摘要本文围绕一个可以直接运行的工业设备异常检测项目展开项目使用温度、压力、振动、电流、转速、负载和环境温度等传感器数据完成数据读取、数据清洗、特征工程、Isolation Forest 无监督异常检测、报警分级、异常原因解释、设备健康评分和 Streamlit 可视化看板开发。项目不依赖 GPU不需要下载大模型权重本文运行效果使用 IBM 官方 IoT 传感器故障数据集通过python scripts/run_ibm_iot_real_data.py生成外部数据检测结果、报警记录、趋势图、风险曲线和健康评分图并使用 Streamlit 页面实际截图作为看板预览。它适合作为 Python 机器学习项目实战、工业 AI 课程设计、数学建模项目、预测性维护系统原型和企业设备监测看板的二次开发基础。关键词Python 机器学习项目实战、工业设备异常检测、Isolation Forest、PyOD、Streamlit、传感器数据分析、故障预警系统、设备健康评分、预测性维护、无监督异常检测项目资源说明本项目完整代码位于industrial_anomaly_warning_system/。内置样例脚本为run_demo.py外部正式数据运行脚本为scripts/run_ibm_iot_real_data.py可视化 Web 页面入口为app.pyCSDN 博客正文为blog.md。默认不需要任何深度学习模型权重weights/README_WEIGHTS.md已说明后续如何扩展 LSTM-AE、Transformer-AE 等模型。项目背景从传感器数据到设备故障预警工业设备一旦进入连续运行状态现场通常会持续采集温度、压力、振动、电流、转速、流量、负载、环境温度等数据。对于电机、风机、水泵、压缩机、数控机床、生产线传送装置这类设备来说很多故障并不是突然出现的而是先在传感器数据中表现为细微偏移例如振动逐渐升高、电流波动变大、压力持续下降、温度异常上升或者多个指标同时偏离历史正常状态。传统报警系统往往依赖人工阈值。例如温度超过 85℃ 报警振动超过某个固定值报警电流超过额定值报警。这种方法实现简单但问题也很明显。第一不同设备、不同负载、不同环境温度下的正常范围并不完全一样第二单个指标可能没有越界但多个指标组合起来已经暗示设备状态异常第三阈值设置过严会产生大量误报设置过松又会漏掉早期故障。机器学习异常检测适合解决这类问题。项目不要求提前收集大量故障标签而是通过历史运行数据学习设备的正常模式。当新数据偏离正常模式时系统会给出异常风险分数并进一步转换为报警等级。本文实现的项目不是简单地跑一个算法而是把异常检测做成一个完整系统数据输入、特征工程、模型检测、报警解释、健康评分、结果导出和可视化看板全部包含在项目里。本项目对应的典型使用场景包括工厂设备状态监测、泵站运行数据分析、电机振动预警、生产线质量巡检数据分析、数学建模课程设计、工业 AI 项目实战、预测性维护系统原型开发。相比图像检测、大模型问答和推荐系统这个选题的数据形态、应用场景和交付方式都不同更适合做差异化内容。在真实工业场景中异常检测通常服务于泵站、产线、机电设备和传感器采集系统。下面这张设备现场图可以帮助读者把后文的温度、压力、振动、电流等字段和实际设备运行状态对应起来系统功能设计与技术路线本项目的目标是实现一个“能跑、能看、能改、能扩展”的工业传感器异常检测系统。用户既可以运行内置样例流程快速验证代码也可以运行外部数据脚本下载并适配 IBM IoT 传感器 CSV随后完成检测并保存结果。如果用户有自己的 CSV 数据也可以通过 Streamlit 页面上传文件快速查看异常趋势和报警记录。项目主要功能包括内置传感器样例数据生成、外部 CSV 数据适配、CSV 数据读取、缺失值插补、滚动统计特征构造、Isolation Forest 异常检测、PyOD 可选算法扩展、异常风险分数输出、报警等级划分、异常原因解释、设备健康评分、结果 CSV 导出、趋势图保存、Streamlit 页面展示。整体技术路线如下工业设备传感器数据 ↓ 时间排序与缺失值处理 ↓ 温度、压力、振动、电流、转速等多维特征提取 ↓ 滚动均值、滚动标准差、差分和偏离量特征构造 ↓ 标准化为机器学习特征矩阵 ↓ Isolation Forest / PyOD 无监督异常检测 ↓ 异常风险分数归一化 ↓ 报警等级、异常原因和健康评分计算 ↓ 趋势图、报警表、CSV 报告和 Streamlit 看板展示从工程角度看这条路线有两个优点。第一个优点是低门槛。项目没有要求用户下载大型模型也不依赖 GPU普通 Windows 或 Linux 环境只要安装 Python 依赖就可以运行。第二个优点是容易扩展。当前版本使用 Isolation Forest 作为基础算法如果后续希望切换成 ECOD、KNN、LOF、AutoEncoder、LSTM-AE 或 Transformer-AE只需要保留数据清洗、报警分级、健康评分和前端看板模块把检测器替换掉即可。