用 Grafana 做温湿度异常检测：从阈值告警到趋势预测

前面两篇我们讲了：

• 以太网温湿度变送器怎么把数据变成网络节点
• 边缘网关怎么把数据"干净地"送进时序数据库

这一篇接着往下走：数据已经在时序库里了，怎么在 Grafana 里把它用起来？

很多人的 Grafana 只停留在"画条曲线看看"，但温湿度监控真正有价值的是三件事：

1. 异常能告警（不是毛刺就炸群）
2. 趋势能预测（空调快不行了提前知道）
3. 排障能溯源（哪一段数据有问题一眼看清）

下面按"阈值 → 智能检测 → 趋势预测 → 告警降噪"四层来拆。

---

一、先搭一个能用的温湿度看板

假设数据已经写在 InfluxDB 里，measurement 结构如下：

measurement: environment
tags:      device_id, location, room
fields:    temperature, humidity, dew_point

1. 温度趋势面板（Flux 查询）

from(bucket: "sensor_data")
  |> range(start: v.timeRangeStart, stop: v.timeRangeStop)
  |> filter(fn: (r) => r._measurement == "environment")
  |> filter(fn: (r) => r._field == "temperature")
  |> filter(fn: (r) => r.device_id == "${device}")
  |> aggregateWindow(every: v.windowPeriod, fn: mean)

湿度同理，双 Y 轴放一张图里：

• 左轴：温度 ℃
• 右轴：湿度 %RH

2. 面板阈值配色（别只画线）

在 Panel → Thresholds 里配：

指标	正常	预警	严重
温度	18~27℃	>28℃	>32℃
湿度	40~60%	<30% 或 >70%	<20% 或 >80%

经验值：

机房冬季重点看下限（静电），夏季重点看露点（结露）。

别全局写死一个阈值，按房间/季节分组配置。

---

二、第一层：静态阈值告警（先解决"能报警"）

Grafana Alerting 里新建规则：

查询 A（最近值）

from(bucket: "sensor_data")
  |> range(start: -5m)
  |> filter(fn: (r) => r._measurement == "environment")
  |> filter(fn: (r) => r._field == "temperature")
  |> filter(fn: (r) => r.device_id == "rack-a-01")
  |> last()

表达式

• Reduce：last()
• Threshold：is above 28

评估策略

• Evaluate every：30s
• Pending period：1m（连续 2 次越限才触发）

关键：Pending 一定要有。

传感器偶发毛刺、网络重传、空调启停瞬间，都会产生假峰值。

通知渠道接：

• 企业微信 / 钉钉机器人
• Webhook → 运维平台
• 严重级别再叠加短信

---

三、第二层：别只盯绝对值，看"变化率"

真实机房里，最危险的往往不是"现在 30℃"，而是：

10 分钟内从 22℃ 涨到 29℃

这时候绝对值还没超阈值，但空调已经出问题了。

温升速率检测（Flux 思路）

last_temp = 
  from(bucket: "sensor_data")
    |> range(start: -10m)
    |> filter(fn: (r) => r._field == "temperature" and r.device_id == "rack-a-01")
    |> last()

first_temp = 
  from(bucket: "sensor_data")
    |> range(start: -10m)
    |> filter(fn: (r) => r._field == "temperature" and r.device_id == "rack-a-01")
    |> first()

// 用 map 做差值（示意）

告警条件：

• 当前温度 > 26℃
• 且 10 分钟温升 > 3℃

这种规则能抓到：

• 空调压缩机失效
• 冷通道封闭破损
• 机柜风扇停转

---

四、第三层：异常检测（让 Grafana 学"什么是正常"）

静态阈值有个死穴：

白天和夜里负载不同，温湿度基线本来就在变

这时候可以用两类做法。

---

方案 A：Grafana ML / Dynamic Alerting（Cloud 或插件）

Grafana ML 会基于历史数据训练：

• 趋势（trend）
• 周期性（日/周）
• 置信区间（upper / lower band）

它产出三个信号：

metric:predicted   # 预测值
metric:actual      # 真实值
metric:anomalous   # 0 正常 / 1 偏高 / -1 偏低

