老工程师聊生产：时序数据异常预警，不是花架子是保命符

去年深冬的后夜班，我刚脱下外套准备在值班室泡杯茶，调度的电话就炸了。 1号冲压线主减速机抱轴了。 整线停摆。我们拉了三天，换了新轴，赔了客户两百多万的逾期赔款。 查后台曲线才发现，振动值连续六个小时飘在红线外，油温涨了快十度，就是没人盯着。 从那之后，厂里面咬咬牙上了时序数据异常预警。

说点行内干货，不是书上那套定义

说白了，就是把设备每天跑出来的一连串数据按时间排好，盯着它有没有变不对。 我们车间现在给主轴承采数据，一秒采8次振动值，一分钟存480个点，最早用的是阈值法，超过3个标准差就响警报。 现在市面上主要就两条路，一条是传统统计阈值法，一条是深度学习模型法。 阈值法好啊，装上去就能用，一线工人自己就能调参数。可缺点也明显，误报多。夏天车间油温本身就高，曾经一天跳了一百多次警报，最后工人烦了直接把报警关了。 深度学习法准确率高，能揪出来很多人看不出来的细微变化。可要求也高，得有至少半年的干净历史数据训练，我们车间一半是服役超过十年的老设备，早年哪存过那么多数据？ 机械车间减速机振动时序数据异常曲线图 说实话，行业内通常不说但实际在做的妥协，就是几乎没有工厂全交给AI跑。 都是深度学习先筛一遍可疑点，最后还是靠工人设的硬阈值拍板，真出了疑义还是得人去现场摸一摸。说白了，就是给人搭个帮手，不是来抢人位置的。

换个行业玩法完全不同，说两个真事

前几年帮一个做医药中间体的朋友改系统，他们做反应釜的温控预警。 他们的要求很极端，漏报率必须低于千分之一，误报多点无所谓，哪怕一周误报三次都能接受。 为什么？反应釜一旦温度失控，整釜料就废了，一锅料几百万，够买三套预警系统了。提前三天预警出来，哪怕错了，放放料降降温就行，成本很低。 另一个是我前阵子去参观的新能源动力电池PACK厂，完全反过来。 他们盯的是电芯电压的时序数据，要求误报率低于万分之一，漏几个反而没关系。 一分钟出12个电芯，流水线走起来，误报一次就得停线全检，耽误十分钟就是一百多件货出不来，损失比漏一两个次品大得多，漏的在后段测试工位还能拦下来。 动力电池生产线电芯电压时序异常点标注图 你看，同样是时序数据异常预警，场景不一样，要求能差出十万八千里。哪有什么通用的完美方案。 不过话说回来，很多厂家卖系统的时候，都说自己通用万能，骗不懂的人掏钱。

炒得越热，藏着的坑越没人说

炒得越热，藏着的坑越没人说 现在搞智能制造，搞进口替代，原来用老外的成套系统，现在换国产的，几乎都要加时序异常预警模块。 确实好用，原来我们主轴承都是两年一换，现在提前三个月就能揪出异常，磨一磨找找平，能多用到两年半，一套轴承十几万，一年就能省出两套的钱。 可行业有个不愿公开的难题，就是标准滞后太离谱。 现在公开的标准里，不管什么场景，都要求预警准确率不低于99%，招标的时候乙方都拍胸脯说能做到，装上去才发现根本不对。 就像刚才说的，化工要低漏报，动力电池要低误报，两个场景的准确率算法完全不一样，怎么能按同一个数字卡？ 最后就是，为了达标，集成商就调参数凑数字，看起来好看，实际用起来根本不好使，钱花了，最后还是一线工人遭殃。 很多人都不说，毕竟乙方赚了钱，甲方采购也交了差，只有干活的知道多难用。 昨天我还在磨床那边转，看新来的大学生调预警参数，我跟他们说我总结的土话： 干活先看曲线飘不飘，异常早揪比换件好。 什么模型什么算法都不如贴合你自己车间的实际重要，别迷信那些花里胡哨的概念。 对了，你们车间现在用的时序预警，一天要误报几次？有没有遇到过离谱的坑？