传感器异常检测中，能否删除读数恒定的传感器特征？

2026-11-04技术老齐

恒定读数可以有条件地移出模型，但仍需监测该传感器

传感器读数一直为 100，要判断能否将其从模型中删除，需要弄清读数为何恒定，以及希望发现什么异常。恒定读数不一定是噪声。

如果该传感器在相关正常工况下本应保持 100，可以考虑将其移出某个模型的输入，同时保留独立监测规则。如果它本应随运行状态变化，却始终停在 100，这可能是传感器卡死、数据未更新或采集链路异常的线索。

仅凭当前描述，无法确定删除后对模型的实际影响，还需要结合传感器含义、模型类型和验证数据判断。

先区分固定值、卡死和噪声

建议先核对以下情况：

正常固定值：设备运行时，这个测量值按设计就应基本保持不变。
工况造成的恒定值：当前数据只覆盖一种运行状态，换到其他状态后读数可能变化。
异常固定值：设备状态已经变化，传感器仍持续输出同一个数值。
数据处理造成的固定值：缺失值被填成 100、读数被截断，或者系统重复发送旧数据。

还应确认 100 是实际测量值还是控制设定值。两者保持恒定时，对异常检测的意义可能不同。

噪声通常指测量中的无关波动。把恒定值直接归为噪声，可能丢掉故障线索。温度突然升高也可能是真实异常，不能仅因它是尖峰就将其平滑掉。

删除后为什么可能影响模型

训练数据中完全恒定的特征无法体现样本之间的取值差异，通常难以帮助模型区分这些训练样本。但它仍可能对发现未来异常有用。

例如，sensor 3 在正常运行时始终为 100，故障时变成其他值。如果删除该特征，又没有额外监测，系统就失去了这条异常证据。

模型类型也会影响结果。基于重构误差的模型可能通过该通道偏离正常值来发现异常；其他模型未必能有效识别训练范围以外的变化。因此，恒定特征对模型的影响不能一概而论。

如果决定删除特征，需要同步调整预处理，重新训练并验证模型。不能直接在已有模型的预测输入中少传一列。

如何兼顾所有传感器的监测

可以把主要异常模型与传感器检查规则结合起来。

对于正常情况下应保持固定值的传感器，检查读数是否偏离参考值、是否缺失或长时间未更新。对于正常情况下应变化的传感器，则需要结合运行状态和时间窗口检查是否卡死。

下面的 Python 示例只演示固定值偏离检查。参考值和容差应根据设备要求或正常数据确定，不能从问题描述中推定：

import math


def check_fixed_sensor(value, reference, tolerance):
    if not math.isfinite(reference):
        raise ValueError("reference must be finite")
    if not math.isfinite(tolerance) or tolerance < 0:
        raise ValueError("tolerance must be finite and non-negative")

    if value is None or not math.isfinite(value):
        return {"status": "missing_or_invalid"}

    deviation = abs(value - reference)
    return {
        "status": "out_of_range" if deviation > tolerance else "ok",
        "observed": value,
        "reference": reference,
        "deviation": deviation,
    }

只有确认 sensor 3 正常时应为 100，才能把 100 作为 reference。这段规则无法单独发现“持续重复一个看似正常的旧读数”，还需要检查采集时间、更新时间或其他状态信息。

温度升高而压力不变，该如何解释

“温度突然升高，压力没有变化”可以用来描述观察到的现象。是否属于异常，取决于当前工况下两者是否应存在稳定关系。

可以先对齐采样时间，检查设备正常运行时温度与压力的关系，同时考虑响应延迟。如果压力通常晚于温度变化，两者在同一时刻的变化不同步未必代表故障。

异常报告应尽量记录发生时间、实际读数、参考范围、相关传感器表现，以及触发告警的规则或模型分数。如果使用 SHAP 等特征归因方法，其结果解释的是特征如何影响模型输出，不能直接证明机器故障的物理原因。

用对照验证决定是否删除

在相同的时间划分和评价标准下，比较保留恒定特征与删除恒定特征两种方案。预处理参数和恒定特征名单应从训练集确定，验证数据应覆盖后续时间段及相关工况。

重点检查已知故障是否漏报、误报是否增加，以及该传感器偏离正常值时系统还能否告警。如果缺少真实故障样本，可以构造偏离固定值、读数卡死或数据中断等测试，但这些测试只能检验对应情形，不能证明真实故障检测效果。

不必将每个传感器都接入同一个模型。保留原始数据、明确监测方式，并验证异常能否被发现，才能判断是否适合从某个模型中删除该传感器。