工业设备维护：如何将传感器数据数值化，定量化，发现“异常”点？【上篇】

在全球工业智能化转型的背景下，FA中设备维护开始越来越重视“预估性维护”，即通过提前捕捉设备潜在故障的征兆来预防突发停机。村田今年上半年即推出了用于工业设备预估性维护的、能够检测至可听范围上限20kHz的贴片型振动传感器件新产品，并在2026慕尼黑上海电子展展示了相关产品。本文将结合示意图和使用人工数据的具体事例，对常用数据解析方法的机制和实际应用进行通俗易懂的解说。

本系列文章中提到的“异常”是指表现出“与平时不同的行为”的数据点或其集合。此前介绍过的离群值检测、异常检测和变化检测的全部方法，其共同目的是将异常或变化有选择地识别出来。为了通过具体方法实现这一目的，首先需要将“与平时不同的行为”这一概念，即异常本身，进行有效的数值化和定量化。

将异常进行数值化和定量化后的指标，通常称为异常度。异常度是以被认为表现出平时行为的数据点或数据集合(正常数据)为基准，定义为某个数据点或数据集合偏离该基准程度的一个取正值的数值指标(图2)。

通过引入异常度，可以直观地理解为:如果某数据的异常度较小，其行为与平时相似;如果异常度较大，则表示存在异常。虽然异常度的定义会因所用方法而异，但其含义是与上述说明内容共通的。

图2. 基于两种传感器数据计算异常度，以及利用阈值进行判定的概念图。异常度是将相对于正常数据的偏离程度(双向箭头)进行数值化的指标，当其值大于红色虚线所示的阈值时，即判定该数据为异常(右图)。

为了使用异常度最终判断正常和异常，需要设定用于区分正常与异常的异常度阈值(上图2)。阈值的设定方法因具体方法而异，此外也常常根据使用者的需求来确定(详见下文的<专栏1>离群值检测、异常检测和变化检测方法的评估指标)。需要认识到的重要一点是，基本上不存在适用于所有方法的通用阈值标准，而是需要根据具体场合自行设定。

以上内容是理解离群值检测、异常检测和变化检测的多个方法时需要掌握的最低限度的要点。在记住这些内容的基础上，下一部分将深入介绍离群值检测和异常检测中具有代表性的利用正态分布的方法的细节。

利用正态分布的离群值检测和异常检测方法被称为霍特林（Hotelling）T2方法。

该方法假设为，当现有的正常数据为一维时，服从一维正态分布（图3-（i））；当为多维时，服从多维正态分布（图3-（ii）），并据此进行异常度的定义和阈值设定。

图3. 一维和多维正态分布的定义和具体示例。（i）对应一维正态分布，（ii）对应多维正态分布。（ii）为二维（