简介：面向工业设备监控与故障诊断场景的智能运维时序数据分析系统，以小波变换、傅里叶变换和核密度估计为核心，覆盖波形平稳性检测、周期性识别、异常程度转换与根因定位全流程。压缩包共17个文件，含10个Python算法脚本、4个CSV示例数据集，以及txt、docx、md格式的说明与文档；脚本按稳定判断、周期识别、异常检测、分类树、根因定位等流程拆分，可直接运行和二次修改。包体约8.79MB，轻量易部署，目录结构清晰，适合算法工程师、设备运维人员和竞赛学习者参考。已有94人学习下载。资源提供完整实现、真实可用的数据样例和配套说明，便于快速掌握基于小波变换和傅里叶变换的智能运维分析方法，并将其迁移到电力、制造、石化等设备监控场景。
1. 用傅里叶与小波给工业设备做体检：这套智能运维时序分析系统到底在解决什么
工业设备的传感器数据永远是又长又吵的，振动、温度、电流信号动辄几十万点，真正有用的特征却藏在噪声和漂移里。基于小波变换和傅里叶变换的智能运维时序数据分析系统，核心思路是先让机器自己回答三个问题：这段波形稳不稳定、有没有周期、异常程度有多大，最后再把异常指向某个具体部件。它不是什么黑匣子，而是把信号处理的老工具重新组织成一条可落地的故障诊断流水线，适合风电齿轮箱、压缩机、电机轴承这类旋转机械的在线监测。我见过太多团队上来就堆深度学习模型，结果连平稳性都没检验，误报率高到现场不敢用。这套方案的价值在于：每个环节都有明确的数学依据，参数可解释，出问题能追溯，投入成本低，普通工程师就能复现和维护。
2. 波形平稳性检测与周期性识别：先判断信号能不能用经典频域法
2.1 平稳性为什么是傅里叶分析的前置条件
傅里叶变换有一个隐含假设：信号的统计特性不随时间变化。但工业设备的启停、负载波动、润滑状态改变，都会让振动信号出现明显的趋势项和方差突变。直接对非平稳信号做FFT，得到的频谱是整段时间的平均效果，故障特征会被抹平，甚至出现虚假的峰值成分。所以在做周期性识别之前，必须先做平稳性检测。常见做法是分段计算均值与方差，观察它们的漂移程度，也可以使用ADF检验（Augmented Dickey-Fuller）来判断是否存在单位根。对于工业现场，我更倾向于先用滑动窗口统计量做快速筛查，再对可疑段做正式检验，这样计算开销小，适合边采样边分析。
import numpy as np from scipy import stats def rolling_stat_check(x, window=1024, stride=512): """ 滑动窗口检查均值/方差的漂移程度 x: 一维时序信号 window: 窗口长度，通常取采样率的1~2倍 stride: 步长，一般设为window的一半，避免重复计算太多 """ n = len(x) means, stds = [], [] for i in range(0, n - window + 1, stride): seg = x[i:i + window] means.append(np.mean(seg)) stds.append(np.std(seg)) # 变异系数超过0.3说明均值漂移明显，方差变化超过2倍也要警惕 mean_cv = np.std(means) / (np.mean(means) + 1e-12) std_ratio = np.max(stds) / (np.min(stds) + 1e-12) return {'mean_cv': mean_cv, 'std_ratio': std_ratio, 'stationary': mean_cv < 0.3 and std_ratio < 2.0}这段代码返回的不是一个二值结论，而是两个量化指标。mean_cv看均值随时间的稳定程度，std_ratio看波动幅度是否一致。工业信号里均值漂移往往来自负载变化，方差变大通常对应轴承损伤或松动。如果检测结果是不平稳，我不会直接做FFT，而是先做差分或去趋势，然后再进入周期性识别。这一步看起来简单，但它是整个智能运维平台能否降低误报率的分水岭。
2.2 周期性识别：自相关函数加FFT峰值搜索
平稳信号拿到手后，第一步是画自相关函数。周期信号的自相关函数会在整数倍周期处出现尖峰，随机噪声的自相关则迅速衰减到零附近。这个方法比直接看频谱更直观，因为它能给出周期长度的具体数值。对于工业设备，周期往往对应轴的转频，比如转速1500转/分的电机，基频就是25Hz。我一般会先把采样率和转频关系写进配置文件，让系统能自动对照已知周期表，而不是盲目搜索所有峰值。
