方法 · 词条 · 更新于2026年9月1日
异常检测
要点速览
- 异常检测标记偏离已学正常模型的行为——同时看许多变量，而不是一次一个阈值。
- 它抓住多变量漂移：多个都在限内的小变化叠加在一起预示废品或故障。
- 报警质量决定成败：每次标记必须带排序后的贡献变量，并尊重运行工况。
- 它是管道的前端——检测、归因、行动——本身不是一个产品品类。
异常检测是工业ML的驮马：模型学习产线变量在正常生产中的联合行为，并用它给实时数据打分。高分意味着『这一刻不像任何良品历史』——往往远早于任何单一变量越过报警限。
阈值漏掉的东西
单变量报警漏掉主导实际损失的三种故障形态。组合：五个变量各漂移1%——单看无恙，合起来是废品签名。上下文：180°C对产品A正常、对产品B是灾难；学习型模型知道区别，静态限不知道。慢漂移：三周内向包络边缘的蠕变，每天扫一眼趋势图根本注意不到。对某些设备类别，工艺信号漂移也越来越多地被用作比振动更早的故障前兆。
避免报警大炮
经典的失败模式是一个喊狼来了直到操作工把它静音的系统。防线是：归因（每次标记列出主要贡献变量，工程师数秒内分诊）、工况感知（换产、开机和产品组合被建模，而不是被报警）、以及与工厂在乎的后果挂钩的严重度评分——预测的废品或质量影响，而非单纯统计距离。试点时就精确评估这些：每班报警数、工程师判定可行动的比例、从标记到解释的时间。
常见问题
- 异常检测就是预测性维护吗？
- 预测性维护是它的一个应用。机器信号上的异常检测预测故障；同样的数学在工艺信号上预测质量问题和漂移。平台的区别在于专攻哪类信号。
- 异常模型需要多少历史？
- 足以覆盖产线真实工况的正常生产——通常以月计。工况越多（产品、季节、班次）需要越多历史；产品稳定的产线用更少也能有效训练。
相关词条
正在比较能做这件事的平台？采用数据包包含本词条背后的市场数字。