数据字段设计与外部数据说明为了让项目可以直接运行代码包内置了src/data_generator.py用于生成一份模拟工业设备运行数据。除此之外本文的运行效果使用 IBMiot-predictive-analytics仓库中的外部 IoT 传感器 CSV通过scripts/run_ibm_iot_real_data.py适配到项目字段。内置样例数据保存到data/sample_sensor_data.csv外部数据运行脚本会把 IBM CSV 中的temp、outpressure、footfall、PID、ClinLR、DoleLR、atemp等字段映射为项目中的温度、压力、振动、控制电流、转速、负载和环境温度字段并保留fail作为参考故障标签。这个标签只用于结果核对和页面展示不参与 Isolation Forest 训练。核心字段如下字段含义作用timestamp采集时间用于排序、趋势图和时间分析device_id设备编号支持后续扩展多设备管理temperature温度发现过热、散热异常、负载异常pressure压力发现泄漏、堵塞、压力波动vibration振动发现轴承、转子、安装松动等问题current电流发现过载、机械阻力变化rpm转速发现转速不稳、传动异常load负载辅助判断设备运行工况ambient_temp环境温度辅助解释温度变化known_failure_label外部数据参考故障标签仅用于结果核对不参与训练真实工业数据通常存在缺失值、重复时间、采样频率不一致、传感器漂移等问题。所以项目在src/preprocessing.py中单独写了清洗逻辑先按时间排序再对数值字段进行线性插值和前后填充。这样即使样例数据里故意加入少量缺失值主程序也能正常运行。这里要强调一点known_failure_label只是外部数据中的参考字段模型训练并不会使用它。原因是本项目定位为无监督异常检测大多数真实设备现场并没有完整故障标签。我们更希望系统从运行数据中自动学习“什么是正常”再用风险分数提示“哪里不太正常”。Isolation Forest 原理与项目建模方案Isolation Forest 是本项目的默认检测算法。它适合无监督异常检测核心思想可以简单理解为异常点往往和大多数样本差异较大在随机切分特征空间时更容易被较少的切分次数单独隔离出来正常点通常分布在数据密集区域需要更多切分才能被隔离。因此Isolation Forest 会通过多棵随机树统计样本被隔离的难易程度并据此给出异常分数。在 scikit-learn 中IsolationForest可以直接对特征矩阵进行训练和预测。项目中使用的关键参数包括detector:algorithm:isolation_forestcontamination:0.065n_estimators:220random_state:42contamination表示预计异常比例。它不是越大越好也不是越小越好。如果设置过大系统会把很多正常波动误判为异常如果设置过小系统可能漏掉轻微故障。当前项目默认设置为0.065也就是大约 6.5% 的样本会被模型重点关注。用户可以根据现场设备情况在configs/config.yaml中调整。项目中没有直接把原始传感器值送进模型而是构造了更适合异常检测的特征。以温度为例除了原始temperature还会构造temperature_roll_mean、temperature_roll_std、temperature_deviation和temperature_diff。这些特征能帮助模型捕捉局部趋势、突然变化和相对偏离而不是只看某一个时刻的绝对值。特征工程的思路如下原始传感器值当前时刻设备状态 滚动均值最近一段时间的局部基线 滚动标准差最近一段时间的波动程度 偏离量当前值相对局部基线的偏移 差分特征当前值相对上一时刻的变化速度这种设计比单纯使用原始字段更稳。因为设备正常运行时也会随着负载变化产生波动滚动统计特征能提供局部上下文使模型更容易发现真正异常的偏移模式。项目同时预留了 PyOD 算法扩展。PyOD 是异常检测方向常用的 Python 工具库包含 ECOD、KNN、LOF 等多种检测器。当前代码中已经写好可选入口如果安装requirements_pyod.txt可以在 Streamlit 页面选择pyod_ecod、pyod_knn或pyod_lof。如果没有安装 PyOD系统会自动回退到 Isolation Forest保证基础功能可运行。项目目录结构与环境配置项目目录结构如下核心文件说明如下app.py Streamlit 可视化看板入口支持参数配置、文件上传、趋势图展示和结果下载。 run_demo.py 一键运行演示脚本。它会生成样例数据执行检测流程保存 CSV、JSON 和图片结果。 