本系统采用主成分分析进行异常检测的方法如图1所示。该方法的具体流程如下：从设备控制器接收由电流互感器（CT）、脉冲编码器（PLG）等传感器采集的电信号，截取监控区间，获取多组设备正常运行时的基准数据波形；对正常运行时的信号波形进行主成分分析：设单信号波形由 N 个采样点构成，将其表征为 N 维空间向量；采集 X 组基准波形构成 N 维样本集，样本离散方差最大的方向即为第一主成分；与第一主成分垂直且扩散最大的方向为第二主成分；与第一、第二主成分均垂直且扩散最大的方向为第三主成分，以此类推，确定直至第N主成分的所有主成分；在此过程中，将与指定主成分（范围为第1至第N主成分）垂直方向的变化量（即“Q统计量”）作为异常程度的评价指标。通过上述方法，以多组正常数据计算得出的Q统计量为基准，对设备运行过程中的实时数据计算Q统计量，可将设备劣化引发的波形变化前兆以Q统计量的变化趋势形式可视化。通过设定阈值，即可实现异常检测。在主成分分析中，传统阈值监控方法难以识别正常区间内的细微波形异变，而Q 统计量能够对这类微弱变化实现精准捕捉与有效识别。

焊接机滑架的行走由电机旋转与驱动部件动作共同实现，因此，驱动部件的状态变化会体现在电机负载电流波形的变化中。滑架的监控时机可分为焊接动作与原点复位动作两种：焊接动作时，焊接速度需根据钢板材质调整，负载电流也会随之变化，难以评估动作是否异常；焊接后的原点复位动作中，滑架需沿整个行程以恒定速度移动，更易捕捉设备劣化的时间变化趋势。因此，本系统选择滑架原点复位过程中的负载电流作为监控对象。

图2展示了监控对象（伺服电机负载电流）的波形，以及数据采集所需的滑架当前位置、原点复位指令。在滑架行走监控中，为明确异常波形出现的位置，需将滑架整个行程范围纳入监控。因此，系统将“原点复位动作开始后，滑架当前位置≤Xm”且“原点复位指令为ON”作为数据采集的开始条件。

滑架数据采集的动作时间根据行程范围与原点复位速度计算得出。本系统对单个信号波形的最大采集能力为1ms/点，最多可采集300个数据点；本案例中采用150ms采集100个数据点的参数进行监控。

图3为作为基准波形采集的100次焊接数据。原点复位时的电流波形因加减速会出现波动，但由于监控时机统一，尽管存在轻微差异，各波形仍基本重合。系统基于这些波形差异计算主成分与Q统计量：当待判定数据的波形与基准波形存在差异时，Q统计量会上升。

图4展示了基准波形生成后4个月内Q统计量的变化趋势。图4中，阈值范围内的数据以绿色标注，超过阈值的数据以红色标注。由基准数据计算得出的Q统计量基准值为35.8。根据某焊接机的故障记录，行走设备平均每年发生一次故障。为在故障发生前检测到前兆，系统估算了10个月后的Q统计量上升幅度，将阈值设定为基准值的6倍（即214.8）。在本案例中，Q统计量在第1个月出现一次上升；第2个月后至第4个月，Q统计量持续上升，并在第4个月结束前超过阈值。在阈值超标的2周后，利用定期检修机会对设备进行检查，发现滚珠丝杠的丝杠轴与螺母存在损伤，验证了Q统计量上升与设备故障的关联性。

此次通过本系统的前兆检测功能，提前实施了计划性维修，避免了突发故障的发生。

图5展示了图4中①、②两处数据的采集波形。图5中绿色波形为基准波形，红色波形分别为①、②处的代表性波形。观察局部放大的代表性波形可知：①处（基准波形生成初期）的波形波动较小；②处（第4个月）的波形出现明显的细微波动。Q统计量的上升被认为与这种波动的加剧直接相关。

这种波形变化属于“正常数据分布范围内的异常数据波动”，传统的负载电流阈值判定监控方法无法检测到此类异常，而通过主成分分析，即使在正常数据分布范围内，只要波形与正常数据存在差异且差异增多，Q统计量就会上升，从而实现异常检测。