智能传感器故障检测与预测性维护项目——功能介绍

1. 项目概述

本项目面向传感器设备的运行监测与预测性维护场景，构建了一套从模拟数据生成、异常/故障识别、未来趋势预测，到维修需求判定和结果可视化的机器学习原型。项目以电源/电压、电流、信号强度、响应频率、时间戳等运行指标为输入，帮助使用者发现异常设备、预测短期运行状态，并对设备是否需要维护给出辅助判断。

项目包含功能拆分版本、改进版本及整合版本：其中 Function 1 实现故障检测和未来状态预测，Function 2 实现维修判断；Improved Version of AI 针对简化的功率和信号强度数据提供可交互的改进流程；Conbination Function 则将数据生成、异常检测和维护预测串联为一体。

2. 核心功能

2.1 模拟传感器数据生成

项目可自动生成多种结构的 CSV 模拟数据，解决原型开发中真实传感器数据不足的问题。

基础功率与信号数据：生成 sensor_ID、power、signal_strength，并可附加分钟级 timestamp。
训练集生成：生成带 malfunction 标签的数据，用于训练或评估故障、维修判定模型。
测试集与标准答案生成：测试数据会去除 malfunction 列，而答案文件保留该列，便于进行盲测和预测准确率比较。
人工干预数据生成：按指定文件名输出带故障标签的样本，供人工维修判定流程使用。
多指标运行数据生成：生成时间戳、设备编号、电压、电流、信号强度和响应频率；其中约 10% 的记录被模拟为电压突降、电流异常、弱信号或频率异常等故障情形。
预测专用时间序列生成：按小时连续生成带时间戳的功率与信号强度序列，为趋势预测提供输入。

故障标签主要依据低功率/低电压或信号强度过低等规则生成，因此数据既包含正常工作区间，也包含可识别的异常区间。

2.2 无监督故障与异常检测

项目采用 IsolationForest（孤立森林）进行无监督异常检测，不依赖每条输入数据都人工标注。主要流程如下：

读取 CSV 数据并检查必需字段；
对数值特征进行标准化或 Min-Max 归一化；
使用电压、电流、信号强度、响应频率等特征训练孤立森林；
将模型输出转换为正常/异常标签，并导出异常记录；
对已有标准答案的测试集计算预测准确率。

系统会在多个随机 contamination（预期异常比例）候选值上进行试验，记录每次试验的异常比例及其与预设故障比例的差异，选择对应的检测参数。结果输出包括：

anomalies.csv：筛选出的异常设备/异常记录；
contamination_analysis.csv：不同污染比例参数的试验结果；
results.csv：基于功率和信号强度测试集的故障预测结果。

改进版故障检测还会利用训练集、测试集及测试答案文件，输出实际故障设备编号、模型识别出的异常设备编号和准确率，便于直观核验模型效果。

2.3 交互式异常结果查看

Interactive-Improved-AI for Malfunction Detection.py 提供 Plotly 交互式散点图：

横轴为功率，纵轴为信号强度；
以颜色区分模型预测的正常与故障状态；
鼠标悬停可查看传感器编号和状态；
分别展示训练数据和测试数据的预测分布。

这使使用者能从数据空间中快速观察异常点是否偏离正常运行区域。

2.4 未来运行状态预测

项目使用 Facebook/Meta Prophet 时间序列模型对传感器趋势进行短期预测。

可预测功率或信号强度；
将时间戳转换为 Prophet 所需的 ds 字段，将目标指标作为 y 字段；
对缺失值使用中位数填补；
使用日季节性和周季节性建模；
默认预测未来 24 小时；
输出预测值 yhat 及上下置信区间 yhat_lower、yhat_upper 至 forecast_data.csv。

针对多指标版本，程序会在终端提示用户选择预测“功率”或“信号强度”。基础功能版本还支持以电压历史数据为输入，完成未来 24 小时电压预测。

2.5 预测结果多样式可视化

趋势预测模块会将预测结果保存为多种图表，辅助理解未来状态及不确定性：

折线预测图：显示预测均值与置信区间；
面积图：突出预测范围；
按小时箱线图：观察不同小时预测值的分布；
柱状图：以误差线展示预测值及其区间；
电压趋势图：展示未来电压预测及置信区间。

2.6 是否需要维修的智能判定

项目使用 XGBoost 分类器实现维修需求判断，输出 0（正常/无需维护）或 1（需要维护）。实现了两类场景：

四特征维修判定：以电压、电流、信号强度、响应频率作为特征，并对模拟数据进行训练、测试划分和分类评估；
人工干预维修判定：读取含 power、signal_strength、malfunction 的训练和测试 CSV，将故障状态作为维修需求标签，对新设备数据进行预测。

整合版还会将孤立森林检测出的异常状态作为监督学习标签，并结合小时特征训练 XGBoost 模型，从而把“异常发现”进一步转换为“维护建议”。预测结果保存到 prediction_result.csv。

2.7 模型评估与可解释性

项目提供多种模型评估输出：

准确率（Accuracy）；
分类报告（精确率、召回率、F1 分数）；
混淆矩阵；
ROC 曲线与 ROC-AUC（整合版）；
特征重要性图，用于识别哪些运行指标对维修判断影响更大。

