小样本工业设备故障预警建模方法实验

在制造业AI项目中，故障样本稀缺是预测性维护落地的普遍瓶颈。数据分析实验室近期围绕小样本条件下的设备故障预警开展了一轮方法实验，选取某机加工车间12台数控机床的振动与主轴电流时序数据（约3个月，含7例确认异常）作为验证对象。实验对比了三种思路：基于统计阈值的规则法、无监督孤立森林，以及引入公开轴承数据集预训练后再迁移的深度模型。初步结果显示：

• 在仅有7例正样本的条件下，迁移预训练模型对异常时段的召回率约0.83，误报约每台每周1.2次，优于纯无监督方案；
• 振动包络谱特征与电流波动特征的组合贡献了主要判别信息，单纯加大模型复杂度收益有限。

下一步将把验证范围扩展到不同品牌机型，检验跨设备迁移的鲁棒性，同时将现场点检记录结构化，逐步沉淀可复用的故障样本库。我们初步认为，小样本场景下“先迁移、后微调、持续积累”的路径更具工程可行性，相关结论将在后续实验中进一步验证。