告警规则示例：

# 实际值明显偏离预测下界
temperature:anomalous != 0

或者：

abs(temperature:predicted - temperature:actual) > 2

优点：

• 不用手工调阈值
• 自动适应日周期、周周期
• 毛刺不误报，真异常才响

---

方案 B：自托管轻量异常检测（边缘算）

如果不想上云 ML，可以在边缘网关里算"滚动基线"：

import numpy as np

def zscore_anomaly(values, window=60, k=3):
    arr = np.array(values)
    baseline = arr[-window:]
    mu, sigma = baseline.mean(), baseline.std()
    if sigma == 0:
        return False
    z = (arr[-1] - mu) / sigma
    return abs(z) > k

Grafana 只负责展示 quality 字段：

• good
• spike
• drift
• anomaly

面板里用不同颜色标记，比"红绿线"信息量大得多。

---

五、第四层：趋势预测（在坏之前先知道）

温湿度监控的高级形态，不是"超了再报"，而是：

按当前趋势，未来 30 分钟会不会到危险区？

1. Grafana ML Forecast

在 Cloud 里建 Forecast Job：

• 训练窗口：30d
• 预测窗口：1h
• 算法：Prophet / MSTL

面板里会看到：

• 蓝色预测线
• 阴影置信带
• 绿色实际值

告警可以这样写：

temperature:predicted{ml_forecast="yhat_upper"} > 30

含义：

不用等真的 30℃，只要"预测会上去"就提前预警。

适合场景：

• 夜间无人值守机房
• 配电室、档案库、药仓
• 空调定时切换失败

---

2. 自托管简单线性外推（够用版）

边缘侧用最近 N 个点做一元线性回归：

import numpy as np

def linear_forecast(ts, vals, future_minutes=30):
    x = np.array(ts)
    y = np.array(vals)
    A = np.polyfit(x, y, 1)
    x_future = x[-1] + future_minutes * 60
    return np.polyval(A, x_future)

把预测值也写进时序库：

field: temperature_forecast_30m

Grafana 里画三条线：

• 实际温度
• 30 分钟预测
• 危险阈值线

值班人员看一眼就知道：

现在 26℃，但半小时后会到 31℃

---

六、告警降噪：别把运维逼疯

温湿度系统最容易出现"告警疲劳"。

1. 分级

级别	触发条件	通知方式
Info	湿度略偏干	仅看板标记
Warning	连续 2 分钟越限	企微/钉钉
Critical	预测将超阈值 / 设备离线	电话+短信

2. 抑制策略

• 同设备 5 分钟内不重复发
• 维护期静默（label: maintenance=true）
• 多设备同区域同时异常 → 聚合为"机房级事件"

3. 标签体系

告警 rule 上打标：

labels:
  device_id: rack-a-01
  room: A机房
  metric: temperature
  severity: warning

后面可以用 Alertmanager 做路由：

• A 机房 → A 组值班
• B 机房 → B 组值班

---

七、一个"能落地"的温湿度检测看板长什么样

建议分 4 个 Row：

Row 1：总览

• 当前温度 / 湿度 Stat 面板
• 在线设备数
• 活跃告警数

Row 2：实时趋势

• 温湿度双 Y 轴
• 阈值带
• 预测虚线

Row 3：异常诊断

• 温升速率
• 露点温度
• 数据质量分布（good/bad/spike）

Row 4：事件与追溯

• 告警时间线
• 设备离线记录
• 边缘网关缓存积压

大屏原则：

**一眼看状态，点进去看细节。**​

别把 20 张图塞一屏。

---

八、踩坑清单（很实战）

1. 时区不对
   Grafana 用 UTC，业务用北京时间，曲线对不上。
   → 数据源和面板统一时区。
2. 告警查询用了模板变量
   面板能用 $device，告警规则不能。
   → 告警查询写死 tag 或用 label matcher。
3. 只存原始值不存质量戳
   后面没法区分"传感器坏了"还是"真高温"。
   → 一定要带 quality 字段。
4. 预测模型没训练够
   只给 1 天数据，ML 学不到日周期。
   → 至少 14 天，理想 90 天。
5. 阈值全年不变
   冬天 30% 湿度已经很低，夏天 70% 才危险。
   → 阈值做成可配置，按季节/房间维度管理。

---

九、小结

温湿度监控在 Grafana 里的演进路径其实是这样：

画曲线
  ↓
静态阈值告警
  ↓
变化率 + 质量戳检测
  ↓
ML 异常检测（动态基线）
  ↓
趋势预测 + 前置告警

真正好的动环系统，不是"超温了叫一声"，而是：

在空调彻底失效前 20 分钟，你就知道要去看一眼。