時(shí)間序列變身AI訓(xùn)練樣本)
如果你在工廠里和實(shí)時(shí)數(shù)據(jù)庫(kù)打過(guò)幾年交道一定會(huì)有這種體會(huì)DCS 和 PLC 源源不斷地把溫度、壓力、流量、振動(dòng)這些測(cè)點(diǎn)寫進(jìn)歷史庫(kù)數(shù)據(jù)一秒一秒地滾動(dòng)永遠(yuǎn)沒(méi)有盡頭。這時(shí)候你想回答一個(gè)最簡(jiǎn)單的問(wèn)題——“這臺(tái)泵上個(gè)月一共異常過(guò)幾次每次異常前后發(fā)生了什么”——卻往往要翻幾天甚至幾周的歷史曲線寫一堆掃描腳本最后還得靠老師傅憑經(jīng)驗(yàn)圈出幾段“大概是故障”的時(shí)間。Event Frames事件幀解決的就是這個(gè)讓人頭疼的老問(wèn)題。我第一次在 PI System現(xiàn)在已并入 AVEVA里接觸這個(gè)概念時(shí)只當(dāng)它是一個(gè)給時(shí)間區(qū)間貼標(biāo)簽的小工具直到后來(lái)做設(shè)備故障診斷、批次質(zhì)量分析甚至給人工智能模型準(zhǔn)備訓(xùn)練數(shù)據(jù)集時(shí)才意識(shí)到它是工業(yè)數(shù)據(jù)領(lǐng)域被低估最嚴(yán)重、也最值得借鑒的設(shè)計(jì)之一。這兩年 AI 概念重新熱鬧起來(lái)大模型、AI Agent、智能體一個(gè)個(gè)往工業(yè)現(xiàn)場(chǎng)涌我卻越來(lái)越覺得Event Frames 這套十幾年前就成型的方法論在 AI 時(shí)代不但沒(méi)過(guò)時(shí)反而是很多人繞不開的那塊基石。這篇文章就聊聊它到底做了什么、為什么厲害以及落地時(shí)那些文檔里不愛寫的細(xì)節(jié)給正在和工業(yè)時(shí)間序列和算法打交道的朋友做個(gè)參考。1. 為什么說(shuō) Event Frames 是工業(yè)數(shù)據(jù)領(lǐng)域最精彩的設(shè)計(jì)之一1.1 時(shí)間序列數(shù)據(jù)天生缺少“邊界”先想一個(gè)最樸素的問(wèn)題一條時(shí)間序列有沒(méi)有邊界沒(méi)有。溫度測(cè)點(diǎn)從工廠開車第一天就開始記錄除非停車否則它永遠(yuǎn)不會(huì)主動(dòng)告訴你“這一段是一次加料”、“這一段是一次設(shè)備啟停”、“這一段是故障前兆”。工業(yè)實(shí)時(shí)數(shù)據(jù)庫(kù)本質(zhì)上是一部永不停機(jī)的 CCTV 監(jiān)控錄像每一條曲線都是連續(xù)畫面但沒(méi)有剪輯沒(méi)有鏡頭分割更沒(méi)有“第幾集發(fā)生了什么”的目錄。這種“無(wú)邊界”特性在傳統(tǒng)報(bào)表時(shí)代就已經(jīng)很痛苦了。想要統(tǒng)計(jì)一個(gè)月的非計(jì)劃停車次數(shù)一般做法是去翻報(bào)警歷史記錄查到報(bào)警時(shí)間點(diǎn)后再?gòu)膶?shí)時(shí)庫(kù)里手工截取前后各一小時(shí)的數(shù)據(jù)存成一個(gè)個(gè)文件然后在 Excel 里慢慢對(duì)比。流程繁瑣是一方面更麻煩的是每個(gè)人截取的時(shí)間窗還不一樣有人取前 1 小時(shí)有人取前 30 分鐘最后做出來(lái)的分析結(jié)果根本沒(méi)法橫向比較。我當(dāng)時(shí)最常干的一件事就是拿 U 盤從幾臺(tái)不同機(jī)器上拷貝數(shù)據(jù)片段文件名像“泵P-101故障20230115.csv”這種全靠手寫備注事后根本對(duì)不上號(hào)。Event Frames 徹底改變了這個(gè)局面。它把一個(gè)時(shí)間區(qū)間變成了一等公民有明確的開始時(shí)間、結(jié)束時(shí)間能關(guān)聯(lián)一批測(cè)點(diǎn)能掛上分類屬性還能套模板批量生成。你可以把它想象成在監(jiān)控錄像的時(shí)間軸上自動(dòng)畫出一段段高亮片段每段都寫著“這是泵 P-101 軸承磨損故障”“這是 A 產(chǎn)品批次 20241102”“這是裝置開車過(guò)程”。數(shù)據(jù)終于有邊界了。1.2 事件幀把連續(xù)數(shù)據(jù)變成了可管理的離散對(duì)象它的內(nèi)部結(jié)構(gòu)并不復(fù)雜核心就四部分。第一是時(shí)間邊界每個(gè)事件幀必須有明確的開始時(shí)間和結(jié)束時(shí)間。這兩者不一定都是固定時(shí)刻更多時(shí)候是相對(duì)表達(dá)式比如“振動(dòng)高報(bào)觸發(fā)前 2 小時(shí)”到“觸發(fā)后 1 小時(shí)”這讓事件幀能精準(zhǔn)覆蓋“前兆—發(fā)生—恢復(fù)”的完整過(guò)程。第二是數(shù)據(jù)引用事件幀要關(guān)聯(lián)一批具體測(cè)點(diǎn)比如振動(dòng)值、電流、出口壓力、電機(jī)溫度。生成事件幀時(shí)系統(tǒng)自動(dòng)把這段時(shí)間范圍內(nèi)的原始數(shù)據(jù)按引用關(guān)系抓取出來(lái)等同于給這段歷史曲線做了“打包存檔”。第三是上下文屬性這是事件幀最值錢的部分。屬性可以是一個(gè)文本字段記錄故障原因、操作員工號(hào)、產(chǎn)品批次也可以是一個(gè)數(shù)值字段記錄故障等級(jí)、持續(xù)時(shí)長(zhǎng)、損失量。屬性讓時(shí)間片段有了業(yè)務(wù)語(yǔ)義AI 訓(xùn)練模型時(shí)這些屬性就是現(xiàn)成的標(biāo)簽和特征。第四是模板和層級(jí)事件幀不是散裝的它由模板批量生成模板里預(yù)設(shè)好時(shí)間表達(dá)式、數(shù)據(jù)引用和屬性字段。同一個(gè)模板下還可以有父子層級(jí)比如“一次批次生產(chǎn)的完整事件幀”下面可以掛“進(jìn)料階段事件幀”“反應(yīng)階段事件幀”“出料階段事件幀”形成一棵結(jié)構(gòu)清晰的事件樹。用一個(gè)生活化類比來(lái)說(shuō)理解起來(lái)更快實(shí)時(shí)數(shù)據(jù)庫(kù)是一卷無(wú)限長(zhǎng)的錄像帶Event Frames 就是剪輯師在時(shí)間軸上切出的一個(gè)個(gè)片段每個(gè)片段有一個(gè)標(biāo)題、一段封面說(shuō)明里面還附上了主角出場(chǎng)的時(shí)間線。剪輯師是拿模板批量切片的不是手工一幀一幀剪的。1.3 為什么說(shuō)這套設(shè)計(jì)“精彩”我后來(lái)認(rèn)真想過(guò)為什么偏偏是 Event Frames 讓工業(yè)數(shù)據(jù)從業(yè)者這么喜歡。最根本的原因在于它把工業(yè)現(xiàn)場(chǎng)最底層的二元矛盾——連續(xù)的數(shù)據(jù)世界和離散的管理世界——接起來(lái)了。設(shè)備、工單、批次、故障、操作記錄這些業(yè)務(wù)對(duì)象天生是離散的一次檢修有開始時(shí)間和結(jié)束時(shí)間一批產(chǎn)品有批號(hào)和產(chǎn)出時(shí)段一次報(bào)警有觸發(fā)時(shí)刻和恢復(fù)時(shí)刻。但測(cè)點(diǎn)數(shù)據(jù)是連續(xù)的一秒都不停。以前這兩套世界各說(shuō)各話業(yè)務(wù)系統(tǒng)里寫著“P-101 在 2024-11-02 發(fā)生過(guò)振動(dòng)高報(bào)”想找當(dāng)時(shí)具體數(shù)據(jù)曲線得靠人工去猜時(shí)間段。Event Frames 直接把這兩個(gè)世界焊在一起連續(xù)數(shù)據(jù)被切成了和業(yè)務(wù)對(duì)象一一對(duì)應(yīng)的離散數(shù)據(jù)包歷史查詢、統(tǒng)計(jì)對(duì)比、AI 訓(xùn)練全都能按“事件”為單位展開而不必再面對(duì)漫無(wú)邊際的原始數(shù)據(jù)流。這種“以事件為坐標(biāo)軸”的思路后來(lái)也影響了我看待其他工業(yè)數(shù)據(jù)產(chǎn)品的方式。很多團(tuán)隊(duì)迷信更大的存儲(chǔ)、更快的查詢、更炫的可視化卻忽略了最本質(zhì)的一層數(shù)據(jù)堆在那里如果沒(méi)有邊界、沒(méi)有語(yǔ)義就只是數(shù)字不是信息。Event Frames 的精彩就在于它補(bǔ)上了數(shù)據(jù)建模里最容易缺失的那一環(huán)。2. AI 時(shí)代Event Frames 的重要性為什么反而被放大2.1 機(jī)器學(xué)習(xí)的命門是“樣本”事件幀是天然的樣本生成器這兩年經(jīng)常聽到工廠客戶說(shuō)“我們想上 AI想預(yù)測(cè)設(shè)備故障?！钡谝徊絾?wèn)數(shù)據(jù)他們會(huì)很自豪地說(shuō)“我們有海量歷史數(shù)據(jù)10 年的趨勢(shì)都存著。”