我有一个单变量时间序列信号。它是连接到发动机的加速度计的大小。
我需要创建一个算法来检测关闭状态，请参见下图中的黑线。信号的其余部分由空闲和活动状态组成。空闲状态看起来略高，活动状态往往有巨大的尖峰，通常比空闲和关闭的平均值更高。
虽然这很简单，但根据发动机的尺寸和传感器与振动的接近程度，几台机器具有不同的平均值。因此，使用阈值的想法将无济于事。
我考虑过 K-Means 算法。当三个状态可用时，它工作得很好。当一两个不存在时，结果会显着下降，因为它试图找到数据中不存在的两个类。
我试过隐马尔可夫模型。他们看起来很有希望，不幸的是，他们训练自己识别状态的分布，这些状态将再次从一台机器变为另一台机器。
我想到了使用标准化。但我很犹豫，因为关闭状态的平均值会相应改变。
您推荐哪些无监督或半无监督方法来检测关闭/空闲/开启状态？
由于您的“行为良好”数据，这似乎非常简单。
天真的方法是检查直方图！如您所见，OFF 状态通常具有较低的幅度。从您上面的标记数据中了解该幅度级别，您可以对直方图进行阈值处理。
为什么天真？：因为您看到误报（参见下午 4 点到 6 点之间的图。有一个类似于 OFF 的短状态，它不是 OFF）和误报（在晚上 9 点之后，您会立即看到 OFF 状态的峰值，其幅度远远超过 OFF )
是什么改进了这种幼稚的方法？：
提取时频特征（STFT、Wavelet等），如果您有标记数据，请将它们提供给分类器，如果您不使用这些特征进行一些EDA以查看那里是否可能进行聚类。根据你的数据，我很有信心你会得到很好的结果。
我想递归分析将是一个很好的选择（对你来说很有趣！）。特别是如果信号的动态是非平稳的（许多信号在实践中）。维基百科页面或此页面中解释的方法并不复杂。
祝你好运！