这些结果让使用者不仅能看到“是否预测正确”，也能评估分类器的区分能力和特征贡献。

2.8 维护状态与数据分布可视化

维修判定模块可输出以下分析图：

训练样本各特征按维护状态划分的密度分布图；
特征重要性条形图；
混淆矩阵热力图；
预测类别数量图；
需要维护与正常设备的比例饼图；
功率—信号强度分类散点图；
需要维护设备的功率、信号强度箱线图。

这些图表将模型预测转换为可直接查看的运行与维护状态概览。

2.9 十六进制温度转换工具

独立脚本 Transformation of temperature.py 提供传感器编码解析工具：将 10 位十六进制字符串视为 40 位数值，并线性映射到默认的 20°C 至 30°C 温度范围，输出保留两位小数的温度值。该工具可用于将原始设备编码转换为更容易理解的温度读数。

3. 项目流程

模拟/读取传感器数据
        │
        ├── 数据清洗、时间处理、标准化/归一化
        │
        ├── 孤立森林异常检测 ──→ 异常设备清单与参数分析
        │
        ├── Prophet 时间序列预测 ──→ 未来 24 小时趋势与置信区间
        │
        └── XGBoost 维修分类 ──→ 是否需要维护、模型指标与可视化

4. Function 1：故障检测与未来状态预测

拟定题目：基于孤立森林与 Prophet 的传感器故障检测及短期状态预测系统

Function 1 面向“设备当前是否异常、未来运行趋势如何”两个问题，形成从监测数据到风险预警的分析流程。模块首先生成或读取包含时间戳、电压、电流、信号强度和响应频率的传感器数据，并对数值特征完成缺失值处理、时间处理及归一化。随后利用孤立森林识别偏离正常运行范围的记录，通过多次尝试 contamination 参数，输出异常比例、参数差异分析和异常记录清单；图形版进一步生成污染率分析曲线，方便比较参数选择结果。

在趋势预测部分，Function 1 将历史时间戳和电压数据输入 Prophet 模型，预测未来 24 小时的电压变化，并输出预测均值和上下置信区间。预测结果既保存为 CSV，也可绘制电压趋势图。因此，该模块能够同时回答“哪些设备/时刻已经存在故障迹象”和“设备在接下来一段时间可能呈现什么状态”，适合作为预警与预防性检修的前置分析模块。

主要输出： anomalies.csv、contamination_analysis.csv、contamination_analysis_plot.png、forecast_data.csv、voltage_forecast.png。

5. Function 2：设备维修需求智能判定

拟定题目：基于 XGBoost 的多传感器特征设备维修需求判定模型

Function 2 面向“设备是否需要维修”的决策问题，将传感器运行指标转换为二分类维护建议。模块使用电压、电流、信号强度和响应频率作为输入特征，以 needs_maintenance 作为目标标签；程序会将数据划分为训练集和测试集，训练 XGBoost 分类模型，并输出每台待测设备的正常或需要维护预测结果。

除基础判定外，图形版还提供完整的模型分析能力：输出准确率和分类报告，生成特征重要性图和混淆矩阵；展示不同维护状态下的特征分布；并以预测结果计数图呈现待测设备的维护需求。由此，使用者既可以获得明确的维修建议，也可以了解模型主要依据哪些运行指标作出判断，以及模型的预测可靠性。

主要输出： 维护预测标签、feature_importance.png、confusion_matrix.png、data_distribution.png、prediction_results.png。

6. 主要输入与输出

类型	代表文件	作用
原始/训练数据	`train_data.csv`、`sensor_data.csv`、`intervention_data.csv`	保存传感器特征及部分故障标签
测试数据	`test_data.csv`	用于模型预测，不含或弱化故障标签
测试答案	`test_data_answer.csv`	用于核验故障检测结果
异常检测结果	`anomalies.csv`、`results.csv`	输出被识别为异常或故障的记录
参数分析结果	`contamination_analysis.csv`	保存不同异常比例参数的试验数据
预测结果	`forecast_data.csv`、`prediction_result.csv`	分别保存时间序列预测和维修预测结果
可视化结果	`feature_importance.png`、`confusion_matrix.png`、`roc_curve.png` 等	展示模型效果、特征贡献和运行趋势

7. 技术栈

数据处理：Pandas、NumPy
异常检测与预处理：scikit-learn（IsolationForest、StandardScaler、MinMaxScaler）
维修分类：XGBoost
时间序列预测：Prophet
静态可视化：Matplotlib、Seaborn
交互式可视化：Plotly

8. 项目价值

该项目展示了预测性维护的完整原型闭环：先用模拟数据快速验证方案，再通过异常检测发现未知故障，利用时间序列模型预判短期风险，最后通过分类模型提供维护建议和可解释的评估图表。它适合作为物联网设备监控、通信/传感器状态分析及机器学习竞赛类项目的基础实现，并可在接入真实设备数据后继续扩展为实时告警和运维决策系统。