等算法團(tuán)隊(duì)進(jìn)場(chǎng)以后才發(fā)現(xiàn)10 年歷史數(shù)據(jù)全是連續(xù)時(shí)間序列根本沒(méi)法直接用來(lái)訓(xùn)練分類模型。為什么因?yàn)楸O(jiān)督學(xué)習(xí)需要的是“樣本”不是“數(shù)據(jù)”。一個(gè)故障預(yù)測(cè)模型需要的是幾百次、上千次“故障事件”以及對(duì)應(yīng)的歷史曲線每次故障是一個(gè)獨(dú)立樣本包括故障前幾個(gè)小時(shí)的數(shù)據(jù)形態(tài)和故障類型標(biāo)簽。如果沒(méi)有事件幀算法工程師只能自己寫腳本去報(bào)警記錄里找時(shí)間點(diǎn)然后以報(bào)警時(shí)刻為中心向前切 4 小時(shí)、向后切 2 小時(shí)拼湊出訓(xùn)練集。這個(gè)做法不是不行但切出來(lái)的窗口邊界很粗糙報(bào)警噪聲也可能把樣本污染掉更麻煩的是標(biāo)簽沒(méi)地方放只能另外維護(hù)一張 Excel 表樣本 ID 和時(shí)間段手工對(duì)齊做一輪下來(lái)人都要瘋。有了 Event Frames樣本生成就變成了一個(gè)干凈的自動(dòng)化流程每個(gè)事件幀天然就是一個(gè)樣本開始和結(jié)束時(shí)間就是樣本的時(shí)間邊界屬性字段就是初始標(biāo)簽關(guān)聯(lián)的測(cè)點(diǎn)就是模型要吃的特征通道。訓(xùn)練一個(gè)故障診斷模型只需按標(biāo)簽篩選事件幀然后逐個(gè)把區(qū)間內(nèi)原始數(shù)據(jù)取出來(lái)重采樣成統(tǒng)一維度疊成一個(gè)張量。整個(gè)流程清晰、可復(fù)現(xiàn)而且樣本數(shù)量可以隨著歷史事件幀的積累自動(dòng)增長(zhǎng)。我在做機(jī)泵軸承故障診斷項(xiàng)目時(shí)最明顯一開始人工拼樣本集拼了三個(gè)星期后來(lái)項(xiàng)目組把全廠過(guò)去兩年由報(bào)警觸發(fā)的事件幀全部調(diào)出來(lái)用腳本批量導(dǎo)出兩天就得到了 600 多條高質(zhì)量故障樣本還附帶準(zhǔn)確的故障發(fā)生時(shí)刻和現(xiàn)場(chǎng)標(biāo)注。這件事讓我徹底認(rèn)可了事件幀對(duì) AI 工程的價(jià)值。2.2 事件幀提供的是“上下文特征”不是裸數(shù)據(jù)機(jī)器學(xué)習(xí)和 AI 模型真正吃的是特征而特征的質(zhì)量取決于你能從一條時(shí)間片段里提取到什么。如果沒(méi)有事件幀你從原始時(shí)間序列里只能提取曲線形態(tài)特征比如均值、峰值、斜率、頻譜能量這些“純數(shù)據(jù)”特征。這些特征不是沒(méi)用但往往不足以區(qū)分不同的故障模式——同樣是一個(gè)振動(dòng)高值是啟機(jī)瞬間的共振還是運(yùn)行中的軸承磨損從數(shù)值形態(tài)上經(jīng)常很難直接分辨。事件幀帶來(lái)的上下文屬性恰好補(bǔ)上了這個(gè)短板。它可以告訴你這個(gè)振動(dòng)高值發(fā)生在什么工況下當(dāng)時(shí)泵是滿負(fù)荷還是低負(fù)荷上一次檢修是什么時(shí)候進(jìn)料物料是什么牌號(hào)操作員有沒(méi)有切換備用設(shè)備。這些屬性拼接起來(lái)就形成了一組“業(yè)務(wù)上下文特征”數(shù)據(jù)特征加上下文特征一起喂給模型效果完全不同。用一個(gè)樸素的說(shuō)法同一個(gè)癥狀發(fā)生在不同人身上醫(yī)生要結(jié)合年齡、病史、生活習(xí)慣才能準(zhǔn)確判斷工業(yè) AI 也一樣事件幀就是設(shè)備的“病歷上下文”。在大模型時(shí)代上下文特征的含金量更上一層樓。大模型本質(zhì)上是一個(gè)“上下文推理器”它能理解的信息越多、越結(jié)構(gòu)化輸出越可靠。一段時(shí)間序列光禿禿地?cái)[出來(lái)大模型再聰明也看不出所以然但把同一段時(shí)間包裝成一個(gè)包含前因后果的事件對(duì)象大模型就能順著業(yè)務(wù)邏輯給出合理的診斷建議。2.3 大模型與 AI Agent 更需要結(jié)構(gòu)化事件做交互接口最近一兩年AI Agent 這個(gè)概念在工業(yè)圈里也很熱。大家希望讓大模型扮演一個(gè)“設(shè)備專家”或者“值班助手”能自主回答“最近有沒(méi)有異常趨勢(shì)”、“這個(gè)故障歷史上怎么處理的”。想法很好但很多人低估了一個(gè)技術(shù)現(xiàn)實(shí)大模型直接看時(shí)間序列是不可行的token 有限數(shù)字堆疊沒(méi)有語(yǔ)義模型的注意力根本不知道應(yīng)該聚焦在哪一段。解決辦法恰恰是事件幀。可以把歷史事件幀轉(zhuǎn)成一段段結(jié)構(gòu)化描述文本比如“2024-11-02 03:17 至 03:47P-101 泵振動(dòng)異常峰值 12.4 mm/s持續(xù) 30 分鐘相關(guān)報(bào)警 A2287處理措施切換備用泵故障原因軸承磨損”。這種文本大模型可以無(wú)障礙消費(fèi)。再把這些歷史事件描述放到向量數(shù)據(jù)庫(kù)里一個(gè) AI Agent 就能通過(guò)相似度檢索回答出“過(guò)去一年 P-101 泵最常見的故障模式是什么”或者“有幾次振動(dòng)異常和軸承磨損相關(guān)”。從這個(gè)角度看Event Frames 在大模型時(shí)代扮演了一個(gè)此前不存在的角色把“埋沒(méi)在時(shí)間序列里的工業(yè)記憶”變成“可被 AI 檢索和理解的結(jié)構(gòu)化知識(shí)”。以前它是給工程師看的數(shù)據(jù)結(jié)構(gòu)現(xiàn)在它是給 AI 當(dāng)知識(shí)底座的數(shù)據(jù)結(jié)構(gòu)價(jià)值不但沒(méi)有被稀釋反而被放大了。3. Event Frames 落地實(shí)操?gòu)哪０逶O(shè)計(jì)到自動(dòng)生成3.1 事件幀的內(nèi)部結(jié)構(gòu)解析如果只是在軟件里看幾個(gè)現(xiàn)成的事件幀你可能覺得它就是一個(gè)時(shí)間區(qū)間加幾個(gè)屬性沒(méi)什么大不了。但要真正落地必須先吃透它的內(nèi)部結(jié)構(gòu)。我習(xí)慣把事件幀拆成下面四層來(lái)看層級(jí)組成作用時(shí)間邊界開始時(shí)間、結(jié)束時(shí)間定義事件在時(shí)間軸上的位置和跨度數(shù)據(jù)引用關(guān)聯(lián)測(cè)點(diǎn)PI Point/Tag限定事件所對(duì)應(yīng)的原始數(shù)據(jù)范圍上下文屬性文本型、數(shù)值型、枚舉型字段給事件打標(biāo)簽、補(bǔ)上下文支撐分析和AI訓(xùn)練層級(jí)關(guān)系父事件幀、子事件幀表達(dá)“總事件包含子階段”的樹狀結(jié)構(gòu)時(shí)間邊界是最容易忽略的細(xì)節(jié)。很多新手建模板時(shí)直接寫死“2024-01-01 00:00 到 2024-01-02 00:00”這種做法的可用性極差。成熟的模板會(huì)使用相對(duì)時(shí)間表達(dá)式例如事件觸發(fā)條件的滿足時(shí)刻為基準(zhǔn)向前推 2 小時(shí)作為開始時(shí)間向后推 1 小時(shí)作為結(jié)束時(shí)間。這樣同樣一個(gè)模板無(wú)論未來(lái)哪次報(bào)警觸發(fā)生成的事件幀都能自動(dòng)適配保證前兆段和恢復(fù)段都被框進(jìn)來(lái)。數(shù)據(jù)引用層決定了你能分析什么、訓(xùn)練什么。如果關(guān)聯(lián)測(cè)點(diǎn)太少比如只關(guān)聯(lián)一個(gè)振動(dòng)值事件幀就失去了上下文基礎(chǔ)如果關(guān)聯(lián)測(cè)點(diǎn)太多每次生成都會(huì)帶來(lái)額外的存儲(chǔ)開銷查詢也變慢。我的一般原則是圍繞事件的物理機(jī)理選擇測(cè)點(diǎn)機(jī)泵故障就關(guān)聯(lián)振動(dòng)、電流、出口壓力、軸承溫度確保覆蓋故障的主要表現(xiàn)維度而不是把所有測(cè)點(diǎn)都塞進(jìn)去。上下文屬性層是整個(gè)設(shè)計(jì)的靈魂。屬性字段建議設(shè)計(jì)成枚舉或有限取值比如故障類型可以取值“軸承磨損/不對(duì)中/汽蝕/其它”班組可以取值“甲/乙/丙”。枚舉化的好處有兩個(gè)一是后續(xù)做分類模型時(shí)標(biāo)簽是干凈的不用再做文本清洗二是統(tǒng)計(jì)聚合的時(shí)候可以按類別做分組分析效率大大提高。我把這個(gè)原則叫“屬性寧枚舉不文本”。3.2 設(shè)計(jì)事件幀模板的三個(gè)關(guān)鍵參數(shù)建立模板時(shí)有三個(gè)參數(shù)我最看中幾乎每個(gè)項(xiàng)目都要反復(fù)校準(zhǔn)。第一個(gè)是觸發(fā)方式。