scripts/run_ibm_iot_real_data.py 外部数据运行脚本。它会读取 IBM IoT 传感器 CSV转换字段执行检测流程并生成本文使用的真实运行结果图。 configs/config.yaml 项目配置文件用于控制样例数据规模、传感器字段、滚动窗口、算法参数和报警阈值。 src/data_generator.py 生成工业设备传感器样例数据并注入几类可解释异常。 src/preprocessing.py 数据清洗与特征工程包括缺失值处理、滚动统计、差分和标准化。 src/anomaly_detector.py 封装 Isolation Forest 和可选 PyOD 检测器统一输出异常风险分数和模型标签。 src/alert_engine.py 把模型结果转换为“正常、轻微异常、中度异常、严重异常”并生成异常原因。 src/health_score.py 根据异常风险和报警情况计算设备健康评分。 src/visualization.py 生成系统架构图、流程图、趋势图、风险曲线、健康评分图和报警表截图。 outputs/ 保存异常检测结果、报警记录和报告摘要。 images/results/ 保存运行效果图可直接插入博客。安装依赖pipinstall-rrequirements.txt基础依赖包括numpy、pandas、scikit-learn、matplotlib、Pillow、PyYAML和streamlit。如果只想运行run_demo.py核心依赖主要是数据处理、机器学习和绘图库。如果要启动 Web 看板需要安装 Streamlit。可选安装 PyODpipinstall-rrequirements_pyod.txt一键运行演示python run_demo.py使用外部 IBM IoT 传感器数据生成本文运行效果python scripts/run_ibm_iot_real_data.py启动 Web 看板streamlit run app.pyWindows 用户也可以双击run.batLinux 或 macOS 用户可以执行bashrun.sh数据清洗、特征工程与异常检测代码讲解项目的端到端流程封装在src/pipeline.py中。这个文件不是简单调用模型而是把多个模块串成完整流水线。核心流程如下clean_dfclean_sensor_data(df,sensor_columnssensor_columns)x_scaled,feature_df,_,feature_columnsprepare_features(clean_df,sensor_columnssensor_columns,rolling_windowint(config[features].get(rolling_window,12)),diff_featuresbool(config[features].get(diff_features,True)),)detectorAnomalyDetector(algorithmdetector_cfg.get(algorithm,isolation_forest),contaminationfloat(detector_cfg.get(contamination,0.065)),n_estimatorsint(detector_cfg.get(n_estimators,220)),random_stateint(detector_cfg.get(random_state,42)),)detectiondetector.fit_predict(x_scaled)清洗阶段主要做三件事。第一解析timestamp并按时间排序第二把传感器字段统一转换为数值类型第三对缺失值进行插值和前后填充。这种处理方式适合连续采样的传感器数据。如果某些设备的采样间隔非常不稳定后续可以先重采样到固定时间间隔再进入特征工程。特征工程阶段由build_feature_frame完成。项目会遍历每个传感器字段添加滚动均值、滚动标准差、偏离量和差分特征。例如对于vibration字段会生成vibration vibration_roll_mean vibration_roll_std vibration_deviation vibration_diff当前项目共有 7 个传感器字段每个字段生成 5 类特征因此最终特征数量为 35。运行结果摘要中也会记录这个数量方便用户检查配置是否生效。检测阶段由src/anomaly_detector.py负责。为了统一不同算法的输出项目把检测结果转换成以下字段anomaly_score 模型原始异常分数数值越大通常越异常。 anomaly_risk 归一化后的风险分数范围约为 0 到 1便于和报警阈值结合。 model_label 模型标签-1 表示异常1 表示正常。 model_result 中文结果异常或正常。 