在数据智能方向，我们近期把研究重点放在工业现场的能耗异常识别上：多数工厂只有总表数据，不足以定位异常设备。本阶段实验采用分项计量思路，在产线关键设备加装低成本电参量采集，把总能耗拆解到设备与班次粒度，再以历史工况为条件建立动态基线，而非固定阈值。
方法上，先按工单、产量与环境温度对齐时间序列，用分位数回归给出各设备在给定工况下的能耗区间，落在区间外且持续超过设定时长的片段才进入异常候选；随后用变化点检测区分「缓慢漂移」与「突发跃升」，前者提示设备劣化或保温失效，后者多对应空转、漏气或误开机。
阶段性进展：在某机加工车间两周的离线回测中，候选异常经现场确认的命中率约七成，其中空压机与冷却水泵的非生产时段空转占确认项的一半以上；基线漂移导致的误报在引入工况条件后明显下降。
下一步计划：补齐换型与停机时段标注，把单点异常聚合为设备级能耗画像，并验证基线随季节与产能变化的自适应更新策略。
评论