如何基于Pandas DateTime识别传感器数据的中断时段及时长

核心判定逻辑很简单：传感器正常工作时，相邻两条有效采集数据的上报间隔不会超过「上报周期+合理延迟容差」，超过这个阈值的区间即为中断时段。容差一般设3-5分钟就行，对应工业网络/公网的偶发延迟，避免误判。

小数据量离线排查方案（零依赖，直接遍历即可） #

适合单传感器少量历史数据排查的场景，不用搭额外组件，用Excel、Python脚本甚至SQL都能快速实现：

• 先做数据清洗：把所有上报记录按采集时间戳升序排列，剔除时间戳非法、重复上报的脏数据；如果传感器有断网补报机制，必须用数据自带的实际采集时间戳，不能用数据入库的服务器时间，否则会漏判
• 设判定阈值：按20分钟上报周期，常规阈值设为25分钟，现场网络差的话可以放宽到30分钟
• 逐行计算相邻两条记录的时间差：
  • 若时间差 > 阈值，标记中断起始点为「上一条记录的时间戳 + 20分钟」（也就是本应收到下一条上报的时间点）
  • 标记中断结束点为「当前记录的时间戳」，两者的差值就是中断时长
• 最后过滤掉时长小于20分钟的片段（基本都是偶发丢包/延迟导致的误判，不算有效中断），剩下的就是所有符合要求的中断时段。

对应示例里的40分钟停机场景，上报序列为8:00、8:20、9:20、9:40，按上述逻辑计算，8:20和9:20的间隔为60分钟超过阈值，中断起始为8:40、结束为9:20，刚好40分钟，和示例结果一致。

大规模传感器实时监控方案（用时序数据库原生能力） #

如果是上百上千个传感器需要实时识别中断、做告警，不用自己写遍历逻辑，直接用时序数据库的内置函数，性能高逻辑也稳：

• 用InfluxDB/TimescaleDB的话，直接用窗口偏移函数取每条记录的上一个时间戳，计算差值后筛选超过阈值的区间，再把连续异常点拼接成完整中断段即可
• 用Prometheus做监控的话，直接取指标的时间戳做差值计算：timestamp(sensor_metric) - timestamp(sensor_metric offset 1) > 25*60，触发条件时自动记录中断开始时间，指标恢复上报时记录结束时间，还能直接对接告警通道
• 要降低误判率可以加辅助校验：比如中断期间传感器读数无变化、设备离线状态位为1，和时间差判定做与逻辑，能过滤掉绝大多数网络偶发丢包导致的误报

避坑要点 #

• 别把阈值卡成刚好20分钟，现场网络几乎不可能做到零延迟，卡太严会产生大量无效误报
• 传感器首次上线前、永久退役后的空窗期要单独打标，不要计入运行周期内的中断时长
• 遇到批量上报的补传数据，一定要先按采集时间戳排序再计算，不能按数据到达服务器的顺序算，否则结果完全不准

内容的提问来源于stack exchange，提问作者Eliz Lim