algorithm_used 实际使用的算法名称。这里需要注意的是不同异常检测算法的原始分数方向不完全相同。项目在封装层里统一了分数方向把“越异常风险越高”作为最终输出标准。这样后面的报警模块、健康评分模块和前端页面不需要关心底层算法差异。报警分级、异常原因解释与健康评分机器学习模型输出异常分数并不等于业务系统完成了。工业现场更关心的是这条数据是否需要报警、报警有多严重、可能是什么原因、设备整体健康状态如何。因此项目在src/alert_engine.py和src/health_score.py中加入了业务解释层。报警等级默认分为四类正常 轻微异常 中度异常 严重异常阈值配置如下alerts:minor_threshold:0.52medium_threshold:0.68severe_threshold:0.84当模型判定为异常或者风险分数超过轻微异常阈值时系统会进入报警逻辑。风险分数越高报警等级越高。这样做的好处是既保留模型标签又允许用户通过业务阈值进行二次调整。异常原因解释不是用复杂的黑盒解释算法而是用一套简单、可理解、可改造的方法系统先用正常样本计算每个传感器的均值和标准差然后判断报警样本中哪些传感器偏离正常基线最明显。例如某条记录的温度和电流都明显高于正常区间报警原因就可能输出为温度偏高、电流偏高如果压力明显低于正常区间同时电流偏高则可能输出为压力偏低、电流偏高这种解释方式虽然不复杂但非常适合项目展示和工程原型。它能让用户看到异常不是凭空出现的而是由具体传感器指标支撑的。后续如果要增强解释能力可以加入 SHAP、规则库、专家知识或故障树分析。设备健康评分的逻辑也尽量保持直观。项目根据归一化异常风险分数计算单点健康评分再计算滚动健康评分。风险越高健康评分越低模型判定为异常时会额外扣分。最终输出两个核心指标average_health_score 整段数据的平均健康评分。 latest_rolling_health_score 最近窗口内的滚动健康评分更接近当前设备状态。运行外部 IBM IoT 传感器数据后得到的摘要如下Records analyzed: 944 Alerts detected: 69 Average health score: 76.28 Latest rolling health score: 72.78 Max anomaly risk: 1.0 Algorithm used: isolation_forest内置演示流程会把摘要写入outputs/report_summary.json本文使用的外部数据流程会写入outputs/ibm_iot_report_summary.json报警记录会写入outputs/ibm_iot_alert_records.csv完整检测结果会写入outputs/ibm_iot_anomaly_detection_result.csvStreamlit 可视化看板与运行效果为了让项目不只是命令行脚本本文使用 Streamlit 开发了一个简单的 Web 看板。用户启动后可以在浏览器中查看设备状态调整检测算法和异常比例参数也可以上传自己的 CSV 数据。本文截图中的页面数据来源选择为IBM IoT 外部传感器数据不是代码生成的演示数据。启动命令streamlit run app.py页面主要包含四类信息。第一类是指标卡包括总记录数、报警数量、平均健康评分和最大风险分数。第二类是传感器趋势图系统会把异常点标注出来。第三类是异常风险曲线和健康评分曲线用于观察设备状态随时间变化。第四类是报警记录表展示报警时间、报警等级、风险分数和异常原因。看板预览图如下传感器趋势与异常点图如下异常风险曲线如下设备健康评分趋势如下报警记录表如下上面的看板图来自实际启动后的 Streamlit 页面截图趋势图、风险曲线、健康评分和报警表来自scripts/run_ibm_iot_real_data.py对外部 CSV 的真实运行输出并保存到images/results/。对于 CSDN 项目实战文章来说这一点很重要因为读者通常会先看运行效果再决定是否继续阅读代码说明。如果你希望换成自己的数据只需要保证 CSV 至少包含以下字段timestamp, temperature, pressure, vibration, current, rpm, load, ambient_temp然后在 Streamlit 页面上传即可。字段名不同的情况可以在configs/config.yaml里修改sensor_columns或者在src/data_loader.py中增加字段映射逻辑。结果分析、常见问题与扩展优化从本次外部数据运行结果看系统分析了 944 条传感器记录检测到 69 条报警记录报警比例约为 7.31%。其中严重异常数量为 3中度异常数量为 10说明系统能够把少量高风险点和较多中等风险点区分开。