def find_dominant_period(x, fs): """ 通过自相关和FFT找主周期 fs: 采样率（Hz） 返回主周期（秒）及对应的置信度分数 """ # 去均值，避免直流分量干扰自相关 x = x - np.mean(x) # 自相关计算：用FFT加速，避免O(n^2)的暴力卷积 n = len(x) fft_x = np.fft.rfft(x, n=2 * n) corr = np.fft.irfft(fft_x * np.conj(fft_x))[:n] corr /= corr[0] # 归一化 # 搜索自相关第二个峰值（第一个峰在lag=0） # 只搜索前一半范围，因为后半段样本数少，估计不可靠 half = n // 2 # 找一个粗略的最小周期限制，比如不低于3个采样点 min_lag = max(3, int(fs * 0.01)) peak_lag = min_lag + np.argmax(corr[min_lag:half]) confidence = corr[peak_lag] # 交叉验证：看FFT频谱的峰值频率是否与周期一致 spec = np.abs(np.fft.rfft(x)) freqs = np.fft.rfftfreq(n, d=1.0 / fs) # 找到频谱峰值中与自相关频率最接近的那个 target_freq = fs / peak_lag idx = np.argmin(np.abs(freqs - target_freq)) return {'period': peak_lag / fs, 'freq': target_freq, 'corr_score': confidence, 'spec_magnitude': spec[idx]}这里有个容易被忽略的细节：自相关峰值的lag位置是周期对应的采样点数，除以采样率才得到秒数。confidence分数越接近1，周期越明显，如果低于0.2，基本可以判定为噪声主导。我还加了一个交叉验证：用FFT频谱中对应频率的幅值来确认，避免自相关的谐波干扰。实际使用中，如果corr_score在0.2到0.5之间，说明信号有弱周期性，可能是部件磨损初期的表现，需要结合小波变换进一步看局部特征。
2.3 小波变换为什么比短时傅里叶更适合非平稳段
短时傅里叶变换有个天生的缺陷：窗口固定，时间分辨率和频率分辨率不可兼得。而工业故障信号往往是一瞬间的冲击，比如轴承外圈损伤会产生周期性的窄脉冲，这种信号用短时傅里叶看会糊成一片。小波变换通过可变窗口解决了这个问题，高频段用窄窗口，低频段用宽窗口，这就是它能做局部异常捕捉的根本原因。在Python里，PyWavelets库提供了完整的离散小波变换实现，不需要自己写滤波器组。实际项目中，我常用db4或sym8小波基，它们有较好的正交性和紧支撑性，不会引入太多相位失真。
import pywt def wavelet_decompose(x, wavelet='db4', level=5): """ 多层小波分解，返回各层细节系数和近似系数 level: 分解层数，经验值是log2(采样率/故障特征频率) """ coeffs = pywt.wavedec(x, wavelet, level=level) # coeffs[0]是近似系数（低频趋势），coeffs[1:]是细节系数 # 每层细节系数的能量占比能反映不同频段的活跃程度 energies = [] for i, c in enumerate(coeffs[1:], start=1): energies.append(np.sum(c ** 2) / len(c)) return {'coeffs': coeffs, 'detail_energies': energies, 'approx_energy': np.sum(coeffs[0] ** 2) / len(coeffs[0])}参数选择上，level不是越大越好。分解层数过多，低频近似系数里会混入噪声，层数过少又看不到低频趋势变化。我的经验公式是level取4到6层，对应采样率在10kHz以上的振动信号。如果信号是缓慢变化的温度或压力，两层就够。选择小波基时，db4适合突变检测，sym8适合平滑信号，这取决于故障形态。写完这个函数后，我会把detail_energies画成柱状图，一眼就能看出哪个频段能量异常，这比直接看原始波形直观得多。
3. 异常程度转换与核密度估计：让异常值变成一个可解释的分数
3.1 从特征到异常分：为什么要用核密度而不是Z-score