事件幀的生成不能靠手工在界面上點(diǎn)擊創(chuàng)建那樣沒(méi)法規(guī)?；?。常見的自動(dòng)觸發(fā)方式有幾種基于狀態(tài)變化比如設(shè)備從“運(yùn)行”切到“停止”的時(shí)刻觸發(fā)基于報(bào)警事件比如某個(gè)點(diǎn)位越過(guò)高限閾值并持續(xù)一定時(shí)間后觸發(fā)基于批次/工單信號(hào)比如批次管理系統(tǒng)發(fā)出“開始加料”的信號(hào)時(shí)刻觸發(fā)。選擇哪種方式取決于你關(guān)注的是設(shè)備故障、生產(chǎn)批次還是工況切換。報(bào)警觸發(fā)適合做故障事件批次開始/結(jié)束信號(hào)適合做生產(chǎn)事件狀態(tài)變化適合做設(shè)備運(yùn)行行為分析。第二個(gè)是時(shí)間窗。這個(gè)參數(shù)幾乎決定事件幀的“信息容量”。為了覆蓋完整過(guò)程前滾窗口要足夠容納故障前兆后滾窗口要足夠覆蓋故障恢復(fù)或工藝響應(yīng)。比如一個(gè)泵從出現(xiàn)早期異常到真正報(bào)警往往有 2 到 4 小時(shí)的演變過(guò)程報(bào)警后到運(yùn)行人員切換備用泵可能需要 30 分鐘到 1 小時(shí)。所以對(duì)機(jī)泵故障事件我的配置一般是“觸發(fā)前 4 小時(shí)到觸發(fā)后 1 小時(shí)”。如果窗口太短模型看不到前兆如果太長(zhǎng)又會(huì)混入大量無(wú)關(guān)的正常數(shù)據(jù)干擾模型學(xué)習(xí)。第三個(gè)是標(biāo)簽體系。事件幀生成初期故障原因往往是未知的需要設(shè)備工程師在事件發(fā)生后補(bǔ)錄。所以模板設(shè)計(jì)要給“故障原因”“處理措施”這類人工標(biāo)簽留好位置同時(shí)把它設(shè)為非必填避免因缺標(biāo)簽導(dǎo)致事件幀生成失敗。等樣本積累到一定數(shù)量這些人工標(biāo)簽就成為 AI 模型的訓(xùn)練目標(biāo)。標(biāo)簽體系的維護(hù)是一個(gè)持續(xù)過(guò)程我后面還會(huì)展開講。3.3 一個(gè)完整的機(jī)泵故障樣本生成實(shí)例說(shuō)一個(gè)我自己做過(guò)的實(shí)例離心泵 P-101 的振動(dòng)異常事件幀搭建。第一步是定義對(duì)象和測(cè)點(diǎn)。我在資產(chǎn)模型中建了一個(gè) P-101 泵的元素掛上 4 個(gè)關(guān)鍵測(cè)點(diǎn)振動(dòng)速度、電機(jī)電流、出口壓力、軸承溫度。這里測(cè)點(diǎn)和資產(chǎn)掛鉤很重要否則事件幀和物理設(shè)備之間的關(guān)聯(lián)就斷了。第二步是創(chuàng)建事件幀模板“PumpFaultTemplate”。模板掛到 P-101 元素上屬性字段包含故障類型枚舉軸承磨損/不對(duì)中/汽蝕/其它、FaultLevel枚舉一級(jí)/二級(jí)/三級(jí)、處理班組枚舉甲/乙/丙。時(shí)間邊界配置為開始時(shí)間等于報(bào)警觸發(fā)時(shí)刻減 4 小時(shí)結(jié)束時(shí)間等于報(bào)警觸發(fā)時(shí)刻加 1 小時(shí)。第三步是配置數(shù)據(jù)引用。模板上把 P-101 的 4 個(gè)測(cè)點(diǎn)全部引入作為數(shù)據(jù)引用。這樣每個(gè)事件幀生成后可以一鍵打開關(guān)聯(lián)曲線也能通過(guò)腳本讀取完整數(shù)據(jù)矩陣。第四步是配置觸發(fā)條件。我的條件是“P-101-VIB 振動(dòng)速度大于 10 mm/s 持續(xù) 30 秒”。注意這里加了持續(xù)時(shí)間條件避免瞬時(shí)尖峰噪聲誤觸發(fā)。第五步是運(yùn)行生成邏輯。系統(tǒng)按條件掃描實(shí)時(shí)數(shù)據(jù)流每當(dāng)條件滿足就創(chuàng)建一個(gè)事件幀。對(duì)于存量歷史數(shù)據(jù)也可以做批量回填把過(guò)去兩年符合條件的區(qū)間全部生成事件幀。這個(gè)過(guò)程我習(xí)慣先限定最近一個(gè)月跑通再擴(kuò)展到全量歷史。第六步是建立訓(xùn)練數(shù)據(jù)集。寫一個(gè) Python 腳本遍歷事件幀對(duì)每個(gè)幀取出關(guān)聯(lián)測(cè)點(diǎn)在區(qū)間內(nèi)的數(shù)據(jù)統(tǒng)一重采樣到 1 分鐘步長(zhǎng)再把故障類型屬性轉(zhuǎn)為標(biāo)簽列最終拼成一個(gè)多維數(shù)組。數(shù)據(jù)集每一行是一個(gè)事件幀每一列是特征或標(biāo)簽時(shí)間維以嵌套數(shù)組保存。數(shù)據(jù)導(dǎo)出為 Parquet 格式后可以直接喂給 PyTorch 或 TensorFlow 訓(xùn)練。這個(gè)流程看似簡(jiǎn)單但真正跑通以后后續(xù)做模型迭代就非常輕松——?dú)v史數(shù)據(jù)里每一個(gè)事件幀都能隨時(shí)轉(zhuǎn)化成訓(xùn)練樣本不需要再回頭去翻原始數(shù)據(jù)。4. 常見問(wèn)題與排查技巧實(shí)錄4.1 高頻問(wèn)題速查表做事件幀落地這些年我踩過(guò)不少坑也幫同行排查過(guò)不少問(wèn)題。下面這個(gè)速查表是我自己長(zhǎng)期積累的版本遇到問(wèn)題先對(duì)著查一圈。常見問(wèn)題可能原因解決辦法事件幀沒(méi)生成觸發(fā)條件持續(xù)時(shí)間設(shè)置過(guò)長(zhǎng)條件從未滿足先用短期數(shù)據(jù)下調(diào)持續(xù)時(shí)間閾值測(cè)試事件幀沒(méi)生成分析服務(wù)沒(méi)有啟動(dòng)或調(diào)度周期不對(duì)檢查事件幀生成服務(wù)是否在運(yùn)行調(diào)度周期是否覆蓋實(shí)際條件時(shí)段事件幀時(shí)間不對(duì)服務(wù)器時(shí)區(qū)與現(xiàn)場(chǎng)時(shí)區(qū)不一致統(tǒng)一使用 UTC 時(shí)間存儲(chǔ)展示時(shí)再轉(zhuǎn)換本地時(shí)區(qū)事件幀大量重復(fù)生成條件在短時(shí)間內(nèi)反復(fù)滿足觸發(fā)去抖不足增加事件冷卻時(shí)間比如同一類型事件 1 小時(shí)內(nèi)不重復(fù)生成關(guān)聯(lián)測(cè)點(diǎn)沒(méi)有數(shù)據(jù)測(cè)點(diǎn)未正確關(guān)聯(lián)到資產(chǎn)元素檢查資產(chǎn)層級(jí)中的測(cè)點(diǎn)引用重新綁定標(biāo)簽大量為空模板未設(shè)置默認(rèn)值或人工補(bǔ)錄流程缺失建立每日標(biāo)簽補(bǔ)錄流程設(shè)置默認(rèn)枚舉值“待確認(rèn)”歷史回填極慢對(duì)全量歷史數(shù)據(jù)逐幀掃描先用報(bào)警記錄粗篩出候選時(shí)間區(qū)間再生成事件幀這里特別提醒一點(diǎn)事件幀生成服務(wù)的調(diào)度周期很關(guān)鍵。如果系統(tǒng)里報(bào)警已經(jīng)觸發(fā)但分析掃描頻率是 5 分鐘一次事件幀的創(chuàng)建時(shí)間就會(huì)有最多 5 分鐘的延遲導(dǎo)致時(shí)間邊界偏移。關(guān)鍵設(shè)備的事件幀生成調(diào)度我會(huì)配置成 1 分鐘甚至更短。4.2 排查思路先用一小時(shí)數(shù)據(jù)做小閉環(huán)不管你是剛建好模板還是老模板改了參數(shù)都建議先做小范圍驗(yàn)證而不要直接全量回填。具體做法是把時(shí)間范圍限定到最近 1 小時(shí)手動(dòng)造一個(gè)觸發(fā)條件或等一個(gè)真實(shí)報(bào)警看事件幀能不能按預(yù)期生成時(shí)間邊界、數(shù)據(jù)引用、屬性值是否正確。有一次我?guī)鸵患一S排查對(duì)方說(shuō)“事件幀模板建好了但批量回填結(jié)果全是錯(cuò)的”。過(guò)去一看他直接對(duì)過(guò)去兩年歷史數(shù)據(jù)跑了全量回填生成了幾萬(wàn)個(gè)事件幀時(shí)間邊界錯(cuò)位的、屬性為空的、關(guān)聯(lián)測(cè)點(diǎn)無(wú)數(shù)據(jù)的混在一起根本沒(méi)法用。我讓他先刪掉這些垃圾幀然后把驗(yàn)證范圍壓到最近 3 天先只跟蹤一臺(tái)泵跑通一條完整的生成鏈路。半天時(shí)間就定位到問(wèn)題出在時(shí)區(qū)配置上——服務(wù)器用的 UTC觸發(fā)條件用的本地時(shí)間差 8 個(gè)小時(shí)所有事件幀都偏了。這個(gè)小閉環(huán)思路同樣適合調(diào)試訓(xùn)練數(shù)據(jù)集先導(dǎo)出 10 個(gè)事件幀對(duì)應(yīng)的數(shù)據(jù)矩陣肉眼檢查曲線再導(dǎo)出 50 個(gè)做一次小模型訓(xùn)練確認(rèn)效果穩(wěn)定了再擴(kuò)大到全部歷史事件幀。