观察趋势图可以看到外部数据中负载扰动、压力、温度和控制信号出现明显偏离时风险曲线会明显抬升。健康评分图则会在异常密集出现的时间段下降能够从另一个角度反映设备状态变化。报警表中给出的“振动偏高、压力偏高、环境温度偏低”等原因来自模型对当前记录相对正常基线偏移程度的解释。常见问题可以从以下几个方面排查。运行时报缺少依赖。先确认是否安装了基础依赖pipinstall-rrequirements.txt如果只想运行基础版不需要安装requirements_pyod.txt。PyOD 是增强项不影响 Isolation Forest 版本运行。检测出的异常太多。可以降低configs/config.yaml中的contamination例如从0.065调整为0.04。也可以提高minor_threshold、medium_threshold和severe_threshold减少报警数量。检测出的异常太少。可以适当提高contamination或者降低报警阈值。也可以增加更多变化特征例如滚动最大值、滚动最小值、斜率特征、频域振动特征等。中文图表显示为方块。项目的src/visualization.py已经优先查找 NotoSansCJK、微软雅黑、黑体、苹方等中文字体。如果本机没有中文字体可以安装 Noto Sans CJK 或微软雅黑字体再重新运行python scripts/run_ibm_iot_real_data.py或python run_demo.py。真实数据字段和样例字段不一样。可以修改configs/config.yaml中的sensor_columns。例如你的数据只有temperature、vibration和current就把列表改成这三个字段。代码会根据配置自动构造特征。项目能否用于真实工业现场。当前项目适合做原型、课程设计、算法验证和内部数据分析。真实现场部署还需要接入数据库、消息队列、实时采集服务、报警推送、权限管理和专家规则并且要结合设备类型和历史故障记录重新校准阈值。后续扩展方向包括支持多设备同时监控、接入 SQLite/MySQL/PostgreSQL、增加实时数据流、接入 MQTT、增加短信或企业微信报警、加入 SHAP 解释、加入 LSTM-AE 深度学习模型、接入 NASA C-MAPSS 数据集做剩余寿命预测、把 Streamlit 改造成 FastAPI Vue 前后端系统。总结与发布建议本文完成了一个完整的工业设备传感器异常检测与故障预警系统。项目不是只讲 Isolation Forest 算法概念而是围绕真实项目交付所需的内容展开有样例数据、有配置文件、有清洗代码、有特征工程、有异常检测、有报警分级、有健康评分、有可视化图表、有 Streamlit 页面、有 README、有运行脚本也有可以直接发布到 CSDN 的博客正文。项目默认不依赖 GPU不需要下载大模型权重适合普通电脑直接运行。它和常见的 YOLO 目标检测、RAG 知识库、CLIP 图片检索项目有明显差异数据类型是结构化传感器时序数据应用场景是工业设备监测和预测性维护展示形式是趋势图、报警表和健康评分看板。对于想做差异化 AI 项目实战内容的账号来说这个选题很适合发布。建议发布标题基于 Isolation Forest PyOD Streamlit 的工业设备异常检测与故障预警系统Python 机器学习项目实战建议标签Python 机器学习 异常检测 Isolation Forest PyOD Streamlit 工业设备 故障预警 传感器数据分析 预测性维护 数学建模 课程设计参考资料scikit-learn IsolationForest 官方文档 https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html PyOD 官方文档 https://pyod.readthedocs.io/ Streamlit 官方文档 https://docs.streamlit.io/ IBM iot-predictive-analytics IoT sensor dataset https://github.com/IBM/iot-predictive-analytics NASA C-MAPSS Jet Engine Simulated Data https://data.nasa.gov/dataset/cmapss-jet-engine-simulated-data如果需要继续强化项目可以优先做三件事。第一把样例数据替换为真实设备数据并调整字段配置第二增加多算法对比例如 Isolation Forest、LOF、ECOD、KNN 的报警结果对比第三把 Streamlit 看板扩展成支持多设备、多日期筛选和报警记录管理的完整系统。这样项目就可以从课程设计原型继续升级为更接近工程交付的工业 AI 数据应用。