基于 Syslab 的传感器数据异常检测教学案例

本案例可直接用于课堂演示、上机实验或课程作业。

• 案例自带数据生成脚本，无需额外准备真实工程数据
• 学生可以通过修改阈值、窗口长度和异常类型观察检测结果变化
• 可结合 MWORKS AI 辅助理解代码、修改参数和生成实验结论

一、案例简介

本案例模拟了一个工业设备运行过程中温度、压力、流量三类传感器的实时监测数据，并内置了突变、漂移、噪声和联动等多种典型异常模式。学生通过 Syslab 平台，使用滑动窗口 Z-score 方法对数据进行异常检测，学习工程传感器数据的生成、读取、可视化、异常检测和结果分析的全流程。

核心价值：让学生在不依赖真实工业数据的前提下，完整理解从"传感器信号 → 异常检测 → 结果评价"的数据分析流水线。

二、适用课程

三、适用专业

• 机械工程 / 车辆工程
• 自动化 / 测控技术与仪器
• 电气工程及其自动化
• 工业工程
• 智能制造工程
• 数据科学与大数据技术

四、建议课时

• 课堂讲解：1 课时（45 分钟）
• 上机实验：1 课时（45 分钟）
• 课后拓展：自主安排（约 2~4 学时）

五、学生基础要求

• 对传感器和工业设备有基本认识
• 了解均值、标准差等基础统计学概念
• 具备使用 Syslab 运行脚本的基本能力
• 不需要任何机器学习或深度学习背景

六、教学目标

七、快速开始

环境要求

• Syslab 2026a SP1 或更高版本
• 无需安装任何额外第三方包（仅依赖 Syslab 内置的 TyPlot 和 TyBase）

运行步骤

# 步骤 1: 生成模拟传感器数据
syslab src/01_generate_data.jl

# 步骤 2: 执行异常检测
syslab src/02_detect_anomaly.jl

# 步骤 3: 评估检测结果
syslab src/03_evaluate_result.jl

# 步骤 4: 生成综合可视化
syslab src/04_visualize_result.jl

也可在 Syslab 编辑器中逐个打开脚本，按 Ctrl+Enter 逐步运行。

一键运行全部

在 Syslab 的命令窗口中执行：

include("src/01_generate_data.jl")
include("src/02_detect_anomaly.jl")
include("src/03_evaluate_result.jl")
include("src/04_visualize_result.jl")

八、文件结构

sensor_anomaly_detection/
├── README.md                          # 本文件
├── data/
│   ├── sensor_data.csv                # 生成的模拟传感器数据（自动生成）
│   └── anomaly_result.csv             # 异常检测结果（自动生成）
├── src/
│   ├── 01_generate_data.jl            # 数据生成脚本
│   ├── 02_detect_anomaly.jl           # 异常检测脚本
│   ├── 03_evaluate_result.jl          # 结果评估脚本
│   └── 04_visualize_result.jl         # 综合可视化脚本
├── figures/
│   ├── raw_sensor_data.png            # 原始传感器数据曲线
│   ├── anomaly_detection_result.png   # 异常检测结果图
│   ├── zscore_sequence.png            # Z-score 序列与阈值图
│   ├── anomaly_compare_detail.png     # 真实异常 vs 检测异常详细对比
│   ├── threshold_comparison.png       # 不同阈值检测效果对比
│   └── detection_overview.png         # 检测综合评价概览
├── docs/
│   ├── 学生实验指导书.md              # 面向学生的实验指导
│   └── 教师使用建议.md                # 面向教师的课堂建议

九、数据字段说明

十、算法流程

数据生成逻辑

1. 生成正常工况下的传感器数据（基准值 + 高斯噪声）
2. 注入四类典型异常：
   • 突变异常：某一时刻数据突然升高或降低
   • 漂移异常：一段时间内数据缓慢偏移
   • 噪声异常：短时间内出现剧烈波动
   • 联动异常：多传感器之间出现不合理变化组合

异常检测算法

对每个数据点 x_i：
  1. 取滑动窗口 [i-W, i+W] 内的数据段
  2. 计算该段的均值 μ 和标准差 σ
  3. 计算 Z-score: z_i = |x_i - μ| / σ
  4. 若 z_i > 阈值，则判定为异常

