特征工程基础：让传感器数据真正“说话”
说实话，很多做剩余寿命预测的朋友，一上来就急着调模型。我刚开始也是这样，觉得特征工程嘛，不就是标准化一下、算几个统计量？结果呢？模型效果差得离谱。后来我才明白——特征工程做不好，再牛的算法也是白搭。
这一章，咱们就聊聊传感器数据的“预处理三件套”：标准化/归一化、滑动窗口特征提取、特征相关性分析。这些都是我实际项目中反复踩坑、又反复验证过的经验。
1. 标准化 vs 归一化：别搞混了
先问个问题：你拿到一组传感器数据，温度是80-120℃，振动是0.1-5.0 m/s²，压力是0.8-1.2 MPa。这三个量纲完全不同，直接扔进模型会怎样？
嗯，模型会“偏心”——它会更关注数值大的特征，比如温度。这显然不合理。
标准化（Z-score）和归一化（Min-Max）就是来解决这个问题的。我个人的习惯是：
- 归一化：把数据缩放到[0,1]区间。适合数据分布比较均匀、没有极端值的情况。公式很简单：
X_norm = (X - X_min) / (X_max - X_min) - 标准化：把数据变成均值为0、标准差为1的分布。适合数据有异常值、或者后续要用PCA等算法时。公式：
X_std = (X - μ) / σ
我的经验之谈：在工业设备健康监测中，传感器数据经常会有突发性尖峰（比如瞬间冲击）。这时候用归一化，最大值会被这个尖峰“拉偏”，导致正常数据被压缩得很厉害。我建议优先用标准化，它对异常值更鲁棒。
来看一段Python代码，很实用：
from sklearn.preprocessing import StandardScaler, MinMaxScaler
import numpy as np
# 模拟传感器数据：温度、振动、压力
sensor_data = np.array([[85.0, 0.5, 0.9],
[92.0, 1.2, 1.0],
[78.0, 0.3, 0.8],
[105.0, 4.8, 1.1]]) # 注意振动有个尖峰
# 标准化
scaler_std = StandardScaler()
data_std = scaler_std.fit_transform(sensor_data)
# 归一化
scaler_mm = MinMaxScaler()
data_mm = scaler_mm.fit_transform(sensor_data)
print("标准化后:\n", data_std)
print("归一化后:\n", data_mm)
运行一下你会发现，那个4.8的振动尖峰在归一化后，把其他振动值都压到了0附近。而标准化后，分布就合理多了。
小技巧：如果你不确定用哪个，可以两个都试试，然后看哪个让模型收敛更快、效果更好。工业场景下，我80%的情况都用标准化。
2. 滑动窗口特征提取：从“点”到“段”的跃迁
单个时间点的传感器读数，信息量太有限了。你想想看，一个振动值突然升高，可能是故障前兆，也可能是传感器被碰了一下。怎么办？
我的做法是：用滑动窗口把连续一段时间的特征“打包”起来。这样就能捕捉到趋势和变化。
常用的窗口特征有：
- 均值：反映这段时间的“平均水平”
- 方差：反映数据的“波动程度”——波动越大，往往意味着异常
- 斜率：反映数据的“变化趋势”——是上升还是下降？
我在项目中遇到过这样一个案例：一个轴承的振动信号，均值一直很平稳，但方差在缓慢增大。如果只看均值，你会觉得设备没问题。但方差暴露了真相——轴承正在劣化。这就是窗口特征的价值。
代码实现也不复杂：
import numpy as np
import pandas as pd
def extract_window_features(data, window_size=10):
"""
滑动窗口特征提取
data: 一维传感器数据
window_size: 窗口大小
"""
features = []
for i in range(len(data) - window_size + 1):
window = data[i:i+window_size]
# 均值
mean_val = np.mean(window)
# 方差
var_val = np.var(window)
# 斜率（用线性回归的系数近似）
x = np.arange(window_size)
slope = np.polyfit(x, window, 1)[0]
features.append([mean_val, var_val, slope])
return np.array(features)
# 模拟一段振动数据
vibration = np.sin(np.linspace(0, 10, 100)) + np.random.normal(0, 0.1, 100)
