FDC 异常事件分析工具｜设备数据与智能分析·设备数据异常根因定位（附源码）
（复制到编辑器，段落间距保持一致）
FDC 异常事件分析不该每次手做
报警一天几十条，真要用的那条反而找不到。 「FDC 异常事件分析」这件事本身就是重复劳动：换一批数据就要重做一遍，做十次就错十次，而且没人愿意做。
把 FDC 异常事件分析 从"报警列表"变成"根因线索"
FDC异常检测，支持规则引擎和统计方法。设备数据异常根因定位——把这段流程固化成一个桌面工具，数据进去、结论出来、图表直接能贴进报告。
工具结构
- 数据入口：导入 FDC / 报警日志或使用内置演示数据，配置规则后运行分析；
- 异常事件自动聚类与归类；
- 报警频次 Top-N 统计与排序；
- 多因子工艺窗口分析；
- 规则阈值与处置动作可配置；
- 风险排序输出，可直接排维护计划；
核心能力
- 异常事件自动聚类与归类。
- 报警频次 Top-N 统计与排序。
- 多因子工艺窗口分析。
- 规则阈值与处置动作可配置。
- 风险排序输出，可直接排维护计划。
怎么用
- 安装依赖：
pip install numpy matplotlib pandas tkinter； - 运行工具：双击或命令行执行主程序；
- 导入 FDC / 报警日志或使用内置演示数据，配置规则后运行分析；
- 查看分析结果，按需导出。
输出什么
- 分析结果：按贡献度排序的异常项。
- KPI 区：总量 / 占比 / 高频项。
- 输出建议：按优先级排列的处置清单。
判读要点（这部分比工具本身更值钱）
- 频次高不等于影响大：要看它是不是在关键参数上。
- 报警规则要有动作：只报警不动作的规则，最后都会被关掉。
- 先看长尾：高频问题通常已被处理，低频重复出现的才是漏洞。
- 模型输出当线索不当结论：落到参数调整前，一定要有实验验证。
使用边界
本工具基于仿真数据开发，真实场景需评估数据质量与模型适用性，涉及生产决策请保留人工确认环节，商用授权请联系作者。
下载入口
解压后先跑内置演示数据确认环境正常，再导入真实数据。遇到字段口径不一致时，优先改源码里的字段映射表，不要在 Excel 里硬凑。