评价指标

TP = 正确检出的异常，FP = 误报，FN = 漏报，TN = 正确识别的正常点

十一、运行结果说明

执行全部脚本后，将生成以下结果：

1. 原始数据曲线 (figures/raw_sensor_data.png)：展示温度、压力、流量三类传感器在 1200 个采样点上的完整波形。
2. 异常检测结果图 (figures/anomaly_detection_result.png)：在三频道数据上叠加红色/紫色标记的异常检测点。
3. Z-score 序列图 (figures/zscore_sequence.png)：展示三个通道的 Z-score 时序与判定阈值的对比关系。
4. 阈值对比图 (figures/threshold_comparison.png)：对比 2.0、2.5、3.0、3.5、4.0 五组阈值下的检测效果。
5. 综合评价图 (figures/detection_overview.png)：在温度通道上以不同颜色标注 TP/FP/FN 三类点。
6. 评估报告（终端输出）：完整混淆矩阵和各项指标数值。
7. 实验结论（终端输出）：一段可直接引用到实验报告的分析文字。

十二、教学使用建议

课堂组织方式

建议教学顺序

1. 先讲背景：从"设备故障预警"的实际工程需求出发，引出传感器数据异常检测的重要性
2. 再讲方法：在黑板或 PPT 上讲解滑动窗口和 Z-score 的原理（建议 5~8 分钟的公式推导）
3. 运行验证：打开 Syslab 完整运行一遍全部脚本，展示生成的图表
4. 修改探索：让学生调整 WINDOW_SIZE 和 Z_THRESHOLD 参数
5. 讨论总结：引导学生思考"为什么会有误检和漏检"

十三、学生实验任务

基础任务（必做）

1. 运行全部四个脚本，理解每个脚本的输出内容
2. 将 Z-score 阈值从 3.0 改为 2.0，观察检测结果如何变化
3. 将滑动窗口从 50 改为 20 和 100，分别记录准确率和误检数量
4. 根据运行结果，填写实验报告中的"数据显示"和"分析结果"部分

进阶任务（选做）

5. 尝试单独对温度通道进行检测，并与多通道融合检测的结果进行对比
6. 思考：能不能在 Z-score 检测的基础上，增加一个"异常最小持续时间"的过滤条件？
7. 实验报告中讨论：这种方法在真实工业场景中有什么局限性？

十四、MWORKS AI 辅助学习提示

学生可以在 MWORKS AI 中输入以下提示词，辅助学习：

理解代码：

请解释 02_detect_anomaly.jl 中滑动窗口异常检测的实现逻辑。

修改参数：

请将异常检测阈值从 3 改为 2，并说明检测结果可能发生什么变化。

增加功能：

请在当前案例中增加一种缓慢漂移异常，并重新绘制结果图。

生成报告：

请根据本次实验结果生成一段实验结论。

原理探究：

Z-score 异常检测方法的原理是什么？它有什么优点和缺点？

拓展学习：

除了滑动窗口 Z-score 方法外，还有哪些常见的时序数据异常检测方法？

十五、常见问题

Q1: 运行时提示"找不到 TyPlot 模块"？

A: 请确认正在使用 Syslab 2026a SP1 或更高版本。TyPlot 是 Syslab 的内置模块，不需要额外安装。如果仍有问题，请检查 Syslab 安装是否完整。

Q2: 为什么改小阈值后，检测到的"异常点"突然非常多？

A: Z-score 阈值控制检测的严格程度。阈值越小，检测越敏感，越容易将正常波动判为异常（即误检增加）。这是预期的正常行为，也是本实验想要让学生观察和理解的核心现象。

Q3: 滑动窗口设为多大合适？

A: 没有绝对的"最优值"。窗口太小，局部统计量不够稳定；窗口太大，对缓慢漂移的检测可能滞后。一般建议窗口覆盖 10~100 个采样点，具体取决于信号特性。本案例默认设为 50，学生可以修改后对比效果。

Q4: 能否使用真实工业数据替换模拟数据？

A: 可以。只需确保真实数据的 CSV 格式与 data/sensor_data.csv 一致（列名为 time,temperature,pressure,flow,anomaly_label），然后直接替换文件即可运行检测脚本。如果没有真实标签，可以跳过评估脚本（03 和 04）。

十六、拓展方向

本案例由 MWORKS Syslab 教学团队开发，欢迎教师和学生在教学实践中反馈使用体验和改进建议。