传统的Z-score假设数据服从正态分布，但工业设备特征往往有偏态、多峰，比如齿轮箱在不同负载下的振动特征是两个峰。用均值加减三倍标准差去定义异常，会把正常工况误判为故障。核密度估计（KDE）不预设分布形态，它用核函数把每个样本点展开成一个小山丘，叠加后得到整个概率密度曲线。拿到概率密度函数后，计算当前特征值对应的概率密度值，再取负对数得到异常分数。这个分数的数学含义是：观察到这个特征值的概率密度有多低，低到一定程度就是异常。这种转换方式把多维度特征统一到了一个可比较的尺度上，是做异常程度转换的关键一步。
from sklearn.neighbors import KernelDensity def anomaly_score_kde(feature_matrix, query_point, bandwidth=0.5): """ 用核密度估计计算异常分数 feature_matrix: 历史正常运行时的特征矩阵，shape=(n_samples, n_features) query_point: 当前待评估的特征向量 bandwidth: KDE带宽，太大会平滑掉细节，太小会过拟合 """ kde = KernelDensity(kernel='gaussian', bandwidth=bandwidth) kde.fit(feature_matrix) # score_samples返回log密度，负值越大表示越异常 log_density = kde.score_samples([query_point])[0] anomaly_score = -log_density # 转换成0~100的直观分数 # 这里用min-max归一化，边界值通过历史数据的分数分布来确定 return anomaly_score带宽是核密度估计唯一需要调的关键参数。过小的带宽会产生大量毛刺，把正常波动也变成异常；过大的带宽会把两个正常工况的峰合成一个，漏掉真实故障。我一般用网格搜索配合交叉验证来确定，目标是最小化负对数似然。对于振动特征，带宽通常在0.3到1.0之间；对于温度特征，带宽要到2到5。另一个容易被忽视的问题是：训练集必须覆盖所有正常运行工况，否则负载稍一变化就会被判异常。我见过风电机组项目因为训练集只有低风速数据，高风速下误报率直奔40%。
3.2 异常程度转换的完整流程：从原始信号到分数曲线
单独跑一个KDE模型不够，异常程度转换必须嵌入整个特征提取流程。我推荐的做法是先把原始时序信号做小波分解，提取各层细节系数的能量、峰值、峭度，再结合傅里叶频谱的特定频带幅值，组成一个特征向量。然后滑动窗口逐段计算特征，把每段的特征向量送入KDE模型，得到异常分数曲线。这个曲线才是真正给运维平台用的信号，而不是原始传感器值。
def build_anomaly_curve(x, fs, window=2048, stride=256, kde_model=None, wavelet='db4', level=4): """ 滑动窗口提取特征并转换为异常分数曲线 """ n = len(x) scores = [] timestamps = [] # 滑动窗口，步长通常小于窗口，保证相邻窗口有重叠，分数曲线更平滑 for start in range(0, n - window + 1, stride): seg = x[start:start + window] # 提取特征：小波能量占比 + 频谱峰值 + 峭度 coeffs = pywt.wavedec(seg, wavelet, level=level) feat = [] for c in coeffs[1:]: feat.append(np.sqrt(np.mean(c ** 2))) # RMS能量 spec = np.abs(np.fft.rfft(seg)) # 取0.5倍频到10倍频之间的峰值幅值 freqs = np.fft.rfftfreq(window, d=1.0 / fs) mask = (freqs > fs * 0.5 / window) & (freqs < fs * 5) feat.append(np.max(spec[mask])) # 时域峭度，对冲击类故障非常敏感 feat.append(stats.kurtosis(seg)) # 送入KDE模型 score = anomaly_score_kde(kde_model, np.array(feat).reshape(1, -1)) scores.append(score) timestamps.append(start / fs) return timestamps, scores这段代码把三个不同域的特征拼在一起：小波域看频段能量分布，傅里叶域看主频幅值，时域看波形尖锐程度。三者互补，覆盖了磨损、冲击、松动几类最常见的故障模式。异常分数曲线生成后，我会设两个阈值：一个是黄色预警线，超过它说明特征偏离正常运行区间，需要关注；一个是红色报警线，超过它直接触发工单。阈值不是拍脑袋定的，用历史数据的分数分布取95和99分位数。这套流程跑起来后，现场人员不需要理解小波或核密度，只看分数曲线就知道设备状态。
