在数据智能方向的实验中，我们把注意力从模型结构转回到数据本身。某条连续产线的软测量任务里，同一模型在不同班组、不同批次下的误差相差近一倍。排查后主因并非模型容量，而是数据侧的两件事：多源时序的时间基准不一致，以及工况切换后基线的缓慢漂移。
做法分三步：一是以主导变量的事件沿（批次起始、阀位跳变等）作为锚点，把 PLC、传感器与质检记录对齐到同一时间轴，将原来的秒级拼接近似改为事件对齐；二是按关键工况变量做无监督分层，分层后单独建模，避免跨工况混训互相拉扯；三是引入残差分布的在线监控，当滑动窗口内残差偏移超出阈值时触发增量更新，而非等到定期重训。
阶段性结果：在离线回放集上，分层建模相较全局单模型将软测量的绝对误差中位数降低约两成；漂移触发式增量更新把模型退化后的恢复时间从按周缩短到按天。样本量有限，该结论仍需更多产线验证。
下一步计划是把工况分层从离线脚本做成可配置的在线服务，并补充数据质量自动体检项，包括时间戳乱序、量纲突变与长时段缺失，让数据问题在进入建模之前就被暴露。
评论