一步一步來(lái)問(wèn)題能少踩一大半。4.3 獨(dú)家避坑心得模板、時(shí)區(qū)與標(biāo)簽先說(shuō)模板。模板一旦發(fā)布并生成了大量事件幀后續(xù)改動(dòng)會(huì)有歷史兼容問(wèn)題。比如你把屬性“FaultType”的枚舉從三個(gè)值改成四個(gè)值歷史事件幀里原來(lái)的屬性值不會(huì)自動(dòng)遷移查詢和統(tǒng)計(jì)就可能出現(xiàn)斷檔。所以模板上線前一定要組織工藝、設(shè)備、生產(chǎn)幾方一起評(píng)審枚舉值盡量一次性定全。實(shí)在要改也要走變更流程把歷史幀的遷移評(píng)估清楚。再說(shuō)時(shí)區(qū)。工業(yè)現(xiàn)場(chǎng)最容易踩的就是時(shí)區(qū)和夏令時(shí)。建議在設(shè)計(jì)階段就把所有時(shí)間字段以 UTC 存儲(chǔ)事件幀的觸發(fā)時(shí)間表達(dá)式里也盡量統(tǒng)一到 UTC展示層再轉(zhuǎn)換成本地時(shí)間。別小看這個(gè)問(wèn)題我曾經(jīng)見過(guò)一個(gè)批次級(jí)事件幀的邊界因?yàn)闀r(shí)區(qū)配置不一致硬生生晚了一個(gè)小時(shí)導(dǎo)致和 DCS 側(cè)的操作記錄對(duì)不上。排查了整整兩天才找到根因。最后說(shuō)標(biāo)簽。盡量不要依賴運(yùn)行人員空閑時(shí)手工錄入標(biāo)簽。我在項(xiàng)目里推過(guò)一個(gè)辦法每天早上值班工程師花 15 分鐘在事件幀列表里快速過(guò)一遍前一天的異常事件用下拉菜單補(bǔ)錄故障類型和初步原因并把這個(gè)動(dòng)作納入班組交接班流程。標(biāo)簽質(zhì)量是靠流程保證的不是靠平臺(tái)功能保證的。有了這個(gè)日拱一卒的標(biāo)簽積累年底回頭看你手里已經(jīng)攢下了一份高質(zhì)量的訓(xùn)練數(shù)據(jù)集這就是最貴的資產(chǎn)。5. 在 AI 工作流里用好 Event Frames我的幾條具體建議5.1 把事件幀轉(zhuǎn)成模型訓(xùn)練數(shù)據(jù)集的標(biāo)準(zhǔn)流程很多朋友問(wèn)過(guò)我“事件幀有了怎么變成能訓(xùn)練的數(shù)據(jù)集”我通常建議按下面這條流程走順序不能亂。第一步是事件幀查詢。按模板、時(shí)間范圍、屬性標(biāo)簽篩選出目標(biāo)事件幀集合。比如要訓(xùn)練“振動(dòng)異常是否軸承磨損”的二分類模型就篩出所有故障類型為“軸承磨損”的事件幀作為正樣本篩出運(yùn)行正常但偶發(fā)波動(dòng)的事件幀作為負(fù)樣本。第二步是原始數(shù)據(jù)抽取。對(duì)每個(gè)事件幀讀取關(guān)聯(lián)測(cè)點(diǎn)在時(shí)間區(qū)間內(nèi)的歷史數(shù)據(jù)。注意數(shù)據(jù)往往不是等間隔的需要重采樣到統(tǒng)一頻率。分類模型我常用 1 分鐘分辨率序列長(zhǎng)度固定為窗口長(zhǎng)度如果需要更高頻的振動(dòng)信號(hào)分析則可能要 10 秒甚至 1 秒分辨率存儲(chǔ)開銷和計(jì)算開銷都會(huì)明顯增加。第三步是特征工程。對(duì)每個(gè)事件幀的序列數(shù)據(jù)提取統(tǒng)計(jì)特征比如均值、標(biāo)準(zhǔn)差、最大值、極差、變化率峰值、峰度等如果序列較長(zhǎng)還可以做小波或頻譜特征。特征表最終會(huì)成為模型的一個(gè)輸入通道。第四步是構(gòu)建樣本表。每一行是一個(gè)事件幀包含樣本 ID事件幀 GUID、標(biāo)簽屬性字段轉(zhuǎn)化而來(lái)、特征向量、數(shù)據(jù)矩陣路徑。這個(gè)表導(dǎo)成 CSV 或 Parquet就是我前面提到的訓(xùn)練數(shù)據(jù)成品。第五步是劃分?jǐn)?shù)據(jù)集。時(shí)間序列樣本千萬(wàn)不要隨機(jī)劃分訓(xùn)練集和測(cè)試集因?yàn)橄噜彉颖局g存在時(shí)間自相關(guān)隨機(jī)劃分會(huì)造成信息泄漏、評(píng)估虛高。我統(tǒng)一按時(shí)間順序切分比如前 80% 的訓(xùn)練集、后 20% 的測(cè)試集。這一點(diǎn)雖然基礎(chǔ)但很多團(tuán)隊(duì)都會(huì)栽在這里。這套流程看起來(lái)簡(jiǎn)單但如果沒(méi)有事件幀在前面做了時(shí)間和標(biāo)簽的錨點(diǎn)每一步都會(huì)變成手工地獄。這也就是為什么說(shuō)AI 項(xiàng)目的成敗往往在建模之前就已經(jīng)決定了。5.2 讓事件幀成為大模型可查詢的“企業(yè)記憶”工業(yè)現(xiàn)場(chǎng)積累的歷史事件幀本質(zhì)上是一座金礦。只是這座金礦的形態(tài)還是時(shí)間序列和結(jié)構(gòu)化表格大模型沒(méi)法直接挖掘。我目前在嘗試的一個(gè)方向是把事件幀轉(zhuǎn)成描述性文本再接入大模型做問(wèn)答和輔助研判。具體做法是事件幀生成后用模板自動(dòng)生成一段文本摘要涵蓋事件類型、開始結(jié)束時(shí)間、關(guān)聯(lián)設(shè)備、關(guān)鍵測(cè)點(diǎn)峰值、報(bào)警代碼、人工標(biāo)簽字段。比如一段典型摘要長(zhǎng)這樣“2024-11-02 03:17:00 至 2024-11-02 03:47:00P-101 離心泵發(fā)生振動(dòng)異常事件。振動(dòng)速度峰值 12.4 mm/s超過(guò) 10 mm/s 上限持續(xù)約 30 分鐘同時(shí)電機(jī)電流上升約 8%。相關(guān)報(bào)警代碼 A2287。處理措施切換至備用泵 P-102。故障原因標(biāo)簽軸承磨損?！边@種摘要寫入向量庫(kù)后可以讓大模型回答“給我查一下 P-101 今年發(fā)生了幾次振動(dòng)異常分別怎么處理的”。當(dāng)用戶問(wèn)“軸承磨損通常有什么前兆”時(shí)模型就能從歷史事件描述里檢索出相似的故障樣本總結(jié)出規(guī)律。事件幀在這個(gè)鏈路里扮演的是“結(jié)構(gòu)化的企業(yè)記憶”它限定了大模型的檢索范圍和上下文邊界既提高了回答準(zhǔn)確率也降低了幻覺風(fēng)險(xiǎn)。我個(gè)人的判斷是大模型在工業(yè)領(lǐng)域的落地不太可能靠“海量原始數(shù)據(jù)直接訓(xùn)練”更務(wù)實(shí)的路徑是先把有價(jià)值的事件用 Event Frames 這類機(jī)制沉淀成結(jié)構(gòu)化知識(shí)再變成大模型可以查詢的接口。這件事做得越早積累越厚后面 AI 應(yīng)用發(fā)揮的空間就越大。5.3 先建立事件字典再談算法選型最后一條建議是給所有正在規(guī)劃工業(yè) AI 項(xiàng)目的團(tuán)隊(duì)的先別急著選大模型還是小模型先回去把“事件字典”這一課補(bǔ)齊。事件字典是什么就是一張經(jīng)過(guò)業(yè)務(wù)和技術(shù)共同確認(rèn)的事件分類清單明確什么算一次事件、事件如何觸發(fā)、事件需要記錄哪些屬性、屬性有哪些枚舉取值。比如“離心泵振動(dòng)異常事件”的定義就可以寫清楚當(dāng)振動(dòng)速度超過(guò) 10 mm/s 且持續(xù) 30 秒判定為一次振動(dòng)異常事件事件屬性含故障類型、嚴(yán)重度等級(jí)、處理班組。這張事件字典既是 Event Frames 模板設(shè)計(jì)的依據(jù)也是未來(lái) AI 模型標(biāo)簽體系的基礎(chǔ)。我見過(guò)太多次這種場(chǎng)景團(tuán)隊(duì)興致勃勃地搭了一套 AI 平臺(tái)過(guò)了幾個(gè)月發(fā)現(xiàn)根本沒(méi)有像樣的訓(xùn)練數(shù)據(jù)因?yàn)楫?dāng)初沒(méi)人定義“什么是一次故障、什么是一次異?！?。反過(guò)來(lái)那些老老實(shí)實(shí)先把事件字典做透、把事件幀自動(dòng)生成跑通的團(tuán)隊(duì)哪怕算法用的不是最前沿的一年下來(lái)也攢下了幾千條高質(zhì)量樣本模型效果反而越做越好。所以如果你想在工業(yè)現(xiàn)場(chǎng)做 AI我的建議就是別從算法開始從事件開始。先把“什么值得記”想清楚再讓系統(tǒng)自動(dòng)幫你記最后才是讓 AI 幫你分析。Event Frames 就是幫你完成前兩步的那把鑰匙。從我自己的經(jīng)驗(yàn)來(lái)看Event Frames 這個(gè)名字聽起來(lái)“學(xué)術(shù)”用起來(lái)其實(shí)特別接地氣。它不解決算力問(wèn)題不解決模型選型問(wèn)題它只解決一個(gè)樸素的問(wèn)題——讓數(shù)據(jù)有邊界、有語(yǔ)義、有記憶。而在 AI 時(shí)代恰恰是這件事成了決定工業(yè)智能項(xiàng)目能不能走通的那塊基石。 Event Frames事件幀：讓工業(yè)時(shí)間序列變身AI訓(xùn)練樣本
