基于 Syslab 的传感器异常检测实验案例：从数据生成到异常识别

一、为什么选择传感器异常检测？

在工程现场，温度、压力、流量等传感器数据能够反映设备运行状态。一旦某一路数据出现突变、漂移或异常波动，往往意味着设备状态发生变化。因此，如何从时序数据中识别异常，是工程数据分析、测试技术和工业智能运维课程中非常适合讲解的基础问题。

但在实际教学中，真实工业数据往往不易获取，数据标注也需要较高成本。为降低教学使用门槛，我们基于MWORKS.Syslab开发了一个传感器数据异常检测教学案例。案例通过脚本自动生成模拟传感器数据，并使用滑动窗口与 Z-score 方法完成异常检测、结果可视化和性能评价。

本案例已在MoHub 开源，提供完整代码、示例数据、运行脚本和配套教学文档。教师下载后可直接用于课堂演示、上机实验或课程作业。

案例开源地址：https://mohub.net/education/26317/summary

二、案例亮点

本案例围绕“传感器信号 → 异常检测 → 结果评价”的完整流程展开，主要特点包括：

• 自带数据生成脚本，无需额外准备真实工程数据；

• 覆盖突变、漂移、噪声、联动等典型传感器异常类型；

• 使用滑动窗口与 Z-score 方法，原理清晰，便于课堂讲解；

• 自动输出异常检测结果、评价指标和可视化图表；

• 配套学生实验指导书和教师使用建议；

• 提供 MWORKS AI 辅助学习提示词，支持代码解释、参数修改和实验报告生成；

• 案例已在 MoHub 开源，便于教师和学生下载、复现和二次扩展。

三、案例目标：这个实验要完成什么？

本案例围绕一个核心任务展开：

模拟工业设备运行过程，生成多通道传感器信号，使用统计方法检测异常，并定量评价检测效果。

学生可以通过本案例完成以下学习目标：

四、适用课程与教学场景

本案例面向高校教学场景设计，可直接用于课堂演示、上机实验或课后作业。

适用专业包括机械工程、车辆工程、自动化、测控技术、工业工程、智能制造等。

五、数据设计：没有真实数据怎么办？

本案例通过脚本自动生成 1200 个采样点的模拟传感器数据，包含三个通道：

在此基础上，案例设计了四类典型异常：

1. 突变异常：某一时刻数据突然升高或降低，模拟传感器接触不良、电磁干扰等情况；

2. 漂移异常：一段时间内数据缓慢偏离基准值，模拟传感器老化或零点漂移；

3. 噪声异常：短时间内出现剧烈随机波动，模拟信号线路干扰；

4. 联动异常：多个传感器之间出现不合理变化，模拟设备内部状态异常。

对于教学案例来说，使用模拟数据有一个明显优势：异常类型、出现位置和标签都可以控制，便于学生理解异常是如何产生的，也便于教师组织参数对比实验。

六、方法原理：滑动窗口与 Z-score 异常检测

本案例不依赖复杂的深度学习模型，而是采用适合课堂讲解的统计方法：滑动窗口 + Z-score 异常检测。

1. 滑动窗口

对时序数据设置一个固定宽度的观察窗口，例如默认窗口长度为 50。窗口沿时间轴滑动，每次提取当前采样点附近的一段数据作为局部上下文。

这样，一个采样点是否异常，不是和全局数据比较，而是和其附近一段时间内的局部数据比较。

2. Z-score 判断

对每个采样点，基于窗口内数据计算局部均值和标准差，然后计算 Z-score：

Z_i = |X_i - μ_local| / σ_local

当 Z-score 超过设定阈值时，将该点判断为异常。

默认情况下，本案例使用阈值 2.5。学生可以通过调整阈值，观察误检和漏检的变化。

简单伪代码如下：

for 每个采样点 X_i: 取当前点附近的滑动窗口数据 计算窗口均值 μ 计算窗口标准差 σ 计算 Z_i = |X_i - μ| / σ 如果 Z_i > 阈值，则标记为异常

这种方法原理直观、计算过程清晰，非常适合在工程数据分析、测试技术和人工智能导论实验课中讲解。

七、案例实现流程

整个案例分为四个脚本，按顺序执行即可完成完整实验。

生成传感器数据 ↓ 加入异常状态 ↓ 读取数据并绘图 ↓ 滑动窗口统计 ↓ Z-score 异常判断 ↓ 输出检测标签 ↓ 绘制异常检测结果 ↓ 计算准确率、误检和漏检

