方法 · 词条 · 更新于2026年9月1日
时间序列分析（工业）
要点速览
- 几乎所有工业ML都是时间序列ML：为有序、多变量、工况切换的传感器数据而造的模型。
- 干活的方法是多变量异常模型、漂移/变点检测和短程预测——不是通用LLM。
- 高频信号（振动、电气波形）是有专属平台的独立专业。
- 评估平台看行为（归因、工况处理、延迟），不看它引用的算法家族。
工厂数据就是时间序列数据：有序、稠密、多变量，并随换产不断切换工况。在它上面有效的ML是一个专门化家族，了解它的形状能让你对流行词免疫。
三种干活的方法
多变量异常模型学习众多变量的联合分布并据此给实时数据打分——异常检测和根因归因背后的引擎。漂移与变点检测找出行为的慢蠕变和突变——工艺信号预测性维护背后的前兆猎手。短程预测提前数分钟到数天预测目标（质量指标、能耗、剩余寿命）——预测性质量和维护排程背后的引擎。市面上每个平台都是这三者的某种打包，加上让它们可用的归因和UX层。
高频是另一个世界
振动和电气波形分析跑在千赫兹级，特征提取和自监督方法在此占主导；这就是设备健康专家和工艺ML平台即便在争夺同一份维护预算，仍是不同产品的原因。
LLM放哪里
不在这一层的任何地方。大语言模型不是为多变量数值推断而造的，可信的厂商会直说——他们用LLM解释时间序列模型的输出，而不是产出它。声称自家聊天机器人能直接分析您传感器数据的厂商，刚刚告诉了您一件重要的事。
常见问题
- 我需要知道厂商用什么算法吗？
- 不需要——您需要测试行为：它归因吗、处理工况切换吗、跑得动您的数据速率吗、能向工程师解释自己吗？算法清单一模一样的两家厂商，可用输出能差10倍。
- 时间序列基础模型呢？
- 预训练时间序列模型是活跃的研究方向，在产品里作为加速器出现（新产线冷启动更快）。2026年它们是工厂专属训练的补充，不是替代。
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。