如果你在工廠里和實(shí)時(shí)數(shù)據(jù)庫(kù)打過(guò)幾年交道一定會(huì)有這種體會(huì)DCS 和 PLC 源源不斷地把溫度、壓力、流量、振動(dòng)這些測(cè)點(diǎn)寫進(jìn)歷史庫(kù)數(shù)據(jù)一秒一秒地滾動(dòng)永遠(yuǎn)沒(méi)有盡頭。這時(shí)候你想回答一個(gè)最簡(jiǎn)單的問(wèn)題——“這臺(tái)泵上個(gè)月一共異常過(guò)幾次每次異常前后發(fā)生了什么”——卻往往要翻幾天甚至幾周的歷史曲線寫一堆掃描腳本最后還得靠老師傅憑經(jīng)驗(yàn)圈出幾段“大概是故障”的時(shí)間。Event Frames事件幀解決的就是這個(gè)讓人頭疼的老問(wèn)題。我第一次在 PI System現(xiàn)在已并入 AVEVA里接觸這個(gè)概念時(shí)只當(dāng)它是一個(gè)給時(shí)間區(qū)間貼標(biāo)簽的小工具直到后來(lái)做設(shè)備故障診斷、批次質(zhì)量分析甚至給人工智能模型準(zhǔn)備訓(xùn)練數(shù)據(jù)集時(shí)才意識(shí)到它是工業(yè)數(shù)據(jù)領(lǐng)域被低估最嚴(yán)重、也最值得借鑒的設(shè)計(jì)之一。這兩年 AI 概念重新熱鬧起來(lái)大模型、AI Agent、智能體一個(gè)個(gè)往工業(yè)現(xiàn)場(chǎng)涌我卻越來(lái)越覺得Event Frames 這套十幾年前就成型的方法論在 AI 時(shí)代不但沒(méi)過(guò)時(shí)反而是很多人繞不開的那塊基石。這篇文章就聊聊它到底做了什么、為什么厲害以及落地時(shí)那些文檔里不愛寫的細(xì)節(jié)給正在和工業(yè)時(shí)間序列和算法打交道的朋友做個(gè)參考。1. 為什么說(shuō) Event Frames 是工業(yè)數(shù)據(jù)領(lǐng)域最精彩的設(shè)計(jì)之一1.1 時(shí)間序列數(shù)據(jù)天生缺少“邊界”先想一個(gè)最樸素的問(wèn)題一條時(shí)間序列有沒(méi)有邊界沒(méi)有。溫度測(cè)點(diǎn)從工廠開車第一天就開始記錄除非停車否則它永遠(yuǎn)不會(huì)主動(dòng)告訴你“這一段是一次加料”、“這一段是一次設(shè)備啟停”、“這一段是故障前兆”。工業(yè)實(shí)時(shí)數(shù)據(jù)庫(kù)本質(zhì)上是一部永不停機(jī)的 CCTV 監(jiān)控錄像每一條曲線都是連續(xù)畫面但沒(méi)有剪輯沒(méi)有鏡頭分割更沒(méi)有“第幾集發(fā)生了什么”的目錄。這種“無(wú)邊界”特性在傳統(tǒng)報(bào)表時(shí)代就已經(jīng)很痛苦了。想要統(tǒng)計(jì)一個(gè)月的非計(jì)劃停車次數(shù)一般做法是去翻報(bào)警歷史記錄查到報(bào)警時(shí)間點(diǎn)后再?gòu)膶?shí)時(shí)庫(kù)里手工截取前后各一小時(shí)的數(shù)據(jù)存成一個(gè)個(gè)文件然后在 Excel 里慢慢對(duì)比。流程繁瑣是一方面更麻煩的是每個(gè)人截取的時(shí)間窗還不一樣有人取前 1 小時(shí)有人取前 30 分鐘最后做出來(lái)的分析結(jié)果根本沒(méi)法橫向比較。我當(dāng)時(shí)最常干的一件事就是拿 U 盤從幾臺(tái)不同機(jī)器上拷貝數(shù)據(jù)片段文件名像“泵P-101故障20230115.csv”這種全靠手寫備注事后根本對(duì)不上號(hào)。Event Frames 徹底改變了這個(gè)局面。它把一個(gè)時(shí)間區(qū)間變成了一等公民有明確的開始時(shí)間、結(jié)束時(shí)間能關(guān)聯(lián)一批測(cè)點(diǎn)能掛上分類屬性還能套模板批量生成。你可以把它想象成在監(jiān)控錄像的時(shí)間軸上自動(dòng)畫出一段段高亮片段每段都寫著“這是泵 P-101 軸承磨損故障”“這是 A 產(chǎn)品批次 20241102”“這是裝置開車過(guò)程”。數(shù)據(jù)終于有邊界了。1.2 事件幀把連續(xù)數(shù)據(jù)變成了可管理的離散對(duì)象它的內(nèi)部結(jié)構(gòu)并不復(fù)雜核心就四部分。第一是時(shí)間邊界每個(gè)事件幀必須有明確的開始時(shí)間和結(jié)束時(shí)間。這兩者不一定都是固定時(shí)刻更多時(shí)候是相對(duì)表達(dá)式比如“振動(dòng)高報(bào)觸發(fā)前 2 小時(shí)”到“觸發(fā)后 1 小時(shí)”這讓事件幀能精準(zhǔn)覆蓋“前兆—發(fā)生—恢復(fù)”的完整過(guò)程。第二是數(shù)據(jù)引用事件幀要關(guān)聯(lián)一批具體測(cè)點(diǎn)比如振動(dòng)值、電流、出口壓力、電機(jī)溫度。生成事件幀時(shí)系統(tǒng)自動(dòng)把這段時(shí)間范圍內(nèi)的原始數(shù)據(jù)按引用關(guān)系抓取出來(lái)等同于給這段歷史曲線做了“打包存檔”。第三是上下文屬性這是事件幀最值錢的部分。屬性可以是一個(gè)文本字段記錄故障原因、操作員工號(hào)、產(chǎn)品批次也可以是一個(gè)數(shù)值字段記錄故障等級(jí)、持續(xù)時(shí)長(zhǎng)、損失量。屬性讓時(shí)間片段有了業(yè)務(wù)語(yǔ)義AI 訓(xùn)練模型時(shí)這些屬性就是現(xiàn)成的標(biāo)簽和特征。第四是模板和層級(jí)事件幀不是散裝的它由模板批量生成模板里預(yù)設(shè)好時(shí)間表達(dá)式、數(shù)據(jù)引用和屬性字段。同一個(gè)模板下還可以有父子層級(jí)比如“一次批次生產(chǎn)的完整事件幀”下面可以掛“進(jìn)料階段事件幀”“反應(yīng)階段事件幀”“出料階段事件幀”形成一棵結(jié)構(gòu)清晰的事件樹。用一個(gè)生活化類比來(lái)說(shuō)理解起來(lái)更快實(shí)時(shí)數(shù)據(jù)庫(kù)是一卷無(wú)限長(zhǎng)的錄像帶Event Frames 就是剪輯師在時(shí)間軸上切出的一個(gè)個(gè)片段每個(gè)片段有一個(gè)標(biāo)題、一段封面說(shuō)明里面還附上了主角出場(chǎng)的時(shí)間線。剪輯師是拿模板批量切片的不是手工一幀一幀剪的。1.3 為什么說(shuō)這套設(shè)計(jì)“精彩”我后來(lái)認(rèn)真想過(guò)為什么偏偏是 Event Frames 讓工業(yè)數(shù)據(jù)從業(yè)者這么喜歡。最根本的原因在于它把工業(yè)現(xiàn)場(chǎng)最底層的二元矛盾——連續(xù)的數(shù)據(jù)世界和離散的管理世界——接起來(lái)了。設(shè)備、工單、批次、故障、操作記錄這些業(yè)務(wù)對(duì)象天生是離散的一次檢修有開始時(shí)間和結(jié)束時(shí)間一批產(chǎn)品有批號(hào)和產(chǎn)出時(shí)段一次報(bào)警有觸發(fā)時(shí)刻和恢復(fù)時(shí)刻。但測(cè)點(diǎn)數(shù)據(jù)是連續(xù)的一秒都不停。以前這兩套世界各說(shuō)各話業(yè)務(wù)系統(tǒng)里寫著“P-101 在 2024-11-02 發(fā)生過(guò)振動(dòng)高報(bào)”想找當(dāng)時(shí)具體數(shù)據(jù)曲線得靠人工去猜時(shí)間段。Event Frames 直接把這兩個(gè)世界焊在一起連續(xù)數(shù)據(jù)被切成了和業(yè)務(wù)對(duì)象一一對(duì)應(yīng)的離散數(shù)據(jù)包歷史查詢、統(tǒng)計(jì)對(duì)比、AI 訓(xùn)練全都能按“事件”為單位展開而不必再面對(duì)漫無(wú)邊際的原始數(shù)據(jù)流。這種“以事件為坐標(biāo)軸”的思路后來(lái)也影響了我看待其他工業(yè)數(shù)據(jù)產(chǎn)品的方式。很多團(tuán)隊(duì)迷信更大的存儲(chǔ)、更快的查詢、更炫的可視化卻忽略了最本質(zhì)的一層數(shù)據(jù)堆在那里如果沒(méi)有邊界、沒(méi)有語(yǔ)義就只是數(shù)字不是信息。Event Frames 的精彩就在于它補(bǔ)上了數(shù)據(jù)建模里最容易缺失的那一環(huán)。2. AI 時(shí)代Event Frames 的重要性為什么反而被放大2.1 機(jī)器學(xué)習(xí)的命門是“樣本”事件幀是天然的樣本生成器這兩年經(jīng)常聽到工廠客戶說(shuō)“我們想上 AI想預(yù)測(cè)設(shè)備故障?！钡谝徊絾?wèn)數(shù)據(jù)他們會(huì)很自豪地說(shuō)“我們有海量歷史數(shù)據(jù)10 年的趨勢(shì)都存著。”