在数据分析实验室，我们把设备侧时序数据接入后最常见的问题归纳为一句话：模型上线即开始衰减。以某注塑车间的能耗与节拍数据为例，换型、换模、季节温度变化都会让输入分布偏移，模型精度下降却不报错。
近期进展：我们搭了一套轻量漂移监控流程，分三层落地。第一层按特征计算滑动窗口下的分位数漂移与KS统计量，得到漂移分数；第二层按工况分段建立基线（换型后、夜班、夏季），避免整体统计掩盖局部偏移；第三层按分数分级响应——仅告警、触发标注抽样、进入重训队列。
阶段性数据：在三个月的数据回放中，特征级漂移平均比指标级（MAE）恶化提前6至11天出现，约七成真正需要重训的场景可在指标劣化前被识别。把阈值调低后误报上升，误报主要来自计划内换型，因此我们将换型计划作为已知事件先做白名单，再判定是否漂移。
下一步：把漂移分数与标注成本联合建模，用“预期收益／标注代价”决定是否重训；同时在边缘侧只回传压缩后的统计摘要，降低带宽与存储开销。
评论