对应脚本如下：

01_generate_data.jl 生成模拟数据与原始曲线 02_detect_anomaly.jl 使用滑动窗口和 Z-score 检测异常 03_evaluate_result.jl 计算评价指标并输出实验结论 04_visualize_result.jl 绘制阈值对比和综合结果图

在 Syslab 中可按以下顺序运行：

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、代码结构说明

案例目录结构如下：

sensor_anomaly_detection/ ├── README.md # 案例说明文档 ├── data/ │ ├── sensor_data.csv # 自动生成的传感器数据 │ └── anomaly_result.csv # 异常检测结果 ├── src/ │ ├── 01_generate_data.jl # 数据生成 │ ├── 02_detect_anomaly.jl # 异常检测 │ ├── 03_evaluate_result.jl # 结果评估 │ └── 04_visualize_result.jl # 综合可视化 ├── figures/ │ ├── raw_sensor_data.png │ ├── anomaly_detection_result.png │ ├── zscore_sequence.png │ ├── anomaly_compare_detail.png │ ├── threshold_comparison.png │ └── detection_overview.png └── docs/ ├── 学生实验指导书.md └── 教师使用建议.md

案例提供完整代码和文档，学生可以先运行默认脚本，再进一步修改阈值、窗口长度或异常类型，观察检测结果的变化。

九、运行效果展示

以默认参数运行完整流程后，系统会输出异常检测结果和评价指标。

示例结果如下：

这组结果非常适合用于教学讨论。可以看到，虽然准确率较高，但这是因为正常点占多数；而召回率较低，说明默认参数下仍有不少异常点没有被检测出来。

这正好可以引导学生思考：

• 为什么异常检测不能只看准确率？

• 阈值变大后，误检会减少还是增加？

• 阈值变小后，漏检会减少还是增加？

• 对于漂移类异常，为什么简单 Z-score 方法不一定敏感？

• 在真实工程中，应该如何平衡误报和漏报？

十、如何在课堂中使用这个案例？

教师可以按照以下节奏组织课堂：

配套文档中包含：

• 学生实验指导书：包含实验目的、实验步骤、思考题和报告要求；

• 教师使用建议：包含课堂组织方式、上机实验安排、课后作业建议和 MWORKS AI 引导方式。

因此，教师可以将该案例直接作为一次完整的上机实验使用。

十一、MWORKS AI 如何辅助学生学习？

本案例提供了 MWORKS AI 辅助学习提示词。学生在实验过程中，可以借助 AI 理解代码逻辑、修改参数、扩展功能或生成实验结论。

例如：

1. 理解代码逻辑

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

2. 修改参数实验

请将异常检测阈值从 2.5 改为 3.0，并说明检测结果可能发生什么变化。

3. 增加新的异常类型

请在当前案例中增加一种间歇性振荡异常，并重新绘制结果图。

4. 生成实验报告结论

请根据本次实验结果生成一段实验结论。

5. 拓展学习

除了 Z-score 方法，还有哪些常见的时序数据异常检测方法？各适用于什么场景？

通过这种方式，案例不仅可以用于 Syslab 数据分析教学，也可以用于展示 MWORKS AI 在工程代码理解、参数修改和实验辅助中的作用。

十二、案例可以如何扩展？

对于学有余力的学生，本案例还可以继续扩展：

这些拓展方向可以作为课程设计、综合实验或学生课后实践任务。

十三、总结与案例下载

本案例围绕工业传感器异常检测场景，基于 MWORKS.Syslab 完成了模拟数据生成、异常注入、异常检测、结果可视化和性能评价的完整流程。案例无需外部真实数据，学生下载后即可运行，适合用于课堂演示、上机实验和课程作业。

案例特点包括：

• 自带数据生成脚本，无需额外准备数据；

• 覆盖突变、漂移、噪声、联动等典型异常类型；

• 使用滑动窗口与 Z-score 方法，原理清晰，便于教学讲解；

• 输出原始数据、检测结果、阈值对比等多类图表；

• 配套学生实验指导书和教师使用建议；

• 提供 MWORKS AI 辅助学习提示词，支持代码解释、参数修改和实验报告生成；

• 已在 MoHub 开源，支持下载、复现和二次开发。

完整案例文件、示例数据、运行脚本和配套教学文档已整理在 MoHub，欢迎下载体验。

案例开源地址：https://mohub.net/education/26317/summary
适用工具：MWORKS.Syslab
适用对象：高校教师、学生、工程数据分析初学者

欢迎高校教师和学生在教学实践中使用本案例，并基于 MoHub 开源案例进行反馈、改进和二次开发。