# 在第50个点后加入劣化趋势
vibration[50:] += 0.02 * np.arange(50)
window_feats = extract_window_features(vibration, window_size=10)
print("窗口特征形状:", window_feats.shape)
print("前5个窗口的特征:\n", window_feats[:5])
注意：窗口大小怎么选？太小了，特征不稳定；太大了，会丢失局部变化。我一般从设备物理特性出发——比如轴承的旋转周期是0.1秒，那窗口至少覆盖2-3个周期。实在拿不准，就多试几个窗口大小，用交叉验证来选。
3. 特征相关性分析：别让“冗余特征”拖后腿
特征提取完了，你可能得到几十个甚至上百个特征。但问题来了——很多特征之间是高度相关的。比如温度和热膨胀系数，几乎线性相关。把这些都扔进模型，不仅增加计算量，还会导致过拟合。
我常用的方法是皮尔逊相关系数。它的值在-1到1之间：
- 接近1：强正相关（一个增大，另一个也增大）
- 接近-1：强负相关（一个增大，另一个减小）
- 接近0：基本不相关
来看一个实际例子：
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
# 模拟特征数据
np.random.seed(42)
n_samples = 100
features = pd.DataFrame({
'温度': np.random.normal(85, 5, n_samples),
'振动均值': np.random.normal(1.2, 0.3, n_samples),
'振动方差': np.random.normal(0.5, 0.1, n_samples),
'压力': np.random.normal(1.0, 0.1, n_samples),
'转速': np.random.normal(3000, 100, n_samples),
})
# 人为制造相关性：温度和压力正相关
features['压力'] = features['温度'] * 0.01 + np.random.normal(0, 0.05, n_samples)
# 计算相关系数矩阵
corr_matrix = features.corr()
print("相关系数矩阵:\n", corr_matrix)
# 找出高度相关的特征对（|相关系数| > 0.8）
high_corr_pairs = []
for i in range(len(corr_matrix.columns)):
for j in range(i+1, len(corr_matrix.columns)):
if abs(corr_matrix.iloc[i, j]) > 0.8:
high_corr_pairs.append((corr_matrix.columns[i],
corr_matrix.columns[j],
corr_matrix.iloc[i, j]))
print("\n高度相关的特征对:")
for pair in high_corr_pairs:
print(f"{pair[0]} 与 {pair[1]}: {pair[2]:.3f}")
运行后你会发现，温度和压力的相关系数可能高达0.9以上。这时候，我建议只保留其中一个，或者用PCA降维把它们合并。
避坑指南：我曾经犯过一个错误——把所有相关性大于0.8的特征都删掉了。结果模型效果反而变差了。为什么？因为有些特征虽然相关，但它们各自携带了不同的“信息维度”。比如温度和压力相关，但温度变化快、压力变化慢，两者结合能反映不同的物理过程。所以，相关性分析是参考，不是铁律。删不删，还得结合业务理解。
4. 知识体系总览
说了这么多，咱们用一张图来梳理一下本章的核心逻辑：
这张图清晰地展示了特征工程的三个核心步骤，以及它们之间的反馈关系。记住：这不是一个单向流水线，而是一个迭代优化的过程。你做完相关性分析后，可能发现某些窗口特征提取得不好，需要回去调整窗口大小——这很正常。
5. 写在最后
特征工程这件事，说白了就是“让数据自己说话”。标准化是让数据“说同一种语言”，滑动窗口是让数据“说完整的故事”，相关性分析是让数据“不说废话”。
我见过太多人把时间花在调模型参数上，却忽略了特征工程。结果呢？模型精度死活上不去。其实很多时候，好的特征工程比好的模型更重要。你想想看，如果输入的都是垃圾，再牛的算法也输出不了黄金。
下一章，咱们会把这些特征工程技巧应用到实际的剩余寿命预测案例中。到时候你会发现，前面这些“基础工作”有多值钱。
公众号:蓝海资料掘金营，微信deep3321