无监督学习（工业）

无监督学习是没有标注答案的机器学习。模型不需要看一千个『这批是废品、这批合格』的例子，而是摄入产线的原始历史并学习其结构：哪些变量联动、每种产品的正常包络长什么样、班次和季节如何改变它。对这个已学结构的偏离就是异常——打破模式的变量就是根因候选。

为什么工厂是它的天然栖息地

监督学习需要标注，而工厂标注既稀缺又偏斜：废品率2%的产线给你的『好』样本是『坏』样本的50倍，坏样本还很少附带记录在案的原因。无监督方法绕开了这个问题——每家工厂都富余的正常生产本身就是训练集。这就是当前部署最快的平台核心都是无监督的原因：价值开始之前什么都不必标注。

没人监控的根因

阈值监控只保护有人选择保护的变量。无监督模型监控给它的一切——同时数百个变量（当前平台达700+）——因此常把废品高峰归因于一次交互：某批原料遇上磨损的模具再加某温区2°C的漂移，其中没有任何一项越过单独的报警限。这一方法的厂商自报结果最高达−58%废品和优化产线−20%能耗。

评估时该要求什么

两件事把有用的部署和噪声制造机分开：归因（每个异常必须带着排序后的贡献变量到达）和工况感知（模型必须分得清换产和工艺漂移）。要求厂商在您的数据上演示这两点，而不是演示数据集。

常见问题

工厂里监督学习和无监督学习有何区别？

监督模型从标注样本学习（这些批次是废品）并预测该标签；无监督模型学习正常运行的结构并标记偏离。工厂在标注充足处用监督（视觉检测），在异常检测和根因发现上用无监督。

无监督学习需要数据科学家吗？

当前这代平台就是为不需要而造的：模型在产线历史上自行训练，报警带着贡献变量到达，工艺工程师直接行动。这种可操作性是核心采购标准，不是加分项。