在设备数据智能方向，我们把“异常检测”从单一阈值问题，改为带工况条件的残差问题。多数产线告警误报高，并非模型能力不足，而是同一台设备在不同负载档、配方与班次下的数据基线不同，直接比阈值会把正常切换判成异常。
做法上分三步：先依据工况标签与负载特征做分段或聚类，把连续数据切成“同工况片段”；再在每个片段内建残差模型（统计基线＋轻量时序自编码器，按数据量选择），输出偏离分数；最后用“持续时长＋偏离幅度”双阈值聚合到产线节拍，抑制瞬时抖动。
要点：
· 进展：在某机加工车间 3 类设备、约 6 周历史数据上离线回放，每日常规误报由约 40 条降至 8～12 条，重点异常召回维持在 0.85 左右；推理放在边缘网关，单序列延迟低于 50ms。
· 下一步：回填批次质检结果，验证异常分数与不良率的弱监督关联；并尝试用少量人工标注做阈值自校准，减少换型后的重新调参成本。
结论偏保守：工况分段是当前收益最稳定的一环，模型复杂度可后置。
评论