4. 根因定位与工业监控平台集成：从异常分数到故障部件
4.1 部件级根因定位：频带能量比值与故障特征频率匹配
异常分数只告诉我们设备出了问题，没告诉我们哪里出了问题。根因定位需要结合设备结构和转频信息。比如滚动轴承故障，外圈损伤的特征频率约为0.4倍转频乘以滚珠数，内圈损伤约为0.6倍。如果FFT频谱中这些特征频率处的幅值显著上升，同时小波分解的高频细节能量占比增加，基本可以定位到轴承外圈。我通常会把每台设备的部件参数存成一张配置表，包含转频、齿轮齿数、轴承滚珠数等，然后让系统自动计算所有可能的故障特征频率。
def bearing_fault_frequencies(rpm, ball_count, contact_angle_deg): """ 计算轴承故障特征频率 rpm: 转速 ball_count: 滚珠数量 contact_angle: 接触角（度） """ fr = rpm / 60.0 # 转频（Hz） angle = np.deg2rad(contact_angle_deg) bpfo = 0.5 * ball_count * fr * (1 - np.cos(angle)) # 外圈 bpfi = 0.5 * ball_count * fr * (1 + np.cos(angle)) # 内圈 bsf = 0.5 * ball_count * fr * (1 - (np.cos(angle) ** 2)) # 滚动体 return {'BPFO': bpfo, 'BPFI': bpfi, 'BSF': bsf}得到理论特征频率后，把FFT频谱在这些频率附近取窄带能量，与正常运行时的基线做比值。比值超过1.5倍就标记为疑似，超过3倍直接判定为故障。这套方法在齿轮箱上同样适用，只是把轴承特征频率换成啮合频率及其边频带。边频带的间隔等于故障齿轮的转频，这是区分齿轮局部损伤和均匀磨损的关键。说到底，根因定位不是模型多聪明，而是先验知识组织得多好。
4.2 接入AI运维平台：数据管道、告警规则与误报抑制
把算法封装成服务，供监控平台调用时，我建议用三段式架构：采集端、分析端、展示端。采集端负责接收传感器数据和设备参数，分析端是刚才讲的特征提取、异常评分、根因定位模块，展示端负责把分数曲线、频谱图和根因建议呈现给运维工程师。整套系统用消息队列串起来，因为工业现场的数据是流式的，不可能等全部数据到位再分析。
| 模块 | 输入 | 输出 | 典型延迟 |
|---|---|---|---|
| 数据采集与清洗 | 原始传感器信号 | 去重、去野值后的时序段 | 实时 |
| 平稳性与周期检测 | 时序段 | 平稳性标记、主周期频率 | 秒级 |
| 小波分解与特征提取 | 时序段 | 特征向量 | 百毫秒级 |
| 异常程度评估 | 特征向量 | 异常分数 | 毫秒级 |
| 根因定位 | 频谱+设备参数 | 故障部件与置信度 | 秒级 |
告警规则里有个容易翻车的设计：不要用单次异常分数直接触发报警。工业现场偶尔有雷击、启机冲击等干扰，单点突变不代表设备损坏。我一般要求连续三个窗口异常分超过阈值才报警，或者异常分数在一分钟内上升超过两倍时立即报警。前者抑制偶发干扰，后者捕捉突发性故障。这个机制能大幅降低误报率，代价是故障检测延迟会多几秒，但对于绝大多数机械故障，这几秒延迟完全可以接受。
4.3 多测点融合决策：单点报警不可靠
如果只监测一个测点，漏报和误报会同时存在。比如轴承故障初期，振动加速度传感器的信号变化可能先于速度传感器。成熟的工业监控方案会在同一台设备上部署多个测点，包括驱动端、非驱动端的振动，以及温度、电流。多测点的异常分数做加权融合时，权重不是固定不变的。低频段振动可信度高用0.5，加速度高频段对早期损伤敏感但容易受干扰用0.3，温度响应慢但几乎不误报用0.2。当高频段和低频段分数同时超过阈值，根因定位的置信度会显著提升。这个加权融合的计算量很小，但对提升故障诊断准确率的帮助是立竿见影的。
5. 工程落地的避坑指南：平稳性误判、带宽玄学与告警风暴
