、最稳定的特征来源。对每个时间窗口（例如 1 s 或一个配方步），可计算：均值、标准差、最大值、最小值、峰峰值、均方根、偏度、峰度、过零率、线性回归斜率。以 RF 反射功率为例，若某窗口内均值升高且标准差同步增大，往往提示匹配网络失谐或等离子体不稳定。

实际工程中，建议按“通道 × 窗口 × 统计量”组织特征表。例如温度通道在 1 s 窗口内提取 8 个统计量，10 个通道即可得到 80 维特征。窗口长度要与故障时间尺度匹配：捕捉快速电弧，窗口取 50～200 ms；观察腔体污染趋势，窗口取 5～30 s。

频域特征：发现周期性波动与谐波异常

许多设备异常在时域上不明显，但在频域上有清晰表现。例如 RF 功率的周期性纹波、泵的机械振动、匹配网络的振荡频率。对窗口内信号做 FFT，可提取主频、主频幅值、频谱质心、频带能量比、谐波幅值等特征。

以 RF 功率信号为例，采样率 1 kHz，取 1024 点做 FFT，频率分辨率为约 0.98 Hz。若在 50 Hz 附近出现异常峰值，可能与工频干扰或电源纹波有关；若在 200～400 Hz 出现新的谐波，可能与匹配网络或电极状态变化有关。频域特征对周期性异常敏感，但对瞬态冲击不敏感，因此常与统计特征联合使用。