等算法團(tuán)隊(duì)進(jìn)場(chǎng)以后才發(fā)現(xiàn)10 年歷史數(shù)據(jù)全是連續(xù)時(shí)間序列根本沒(méi)法直接用來(lái)訓(xùn)練分類模型。為什么因?yàn)楸O(jiān)督學(xué)習(xí)需要的是“樣本”不是“數(shù)據(jù)”。一個(gè)故障預(yù)測(cè)模型需要的是幾百次、上千次“故障事件”以及對(duì)應(yīng)的歷史曲線每次故障是一個(gè)獨(dú)立樣本包括故障前幾個(gè)小時(shí)的數(shù)據(jù)形態(tài)和故障類型標(biāo)簽。如果沒(méi)有事件幀算法工程師只能自己寫腳本去報(bào)警記錄里找時(shí)間點(diǎn)然后以報(bào)警時(shí)刻為中心向前切 4 小時(shí)、向后切 2 小時(shí)拼湊出訓(xùn)練集。這個(gè)做法不是不行但切出來(lái)的窗口邊界很粗糙報(bào)警噪聲也可能把樣本污染掉更麻煩的是標(biāo)簽沒(méi)地方放只能另外維護(hù)一張 Excel 表樣本 ID 和時(shí)間段手工對(duì)齊做一輪下來(lái)人都要瘋。有了 Event Frames樣本生成就變成了一個(gè)干凈的自動(dòng)化流程每個(gè)事件幀天然就是一個(gè)樣本開始和結(jié)束時(shí)間就是樣本的時(shí)間邊界屬性字段就是初始標(biāo)簽關(guān)聯(lián)的測(cè)點(diǎn)就是模型要吃的特征通道。訓(xùn)練一個(gè)故障診斷模型只需按標(biāo)簽篩選事件幀然后逐個(gè)把區(qū)間內(nèi)原始數(shù)據(jù)取出來(lái)重采樣成統(tǒng)一維度疊成一個(gè)張量。整個(gè)流程清晰、可復(fù)現(xiàn)而且樣本數(shù)量可以隨著歷史事件幀的積累自動(dòng)增長(zhǎng)。我在做機(jī)泵軸承故障診斷項(xiàng)目時(shí)最明顯一開始人工拼樣本集拼了三個(gè)星期后來(lái)項(xiàng)目組把全廠過(guò)去兩年由報(bào)警觸發(fā)的事件幀全部調(diào)出來(lái)用腳本批量導(dǎo)出兩天就得到了 600 多條高質(zhì)量故障樣本還附帶準(zhǔn)確的故障發(fā)生時(shí)刻和現(xiàn)場(chǎng)標(biāo)注。這件事讓我徹底認(rèn)可了事件幀對(duì) AI 工程的價(jià)值。2.2 事件幀提供的是“上下文特征”不是裸數(shù)據(jù)機(jī)器學(xué)習(xí)和 AI 模型真正吃的是特征而特征的質(zhì)量取決于你能從一條時(shí)間片段里提取到什么。如果沒(méi)有事件幀你從原始時(shí)間序列里只能提取曲線形態(tài)特征比如均值、峰值、斜率、頻譜能量這些“純數(shù)據(jù)”特征。這些特征不是沒(méi)用但往往不足以區(qū)分不同的故障模式——同樣是一個(gè)振動(dòng)高值是啟機(jī)瞬間的共振還是運(yùn)行中的軸承磨損從數(shù)值形態(tài)上經(jīng)常很難直接分辨。事件幀帶來(lái)的上下文屬性恰好補(bǔ)上了這個(gè)短板。它可以告訴你這個(gè)振動(dòng)高值發(fā)生在什么工況下當(dāng)時(shí)泵是滿負(fù)荷還是低負(fù)荷上一次檢修是什么時(shí)候進(jìn)料物料是什么牌號(hào)操作員有沒(méi)有切換備用設(shè)備。這些屬性拼接起來(lái)就形成了一組“業(yè)務(wù)上下文特征”數(shù)據(jù)特征加上下文特征一起喂給模型效果完全不同。用一個(gè)樸素的說(shuō)法同一個(gè)癥狀發(fā)生在不同人身上醫(yī)生要結(jié)合年齡、病史、生活習(xí)慣才能準(zhǔn)確判斷工業(yè) AI 也一樣事件幀就是設(shè)備的“病歷上下文”。在大模型時(shí)代上下文特征的含金量更上一層樓。大模型本質(zhì)上是一個(gè)“上下文推理器”它能理解的信息越多、越結(jié)構(gòu)化輸出越可靠。一段時(shí)間序列光禿禿地?cái)[出來(lái)大模型再聰明也看不出所以然但把同一段時(shí)間包裝成一個(gè)包含前因后果的事件對(duì)象大模型就能順著業(yè)務(wù)邏輯給出合理的診斷建議。2.3 大模型與 AI Agent 更需要結(jié)構(gòu)化事件做交互接口最近一兩年AI Agent 這個(gè)概念在工業(yè)圈里也很熱。大家希望讓大模型扮演一個(gè)“設(shè)備專家”或者“值班助手”能自主回答“最近有沒(méi)有異常趨勢(shì)”、“這個(gè)故障歷史上怎么處理的”。想法很好但很多人低估了一個(gè)技術(shù)現(xiàn)實(shí)大模型直接看時(shí)間序列是不可行的token 有限數(shù)字堆疊沒(méi)有語(yǔ)義模型的注意力根本不知道應(yīng)該聚焦在哪一段。解決辦法恰恰是事件幀。可以把歷史事件幀轉(zhuǎn)成一段段結(jié)構(gòu)化描述文本比如“2024-11-02 03:17 至 03:47P-101 泵振動(dòng)異常峰值 12.4 mm/s持續(xù) 30 分鐘相關(guān)報(bào)警 A2287處理措施切換備用泵故障原因軸承磨損”。這種文本大模型可以無(wú)障礙消費(fèi)。再把這些歷史事件描述放到向量數(shù)據(jù)庫(kù)里一個(gè) AI Agent 就能通過(guò)相似度檢索回答出“過(guò)去一年 P-101 泵最常見的故障模式是什么”或者“有幾次振動(dòng)異常和軸承磨損相關(guān)”。從這個(gè)角度看Event Frames 在大模型時(shí)代扮演了一個(gè)此前不存在的角色把“埋沒(méi)在時(shí)間序列里的工業(yè)記憶”變成“可被 AI 檢索和理解的結(jié)構(gòu)化知識(shí)”。以前它是給工程師看的數(shù)據(jù)結(jié)構(gòu)現(xiàn)在它是給 AI 當(dāng)知識(shí)底座的數(shù)據(jù)結(jié)構(gòu)價(jià)值不但沒(méi)有被稀釋反而被放大了。3. Event Frames 落地實(shí)操?gòu)哪０逶O(shè)計(jì)到自動(dòng)生成3.1 事件幀的內(nèi)部結(jié)構(gòu)解析如果只是在軟件里看幾個(gè)現(xiàn)成的事件幀你可能覺得它就是一個(gè)時(shí)間區(qū)間加幾個(gè)屬性沒(méi)什么大不了。但要真正落地必須先吃透它的內(nèi)部結(jié)構(gòu)。我習(xí)慣把事件幀拆成下面四層來(lái)看層級(jí)組成作用時(shí)間邊界開始時(shí)間、結(jié)束時(shí)間定義事件在時(shí)間軸上的位置和跨度數(shù)據(jù)引用關(guān)聯(lián)測(cè)點(diǎn)PI Point/Tag限定事件所對(duì)應(yīng)的原始數(shù)據(jù)范圍上下文屬性文本型、數(shù)值型、枚舉型字段給事件打標(biāo)簽、補(bǔ)上下文支撐分析和AI訓(xùn)練層級(jí)關(guān)系父事件幀、子事件幀表達(dá)“總事件包含子階段”的樹狀結(jié)構(gòu)時(shí)間邊界是最容易忽略的細(xì)節(jié)。很多新手建模板時(shí)直接寫死“2024-01-01 00:00 到 2024-01-02 00:00”這種做法的可用性極差。成熟的模板會(huì)使用相對(duì)時(shí)間表達(dá)式例如事件觸發(fā)條件的滿足時(shí)刻為基準(zhǔn)向前推 2 小時(shí)作為開始時(shí)間向后推 1 小時(shí)作為結(jié)束時(shí)間。這樣同樣一個(gè)模板無(wú)論未來(lái)哪次報(bào)警觸發(fā)生成的事件幀都能自動(dòng)適配保證前兆段和恢復(fù)段都被框進(jìn)來(lái)。數(shù)據(jù)引用層決定了你能分析什么、訓(xùn)練什么。如果關(guān)聯(lián)測(cè)點(diǎn)太少比如只關(guān)聯(lián)一個(gè)振動(dòng)值事件幀就失去了上下文基礎(chǔ)如果關(guān)聯(lián)測(cè)點(diǎn)太多每次生成都會(huì)帶來(lái)額外的存儲(chǔ)開銷查詢也變慢。我的一般原則是圍繞事件的物理機(jī)理選擇測(cè)點(diǎn)機(jī)泵故障就關(guān)聯(lián)振動(dòng)、電流、出口壓力、軸承溫度確保覆蓋故障的主要表現(xiàn)維度而不是把所有測(cè)點(diǎn)都塞進(jìn)去。上下文屬性層是整個(gè)設(shè)計(jì)的靈魂。屬性字段建議設(shè)計(jì)成枚舉或有限取值比如故障類型可以取值“軸承磨損/不對(duì)中/汽蝕/其它”班組可以取值“甲/乙/丙”。枚舉化的好處有兩個(gè)一是后續(xù)做分類模型時(shí)標(biāo)簽是干凈的不用再做文本清洗二是統(tǒng)計(jì)聚合的時(shí)候可以按類別做分組分析效率大大提高。我把這個(gè)原則叫“屬性寧枚舉不文本”。3.2 設(shè)計(jì)事件幀模板的三個(gè)關(guān)鍵參數(shù)建立模板時(shí)有三個(gè)參數(shù)我最看中幾乎每個(gè)項(xiàng)目都要反復(fù)校準(zhǔn)。第一個(gè)是觸發(fā)方式。