工业时序异常检测AI：自监督预训练实验进展

近日，数据分析实验室完成了一轮工业时序异常检测方向的方法验证。产线传感数据——温度、压力、振动、流量——普遍存在标注成本高、故障样本稀疏的问题，纯监督模型在实际工况中难以稳定。本轮实验采用「自监督预训练 + 少量标注微调」两阶段方案：先在 6 台关键设备、约 45 天历史数据上完成表征学习，再以约 200 条经工艺工程师复核的异常片段做微调。

要点：相比纯监督基线，异常召回率提升约 11 个百分点，日均误报控制在运维可接受区间；
下一步：推进跨工况迁移评估，并将检测结果与根因归因模块耦合，验证「告警—定位—处置」闭环。

模型与特征工程管线已沉淀为可复用组件，计划接入另外两条产线开展跨工艺验证。