第 12 期 | 异常检测方法论无故障样本下的智能预警工业诊断的现实是设备十年故障两次故障前兆数据只有几个小时——标准的监督分类在这种样本规模下数学上不成立。异常检测换了一种问法不学故障长什么样只学正常长什么样偏离正常即预警。这是工业预警系统的现实主力范式。一、异常检测的问题重构 监督分类的问法:这个样本是哪种故障?需要每类故障足够样本工业现实: 不可行异常检测的问法:这个样本偏离正常多远?只需正常样本即可建模工业现实: 主力范式异常检测的三个层级输出层级输出用途异常分数连续值0~1 或距离趋势监视、阈值设定二值判定正常/异常报警触发贡献分解哪些变量导致异常辅助定位根因二、方法谱系四大家族 异常检测方法谱系统计家族:3σ/控制图Hotelling T²距离/密度家族:KNN距离 LOF孤立森林边界家族:One-Class SVM重构家族:PCA重构误差自编码器AE统计家族过程工业的百年基石单变量控制图Shewhart/CUSUM/EWMA超控制限即报警简单可靠但变量各自为政Hotelling T²多变量联合的椭圆控制域考虑变量相关性——化工过程监控的经典但假设多元高斯分布非线性过程失真。距离/密度家族孤立森林Isolation Forest随机切分空间异常点容易被孤立切分路径短。优点无需距离计算、高维可用、几乎免调参——表格数据异常检测的默认首选LOF 局部离群因子比较样本局部密度与邻域密度擅长发现局部异常在 A 工况区正常、在 B 工况区异常的样本。重构家族当前的主流PCA 重构正常数据投影到主成分子空间再重构异常样本重构误差大。SPE平方预测误差指标是过程监控标准工具自编码器AEPCA 的非线性推广——编码器压缩、解码器重构只用正常数据训练。异常样本因不符合正常流形而重构误差大变体LSTM-AE时序重构、VAE概率化输出重构似然。三、重构式检测的工业实战框架 否是训练阶段收集正常运行数据数据清洗 剔除已有异常训练AE/PCA模型学习正常流形在验证正常数据上统计重构误差分布定阈值: 均值3σ在线阶段实时数据→重构误差误差阈值?正常 继续监视异常分数输出贡献变量分解贡献度各变量重构误差Top变量即疑点变量训练数据的纯洁性悖论训练集必须足够正常但历史数据中往往混有未标注的异常段。工程解法先用统计方法3σ/孤立森林粗剔除明显异常段训练初版模型用其重构误差再清洗一轮训练集迭代 2~3 轮收敛——用模型清洗模型的训练集是异常检测的标准自举流程。四、阈值设定与报警策略 ️异常分数是连续值阈值决定报警率。工业阈值设定的三级体系级别阈值含义处置提示级μ2σ轻微偏离密切观察看板黄点不打扰预警级μ3σ显著异常需人工确认推送确认工单报警级μ4σ 或持续越限高置信异常强制确认预案提示持续性约束单点越限多为噪声要求连续 N 点越限或M 点中 K 点越限才触发报警——这一简单规则可滤除 70% 以上的瞬时误报。五、从异常到诊断贡献分解 异常检测只回答不正常现场紧接着要问哪里不正常。贡献分解方法PCA/AE 重构贡献各变量的重构误差即其异常贡献度Top-N 变量直接输出SHAP 式分解对孤立森林等模型可用 SHAP 值分解各特征对异常分数的贡献。异常报警: 分数0.87贡献分解:压差波动度 贡献42%炉顶温度带宽 贡献31%ηCO下降 贡献18%诊断建议:指向煤气流分布异常建议检查布料与送风工程注意贡献分解给出的是统计疑点而非物理根因最终定性仍需工艺专家确认——异常检测的定位是预警与聚焦不是替代诊断。六、异常检测的评估难题 没有故障标签怎么评估检测模型三种务实方法注入式评估在历史正常数据上人工注入仿真异常阶跃/漂移/卡死测试检出率与提前量回溯式评估收集已发生的故障案例哪怕只有几例回溯检测模型在故障前 1~24h 的分数曲线验证是否有可观测的前兆响应运行式评估上线后以误报率日均报警数× 专家复核确认率为运营指标滚动优化阈值。 本期小结异常检测以正常性建模绕开故障样本稀缺是工业预警的现实主力方法谱系统计T²、距离孤立森林、边界OCSVM、重构PCA/AE表格数据默认孤立森林时序重构用 LSTM-AE训练集纯洁性用模型自举清洗迭代保证三级报警持续性约束控制报警疲劳贡献分解辅助根因聚焦评估三法注入式、回溯式、运行式。下期预告第 13 期破解工业小样本困局——迁移学习跨工况、跨装置、跨企业的模型复用方法与边界。作者高炉炼铁智能化技术研究者专注钢铁冶金与人工智能 交叉领域。 如果觉得有帮助请点赞、收藏、转发版权归作者所有未经许可请勿抄袭套用商用(或其它具有利益性行为)。 关注专栏不错过后续精彩内容