事件幀的生成不能靠手工在界面上點(diǎn)擊創(chuàng)建那樣沒(méi)法規(guī)?；?。常見的自動(dòng)觸發(fā)方式有幾種基于狀態(tài)變化比如設(shè)備從“運(yùn)行”切到“停止”的時(shí)刻觸發(fā)基于報(bào)警事件比如某個(gè)點(diǎn)位越過(guò)高限閾值并持續(xù)一定時(shí)間后觸發(fā)基于批次/工單信號(hào)比如批次管理系統(tǒng)發(fā)出“開始加料”的信號(hào)時(shí)刻觸發(fā)。選擇哪種方式取決于你關(guān)注的是設(shè)備故障、生產(chǎn)批次還是工況切換。報(bào)警觸發(fā)適合做故障事件批次開始/結(jié)束信號(hào)適合做生產(chǎn)事件狀態(tài)變化適合做設(shè)備運(yùn)行行為分析。第二個(gè)是時(shí)間窗。這個(gè)參數(shù)幾乎決定事件幀的“信息容量”。為了覆蓋完整過(guò)程前滾窗口要足夠容納故障前兆后滾窗口要足夠覆蓋故障恢復(fù)或工藝響應(yīng)。比如一個(gè)泵從出現(xiàn)早期異常到真正報(bào)警往往有 2 到 4 小時(shí)的演變過(guò)程報(bào)警后到運(yùn)行人員切換備用泵可能需要 30 分鐘到 1 小時(shí)。所以對(duì)機(jī)泵故障事件我的配置一般是“觸發(fā)前 4 小時(shí)到觸發(fā)后 1 小時(shí)”。如果窗口太短模型看不到前兆如果太長(zhǎng)又會(huì)混入大量無(wú)關(guān)的正常數(shù)據(jù)干擾模型學(xué)習(xí)。第三個(gè)是標(biāo)簽體系。事件幀生成初期故障原因往往是未知的需要設(shè)備工程師在事件發(fā)生后補(bǔ)錄。所以模板設(shè)計(jì)要給“故障原因”“處理措施”這類人工標(biāo)簽留好位置同時(shí)把它設(shè)為非必填避免因缺標(biāo)簽導(dǎo)致事件幀生成失敗。等樣本積累到一定數(shù)量這些人工標(biāo)簽就成為 AI 模型的訓(xùn)練目標(biāo)。標(biāo)簽體系的維護(hù)是一個(gè)持續(xù)過(guò)程我后面還會(huì)展開講。3.3 一個(gè)完整的機(jī)泵故障樣本生成實(shí)例說(shuō)一個(gè)我自己做過(guò)的實(shí)例離心泵 P-101 的振動(dòng)異常事件幀搭建。第一步是定義對(duì)象和測(cè)點(diǎn)。我在資產(chǎn)模型中建了一個(gè) P-101 泵的元素掛上 4 個(gè)關(guān)鍵測(cè)點(diǎn)振動(dòng)速度、電機(jī)電流、出口壓力、軸承溫度。這里測(cè)點(diǎn)和資產(chǎn)掛鉤很重要否則事件幀和物理設(shè)備之間的關(guān)聯(lián)就斷了。第二步是創(chuàng)建事件幀模板“PumpFaultTemplate”。模板掛到 P-101 元素上屬性字段包含故障類型枚舉軸承磨損/不對(duì)中/汽蝕/其它、FaultLevel枚舉一級(jí)/二級(jí)/三級(jí)、處理班組枚舉甲/乙/丙。時(shí)間邊界配置為開始時(shí)間等于報(bào)警觸發(fā)時(shí)刻減 4 小時(shí)結(jié)束時(shí)間等于報(bào)警觸發(fā)時(shí)刻加 1 小時(shí)。第三步是配置數(shù)據(jù)引用。模板上把 P-101 的 4 個(gè)測(cè)點(diǎn)全部引入作為數(shù)據(jù)引用。這樣每個(gè)事件幀生成后可以一鍵打開關(guān)聯(lián)曲線也能通過(guò)腳本讀取完整數(shù)據(jù)矩陣。第四步是配置觸發(fā)條件。我的條件是“P-101-VIB 振動(dòng)速度大于 10 mm/s 持續(xù) 30 秒”。注意這里加了持續(xù)時(shí)間條件避免瞬時(shí)尖峰噪聲誤觸發(fā)。第五步是運(yùn)行生成邏輯。系統(tǒng)按條件掃描實(shí)時(shí)數(shù)據(jù)流每當(dāng)條件滿足就創(chuàng)建一個(gè)事件幀。對(duì)于存量歷史數(shù)據(jù)也可以做批量回填把過(guò)去兩年符合條件的區(qū)間全部生成事件幀。這個(gè)過(guò)程我習(xí)慣先限定最近一個(gè)月跑通再擴(kuò)展到全量歷史。第六步是建立訓(xùn)練數(shù)據(jù)集。寫一個(gè) Python 腳本遍歷事件幀對(duì)每個(gè)幀取出關(guān)聯(lián)測(cè)點(diǎn)在區(qū)間內(nèi)的數(shù)據(jù)統(tǒng)一重采樣到 1 分鐘步長(zhǎng)再把故障類型屬性轉(zhuǎn)為標(biāo)簽列最終拼成一個(gè)多維數(shù)組。數(shù)據(jù)集每一行是一個(gè)事件幀每一列是特征或標(biāo)簽時(shí)間維以嵌套數(shù)組保存。數(shù)據(jù)導(dǎo)出為 Parquet 格式后可以直接喂給 PyTorch 或 TensorFlow 訓(xùn)練。這個(gè)流程看似簡(jiǎn)單但真正跑通以后后續(xù)做模型迭代就非常輕松——?dú)v史數(shù)據(jù)里每一個(gè)事件幀都能隨時(shí)轉(zhuǎn)化成訓(xùn)練樣本不需要再回頭去翻原始數(shù)據(jù)。4. 常見問(wèn)題與排查技巧實(shí)錄4.1 高頻問(wèn)題速查表做事件幀落地這些年我踩過(guò)不少坑也幫同行排查過(guò)不少問(wèn)題。下面這個(gè)速查表是我自己長(zhǎng)期積累的版本遇到問(wèn)題先對(duì)著查一圈。常見問(wèn)題可能原因解決辦法事件幀沒(méi)生成觸發(fā)條件持續(xù)時(shí)間設(shè)置過(guò)長(zhǎng)條件從未滿足先用短期數(shù)據(jù)下調(diào)持續(xù)時(shí)間閾值測(cè)試事件幀沒(méi)生成分析服務(wù)沒(méi)有啟動(dòng)或調(diào)度周期不對(duì)檢查事件幀生成服務(wù)是否在運(yùn)行調(diào)度周期是否覆蓋實(shí)際條件時(shí)段事件幀時(shí)間不對(duì)服務(wù)器時(shí)區(qū)與現(xiàn)場(chǎng)時(shí)區(qū)不一致統(tǒng)一使用 UTC 時(shí)間存儲(chǔ)展示時(shí)再轉(zhuǎn)換本地時(shí)區(qū)事件幀大量重復(fù)生成條件在短時(shí)間內(nèi)反復(fù)滿足觸發(fā)去抖不足增加事件冷卻時(shí)間比如同一類型事件 1 小時(shí)內(nèi)不重復(fù)生成關(guān)聯(lián)測(cè)點(diǎn)沒(méi)有數(shù)據(jù)測(cè)點(diǎn)未正確關(guān)聯(lián)到資產(chǎn)元素檢查資產(chǎn)層級(jí)中的測(cè)點(diǎn)引用重新綁定標(biāo)簽大量為空模板未設(shè)置默認(rèn)值或人工補(bǔ)錄流程缺失建立每日標(biāo)簽補(bǔ)錄流程設(shè)置默認(rèn)枚舉值“待確認(rèn)”歷史回填極慢對(duì)全量歷史數(shù)據(jù)逐幀掃描先用報(bào)警記錄粗篩出候選時(shí)間區(qū)間再生成事件幀這里特別提醒一點(diǎn)事件幀生成服務(wù)的調(diào)度周期很關(guān)鍵。如果系統(tǒng)里報(bào)警已經(jīng)觸發(fā)但分析掃描頻率是 5 分鐘一次事件幀的創(chuàng)建時(shí)間就會(huì)有最多 5 分鐘的延遲導(dǎo)致時(shí)間邊界偏移。關(guān)鍵設(shè)備的事件幀生成調(diào)度我會(huì)配置成 1 分鐘甚至更短。4.2 排查思路先用一小時(shí)數(shù)據(jù)做小閉環(huán)不管你是剛建好模板還是老模板改了參數(shù)都建議先做小范圍驗(yàn)證而不要直接全量回填。具體做法是把時(shí)間范圍限定到最近 1 小時(shí)手動(dòng)造一個(gè)觸發(fā)條件或等一個(gè)真實(shí)報(bào)警看事件幀能不能按預(yù)期生成時(shí)間邊界、數(shù)據(jù)引用、屬性值是否正確。有一次我?guī)鸵患一S排查對(duì)方說(shuō)“事件幀模板建好了但批量回填結(jié)果全是錯(cuò)的”。過(guò)去一看他直接對(duì)過(guò)去兩年歷史數(shù)據(jù)跑了全量回填生成了幾萬(wàn)個(gè)事件幀時(shí)間邊界錯(cuò)位的、屬性為空的、關(guān)聯(lián)測(cè)點(diǎn)無(wú)數(shù)據(jù)的混在一起根本沒(méi)法用。我讓他先刪掉這些垃圾幀然后把驗(yàn)證范圍壓到最近 3 天先只跟蹤一臺(tái)泵跑通一條完整的生成鏈路。半天時(shí)間就定位到問(wèn)題出在時(shí)區(qū)配置上——服務(wù)器用的 UTC觸發(fā)條件用的本地時(shí)間差 8 個(gè)小時(shí)所有事件幀都偏了。這個(gè)小閉環(huán)思路同樣適合調(diào)試訓(xùn)練數(shù)據(jù)集先導(dǎo)出 10 個(gè)事件幀對(duì)應(yīng)的數(shù)據(jù)矩陣肉眼檢查曲線再導(dǎo)出 50 個(gè)做一次小模型訓(xùn)練確認(rèn)效果穩(wěn)定了再擴(kuò)大到全部歷史事件幀。