无标注时序数据的设备工况自动识别实验

工业现场的时序数据往往混杂多种运行工况，若不加区分直接建模，特征与目标之间的关系会被稀释。数据分析实验室近期围绕“工况自动识别”开展了一轮实验：在不依赖人工标注的前提下，将设备运行数据自动切分为可解释的工况段。

实验选取合作工厂三台设备的电流、温度、压力时序数据（约两周、百万级采样点），经降采样与滑动窗口特征提取后，对比 K-Shape 与 DTW 两种时序聚类算法的分段效果，并由工艺人员抽样复核。

阶段性结论：

• K-Shape 的单机分段耗时约为 DTW 的 1/8，边界准确率接近，更适合作为产线级预处理方案；
• 聚类得到的“待机—启动—稳态—停机”等典型工况段，与工艺人员经验标注的重合度约 85%，可直接用于能耗分析与后续建模的特征构造。

下一步将引入少量人工标注做半监督修正，并把工况识别封装为通用数据预处理组件，供实验室各建模项目复用。