5.1 平稳性检测误判导致频谱全错
现象：FFT频谱出现大量不明峰值，故障特征频率完全对不上。原因：信号包含明显的趋势项或启停瞬态，不满足平稳性假设。解决：在进入周期性识别前，先做一次一阶差分或趋势项去除，并用滚动统计量做验证。我踩过的坑是：某次压缩机数据包含了加压过程，转速从800转/分升到1500转/分，直接FFT后频谱一片混乱，看起来像多个故障同时发生。拆掉压力上升段后再分析，故障特征一下就清晰了。记住一个原则：宁可丢数据，不要用脏数据。
5.2 KDE带宽参数失效让异常分数集体失真
现象：异常分数曲线在设备正常运行时就频繁触及红色阈值。原因：带宽设置过小，核密度估计把每个样本都当成独立峰，正常波动的边界被抬高。解决：不要手动拍带宽，用网格搜索对每个特征维度做单独的带宽交叉验证。另一个原因是训练集没有覆盖完整工况，导致某些工况在特征空间里天然处于低密度区。解决方案是多收集一周以上的历史数据，且必须包含不同负载段。这条经验来自一个风电项目，当时只用了低风速数据训练，高风速下误报率直接击穿40%，换数据后问题消失。
5.3 告警风暴：单点异常被无关故障放大
现象：一个传感器报警后，关联的多个测点同时触发告警，运维人员疲劳应对。原因：根因定位逻辑没有做时序相关性验证，某个测点的冲击信号被传播到其他测点。解决：告警必须带时间窗和传播方向约束。比如轴承故障引起的振动总是先出现在离故障点最近的测点，约1毫秒后才传到远端测点。如果两个测点同时报警但没有明确的时间先后顺序，就不应该判定为同一故障。我在系统里加了一个互相关函数，用两个测点的时间延迟来判断传播方向，误报率降低了60%以上。
5.4 小波基与分解层数选择不合理
现象：用同一套参数检测不同设备，有的设备频繁漏报，有的设备频繁误报。原因：设备的结构刚度和故障形态不同，固定参数不适应。解决：设备类型配置化，齿轮箱用小波基sym8，轴承用db4；分解层数根据采样率动态计算，公式是int(np.log2(fs / target_freq))。最好在部署前用录制的故障数据回放一遍，校准每台设备的参数。这个校准过程需要半天时间，但换来的是系统上线后几个月的稳定运行。所谓人工智能运维平台，参数可调、逻辑可见比模型复杂更重要。
5.5 数据质量问题：野值和丢包比算法误差更致命
现象：模型在实验室表现很好，到现场就频繁报错或误判。原因：现场信号连接接触不良、ADC饱和、传输丢包，导致时序数据出现尖峰和空洞。解决：在算法前加一层数据质量检查，检测连续等值、绝对跳变超限、时间戳间隔异常三种情况，标注为坏数据并剔出分析流程。清洗逻辑要保守，宁可漏掉一个样本也不能把坏数据喂给KDE模型。有个案例让我印象很深：传感器线缆松动产生周期性尖峰，小波高频能量异常升高，系统连续报轴承故障，拆开后轴承完好。查了两天才发现是线缆问题，从此数据质量检查成了系统的第一道工序。
6. 进阶：把离线分析变成在线自适应的三个技巧
先说说离线分析和在线分析的本质区别。离线分析可以用录波文件反复跑，参数不好就调参数。在线分析没有后悔药，模型参数一旦部署，设备状态随时在变。第一个技巧：KDE模型要定期增量更新。轴承磨损是缓慢过程，正常状态的特征分布会逐年漂移。我设定每月用最近30天的数据重新拟合一次KDE，同时保留一个月以上的训练数据窗口，避免设备刚换完配件后的短暂异常被当成新常态。增量更新用sklearn的partial_fit就行，但要注意新数据里不能包含故障段。
第二个技巧是频谱基线的自适应。设备更换轴承或大修后，振动特征频率的幅值基线会变化。如果基线不更新，系统会一直误报。我在系统里维护两个基线：短期基线用最近一周，长期基线用最近三个月。当短期基线相对长期基线变化超过两倍时，触发基线重估流程，让工程师确认是否设备状态真实变化，确认后平滑过渡新基线。这个机制让系统能跟着设备生命周期走，而不是越报越烦。
第三个技巧是将多个异常分数合成一个健康指数。单纯看异常分数不够直觉，现场工程师更习惯看0到100的评分。我做法是把KDE异常分、频谱幅值比、温度趋势分三个量做加权平均，权重根据设备类型预设，再用指数平滑消除抖动。当健康指数低于60分时，平台自动给出维护建议。你敢说这套系统是AI运维平台，因为它确实能从数据里给出可执行的决策建议。
最后收个尾：我每次做新设备的算法部署，第一件事不是调参，而是找现场的老师傅聊一小时，搞清设备有哪些工况、最怕哪种故障、报警后有没有处置优先级。这些信息会直接改变特征选择和阈值设定。技术再强，脱离了现场约束就容易做出正确却无用的诊断。希望这些经验能帮到你，少走我当年走过的弯路。
本文还有配套的精品资源，点击获取