一步一步來(lái)問(wèn)題能少踩一大半。4.3 獨(dú)家避坑心得模板、時(shí)區(qū)與標(biāo)簽先說(shuō)模板。模板一旦發(fā)布并生成了大量事件幀后續(xù)改動(dòng)會(huì)有歷史兼容問(wèn)題。比如你把屬性“FaultType”的枚舉從三個(gè)值改成四個(gè)值歷史事件幀里原來(lái)的屬性值不會(huì)自動(dòng)遷移查詢和統(tǒng)計(jì)就可能出現(xiàn)斷檔。所以模板上線前一定要組織工藝、設(shè)備、生產(chǎn)幾方一起評(píng)審枚舉值盡量一次性定全。實(shí)在要改也要走變更流程把歷史幀的遷移評(píng)估清楚。再說(shuō)時(shí)區(qū)。工業(yè)現(xiàn)場(chǎng)最容易踩的就是時(shí)區(qū)和夏令時(shí)。建議在設(shè)計(jì)階段就把所有時(shí)間字段以 UTC 存儲(chǔ)事件幀的觸發(fā)時(shí)間表達(dá)式里也盡量統(tǒng)一到 UTC展示層再轉(zhuǎn)換成本地時(shí)間。別小看這個(gè)問(wèn)題我曾經(jīng)見過(guò)一個(gè)批次級(jí)事件幀的邊界因?yàn)闀r(shí)區(qū)配置不一致硬生生晚了一個(gè)小時(shí)導(dǎo)致和 DCS 側(cè)的操作記錄對(duì)不上。排查了整整兩天才找到根因。最后說(shuō)標(biāo)簽。盡量不要依賴運(yùn)行人員空閑時(shí)手工錄入標(biāo)簽。我在項(xiàng)目里推過(guò)一個(gè)辦法每天早上值班工程師花 15 分鐘在事件幀列表里快速過(guò)一遍前一天的異常事件用下拉菜單補(bǔ)錄故障類型和初步原因并把這個(gè)動(dòng)作納入班組交接班流程。標(biāo)簽質(zhì)量是靠流程保證的不是靠平臺(tái)功能保證的。有了這個(gè)日拱一卒的標(biāo)簽積累年底回頭看你手里已經(jīng)攢下了一份高質(zhì)量的訓(xùn)練數(shù)據(jù)集這就是最貴的資產(chǎn)。5. 在 AI 工作流里用好 Event Frames我的幾條具體建議5.1 把事件幀轉(zhuǎn)成模型訓(xùn)練數(shù)據(jù)集的標(biāo)準(zhǔn)流程很多朋友問(wèn)過(guò)我“事件幀有了怎么變成能訓(xùn)練的數(shù)據(jù)集”我通常建議按下面這條流程走順序不能亂。第一步是事件幀查詢。按模板、時(shí)間范圍、屬性標(biāo)簽篩選出目標(biāo)事件幀集合。比如要訓(xùn)練“振動(dòng)異常是否軸承磨損”的二分類模型就篩出所有故障類型為“軸承磨損”的事件幀作為正樣本篩出運(yùn)行正常但偶發(fā)波動(dòng)的事件幀作為負(fù)樣本。第二步是原始數(shù)據(jù)抽取。對(duì)每個(gè)事件幀讀取關(guān)聯(lián)測(cè)點(diǎn)在時(shí)間區(qū)間內(nèi)的歷史數(shù)據(jù)。注意數(shù)據(jù)往往不是等間隔的需要重采樣到統(tǒng)一頻率。分類模型我常用 1 分鐘分辨率序列長(zhǎng)度固定為窗口長(zhǎng)度如果需要更高頻的振動(dòng)信號(hào)分析則可能要 10 秒甚至 1 秒分辨率存儲(chǔ)開銷和計(jì)算開銷都會(huì)明顯增加。第三步是特征工程。對(duì)每個(gè)事件幀的序列數(shù)據(jù)提取統(tǒng)計(jì)特征比如均值、標(biāo)準(zhǔn)差、最大值、極差、變化率峰值、峰度等如果序列較長(zhǎng)還可以做小波或頻譜特征。特征表最終會(huì)成為模型的一個(gè)輸入通道。第四步是構(gòu)建樣本表。每一行是一個(gè)事件幀包含樣本 ID事件幀 GUID、標(biāo)簽屬性字段轉(zhuǎn)化而來(lái)、特征向量、數(shù)據(jù)矩陣路徑。這個(gè)表導(dǎo)成 CSV 或 Parquet就是我前面提到的訓(xùn)練數(shù)據(jù)成品。第五步是劃分?jǐn)?shù)據(jù)集。時(shí)間序列樣本千萬(wàn)不要隨機(jī)劃分訓(xùn)練集和測(cè)試集因?yàn)橄噜彉颖局g存在時(shí)間自相關(guān)隨機(jī)劃分會(huì)造成信息泄漏、評(píng)估虛高。我統(tǒng)一按時(shí)間順序切分比如前 80% 的訓(xùn)練集、后 20% 的測(cè)試集。這一點(diǎn)雖然基礎(chǔ)但很多團(tuán)隊(duì)都會(huì)栽在這里。這套流程看起來(lái)簡(jiǎn)單但如果沒(méi)有事件幀在前面做了時(shí)間和標(biāo)簽的錨點(diǎn)每一步都會(huì)變成手工地獄。這也就是為什么說(shuō)AI 項(xiàng)目的成敗往往在建模之前就已經(jīng)決定了。5.2 讓事件幀成為大模型可查詢的“企業(yè)記憶”工業(yè)現(xiàn)場(chǎng)積累的歷史事件幀本質(zhì)上是一座金礦。只是這座金礦的形態(tài)還是時(shí)間序列和結(jié)構(gòu)化表格大模型沒(méi)法直接挖掘。我目前在嘗試的一個(gè)方向是把事件幀轉(zhuǎn)成描述性文本再接入大模型做問(wèn)答和輔助研判。具體做法是事件幀生成后用模板自動(dòng)生成一段文本摘要涵蓋事件類型、開始結(jié)束時(shí)間、關(guān)聯(lián)設(shè)備、關(guān)鍵測(cè)點(diǎn)峰值、報(bào)警代碼、人工標(biāo)簽字段。比如一段典型摘要長(zhǎng)這樣“2024-11-02 03:17:00 至 2024-11-02 03:47:00P-101 離心泵發(fā)生振動(dòng)異常事件。振動(dòng)速度峰值 12.4 mm/s超過(guò) 10 mm/s 上限持續(xù)約 30 分鐘同時(shí)電機(jī)電流上升約 8%。相關(guān)報(bào)警代碼 A2287。處理措施切換至備用泵 P-102。故障原因標(biāo)簽軸承磨損?！边@種摘要寫入向量庫(kù)后可以讓大模型回答“給我查一下 P-101 今年發(fā)生了幾次振動(dòng)異常分別怎么處理的”。當(dāng)用戶問(wèn)“軸承磨損通常有什么前兆”時(shí)模型就能從歷史事件描述里檢索出相似的故障樣本總結(jié)出規(guī)律。事件幀在這個(gè)鏈路里扮演的是“結(jié)構(gòu)化的企業(yè)記憶”它限定了大模型的檢索范圍和上下文邊界既提高了回答準(zhǔn)確率也降低了幻覺風(fēng)險(xiǎn)。我個(gè)人的判斷是大模型在工業(yè)領(lǐng)域的落地不太可能靠“海量原始數(shù)據(jù)直接訓(xùn)練”更務(wù)實(shí)的路徑是先把有價(jià)值的事件用 Event Frames 這類機(jī)制沉淀成結(jié)構(gòu)化知識(shí)再變成大模型可以查詢的接口。這件事做得越早積累越厚后面 AI 應(yīng)用發(fā)揮的空間就越大。5.3 先建立事件字典再談算法選型最后一條建議是給所有正在規(guī)劃工業(yè) AI 項(xiàng)目的團(tuán)隊(duì)的先別急著選大模型還是小模型先回去把“事件字典”這一課補(bǔ)齊。事件字典是什么就是一張經(jīng)過(guò)業(yè)務(wù)和技術(shù)共同確認(rèn)的事件分類清單明確什么算一次事件、事件如何觸發(fā)、事件需要記錄哪些屬性、屬性有哪些枚舉取值。比如“離心泵振動(dòng)異常事件”的定義就可以寫清楚當(dāng)振動(dòng)速度超過(guò) 10 mm/s 且持續(xù) 30 秒判定為一次振動(dòng)異常事件事件屬性含故障類型、嚴(yán)重度等級(jí)、處理班組。這張事件字典既是 Event Frames 模板設(shè)計(jì)的依據(jù)也是未來(lái) AI 模型標(biāo)簽體系的基礎(chǔ)。我見過(guò)太多次這種場(chǎng)景團(tuán)隊(duì)興致勃勃地搭了一套 AI 平臺(tái)過(guò)了幾個(gè)月發(fā)現(xiàn)根本沒(méi)有像樣的訓(xùn)練數(shù)據(jù)因?yàn)楫?dāng)初沒(méi)人定義“什么是一次故障、什么是一次異?！?。反過(guò)來(lái)那些老老實(shí)實(shí)先把事件字典做透、把事件幀自動(dòng)生成跑通的團(tuán)隊(duì)哪怕算法用的不是最前沿的一年下來(lái)也攢下了幾千條高質(zhì)量樣本模型效果反而越做越好。所以如果你想在工業(yè)現(xiàn)場(chǎng)做 AI我的建議就是別從算法開始從事件開始。先把“什么值得記”想清楚再讓系統(tǒng)自動(dòng)幫你記最后才是讓 AI 幫你分析。Event Frames 就是幫你完成前兩步的那把鑰匙。從我自己的經(jīng)驗(yàn)來(lái)看Event Frames 這個(gè)名字聽起來(lái)“學(xué)術(shù)”用起來(lái)其實(shí)特別接地氣。它不解決算力問(wèn)題不解決模型選型問(wèn)題它只解決一個(gè)樸素的問(wèn)題——讓數(shù)據(jù)有邊界、有語(yǔ)義、有記憶。而在 AI 時(shí)代恰恰是這件事成了決定工業(yè)智能項(xiàng)目能不能走通的那塊基石。