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.py，CSDN 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 IBM iot-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_forest
  contamination: 0.065
  n_estimators: 220
  random_state: 42

contamination 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：

pip install -r requirements.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 PyOD：

pip install -r requirements_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.py

Windows 用户也可以双击 run.bat，Linux 或 macOS 用户可以执行：

bash run.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_df = clean_sensor_data(df, sensor_columns=sensor_columns)

x_scaled, feature_df, _, feature_columns = prepare_features(
    clean_df,
    sensor_columns=sensor_columns,
    rolling_window=int(config["features"].get("rolling_window", 12)),
    diff_features=bool(config["features"].get("diff_features", True)),
)

detector = AnomalyDetector(
    algorithm=detector_cfg.get("algorithm", "isolation_forest"),
    contamination=float(detector_cfg.get("contamination", 0.065)),
    n_estimators=int(detector_cfg.get("n_estimators", 220)),
    random_state=int(detector_cfg.get("random_state", 42)),
)

detection = detector.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: 0.52
  medium_threshold: 0.68
  severe_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.csv

Streamlit 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：

pip install -r requirements.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。