设备历史数据分析进阶：聚合、趋势对比、异常识别

历史数据不是为了“存起来”，而是为了在关键时刻回答三个问题：发生了什么？为什么发生？下一次怎么提前发现？

很多团队把设备接入云平台后，第一步是看实时数据，第二步是做告警，第三步才会认真看历史数据。事实上，历史数据往往是物联网项目从“能用”走向“好用”的分水岭。

一条温度曲线可以告诉你设备是否过热；一组 30 天的聚合数据可以告诉你是否存在周期性波动；多个设备的趋势对比可以告诉你哪台设备正在偏离正常状态。ThingsCloud 已经为数值型属性提供了时序图表、聚合统计、统计信息和数据导出能力。本文重点讲进阶用法：聚合、趋势对比、异常识别。

一、先理解：原始数据和聚合数据不是一回事

设备上报的每一条属性数据，都会形成时间序列。对于温度、湿度、电流、压力、液位、能耗等数值型属性，ThingsCloud 可以直接查看时序图表。

但当时间范围变长，原始数据点会迅速变多。例如一个设备每 10 秒上报一次温度：

• 1 小时：360 个点。
• 1 天：8640 个点。
• 30 天：259200 个点。

这时候如果全部画在图上，曲线会变得密集，浏览器性能也会下降。聚合的目的不是丢掉数据，而是把数据变成更适合观察的粒度。

二、聚合怎么选：不同问题对应不同算法

ThingsCloud 支持平均值、最大值、最小值、中位数、首位数、末位数、首尾差值、次数统计、求和等聚合方式。选错聚合方式，结论可能完全不同。

一个常见错误：用平均值看告警峰值

如果一台设备在 1 小时内只有 2 分钟电流异常升高，使用“平均值”可能看不出问题；但使用“最大值”就能立刻发现峰值异常。

建议：

• 看环境趋势：平均值 + 中位数。
• 看安全风险：最大值 + 最小值。
• 看用量统计：求和或首尾差值。
• 看设备是否频繁波动：次数统计 + 最大值/最小值。

三、聚合间隔怎么选：粒度决定你能看到什么

聚合间隔越短，细节越多；聚合间隔越长，趋势越清楚。没有固定答案，关键看你想分析的时间尺度。

例如温室温度分析，如果你想看下午 2 点是否出现过短时高温，聚合间隔不能太大；如果你只想看 30 天温度是否逐渐升高，1 天聚合更清晰。

四、趋势对比：从“单条曲线”到“业务判断”

单条曲线只能告诉你某个指标变了。趋势对比可以告诉你变化是否合理。

1. 同一指标，不同聚合方式对比

以温度为例，把同一天的数据分别用平均值、最大值、最小值展示，可以快速看出：

• 平均值：整体温度水平。
• 最大值：是否出现高温风险。
• 最小值：夜间是否过低。
• 最大值 - 最小值：日温差是否过大。

如果平均值正常，但最大值反复超过阈值，说明不是整体环境问题，而是存在短时峰值，需要关注通风、负载或阳光直射。

2. 多个指标放在同一时间轴

在温室场景中，温度、湿度、光照、土壤湿度往往互相关联：

• 光照升高后，温度随之上升。
• 温度升高后，湿度下降。
• 灌溉后，土壤湿度上升，空气湿度可能也短时上升。

把这些指标放在同一时间范围内观察，可以帮助你判断自动化策略是否合理。例如补光灯开启后温度持续上升，可能需要联动风机或降低补光时长。

3. 同类设备横向对比

多台设备部署在不同区域时，横向对比非常有价值。

这种分析可以在看板中完成，也可以导出 CSV/Excel 后做进一步处理。

五、异常识别：先建立“正常”的样子

异常不是一个绝对值，而是对“正常模式”的偏离。设备历史数据分析的关键，是先建立正常基线。

1. 用最大值和最小值找边界

选择最近 7 天或 30 天，查看统计信息中的最大值、最小值、平均值和中位数。

如果历史最大压力为 0.5 MPa，正常运行范围在 0.3-0.45 MPa，那么告警上限可以先设为 0.6 MPa，而不是直接设成 0.5 MPa。阈值要留出合理余量，否则容易产生误报。

2. 用平均值和中位数判断数据是否被极端值影响

统计信息里有一个很实用的判断：

• 平均值接近中位数：数据分布比较平稳。
• 平均值明显大于中位数：存在异常高值。
• 平均值明显小于中位数：存在异常低值。

这对传感器噪声、瞬时冲击、采集异常很有帮助。比如压力数据偶尔跳到很高，但中位数稳定，可能是电磁干扰或水锤冲击，而不是长期压力偏高。

3. 用“次数统计”发现频繁抖动

有些异常不是数值超限，而是状态变化太频繁。例如继电器 1 小时内开关 200 次，可能说明控制逻辑有问题，或者阈值设置过窄。

这类问题可以用次数统计或设备消息日志辅助分析。对于控制类设备，建议配合告警规则的持续时间、恢复条件和自动化触发条件，减少抖动带来的误动作。

4. 用故障前后窗口定位根因

排查故障时，不要只看故障发生那一刻。建议选取：

• 故障前 1 小时。
• 故障发生期间。
• 故障后 30 分钟。

然后使用较短聚合间隔，例如 10 秒或 30 秒，观察温度、电流、压力、液位等关键指标是否存在先后关系。

很多时候，真正的根因发生在告警之前。例如水泵告警前，电流先升高，压力随后下降，最后液位没有变化。这可能指向管路堵塞或泵空转，而不是传感器本身故障。

六、把分析结果变成动作

历史数据分析的结果，应该反哺业务配置。

1. 优化告警阈值

不要凭经验设置阈值。先用 7-30 天历史数据找出正常范围，再设置上下限和持续时间。

示例：

2. 优化自动化策略

如果历史数据表明风机开启后温度下降很慢，可以增加动作：

1. 温度超过 32℃：开启侧窗风机。
2. 延迟 5 分钟。
3. 如果温度仍超过 30℃：开启顶窗或提高风机档位。

这比简单地“超温就开风机”更接近真实业务。

3. 优化设备和传感器安装

如果同类设备中只有某一个点位数据长期偏离，先不要急着调整平台配置。可能原因包括：

• 传感器安装位置不合理。
• 探头被遮挡、浸水或靠近热源。
• RS485 总线干扰导致数据跳变。
• 设备量程选择不合适。
• 传感器长期未校准。

历史数据能帮助你把问题从“感觉不对”变成“证据明确”。

七、什么时候需要导出数据

控制台时序图表适合日常查看和快速分析。如果你需要做更深入的建模、报表或跨系统分析，可以导出数据。

ThingsCloud 支持将当前图表数据导出为 CSV 或 Excel。你也可以通过 API 批量读取设备属性历史数据和聚合统计数据，用于：

• Excel/BI 报表。
• 能耗月报。
• 设备健康评分。
• AI 模型训练。
• 与 ERP、MES、CRM 等业务系统打通。

对于长期项目，建议建立固定的数据复盘节奏：每日看告警，每周看趋势，每月看设备健康和能耗。

八、一个完整分析流程

如果你不知道从哪里开始，可以按这个流程走：

1. 选择关键设备和关键属性，例如温度、压力、液位、电流。
2. 先看最近 24 小时，确认数据是否连续。
3. 切到最近 7 天，使用平均值观察趋势。
4. 切换最大值和最小值，识别极端波动。
5. 查看统计信息，对比平均值和中位数。
6. 选择异常时间段，缩小时间范围并降低聚合间隔。
7. 对比相关指标，寻找先后关系。
8. 将结论同步到告警阈值、自动化动作或设备维护计划。

结语

设备历史数据的价值，不在于曲线本身，而在于它让团队做出更可靠的判断。

聚合帮助你看清趋势，趋势对比帮助你理解关系，异常识别帮助你提前发现风险。把这三件事用好，ThingsCloud 不只是一个设备数据展示平台，而会成为项目运维、节能优化和业务决策的日常工具。

相关文档可参考：

• 设备属性时序图表
• 设备属性
• 项目 HTTP API - 读取设备属性聚合统计数据
• 设备历史数据分析，学会这几招就够用了