番外:AI 时代,OT 数据怎么喂养模型

引言

钢铁行业的 AI 落地正在从试点走向规模:永钢(永卓控股)公开报道的实时采集点位超过 40 万个,部署 134 套 AI 应用,数据质量自动识别覆盖铁前到轧钢全流程,并获评 2025 中国工业数据治理“领跑者”;南钢已沉淀 20 多个高质量数据集,AI 应用落地 320 余个模型。

把这两组数字放在一起看,会发现一个规律:模型数量上去了,真正的瓶颈从算法转到了数据和样本。

一个模型效果不好,九成情况下不是网络结构选错,而是:样本里混着死值、标签对不上时间窗、负样本全是停产时段、训练集和线上工况分布不一致。

一、四类模型,四种数据需求

模型类型典型任务需要的数据关键约束
分类缺陷判定、牌号识别特征窗口 + 类别标签标签必须与窗口严格对应
回归温度预测、成分预报连续目标 + 多变量特征目标值的测量误差要已知
异常检测设备早期故障、工艺失稳正常工况长序列负样本(异常)稀缺是常态
时序预测轧制力、能耗预测历史序列 + 外生变量采样间隔必须一致
大模型/时序基础模型多任务、少样本大规模高质量序列数据规模与语义标注要求高

一个常见的错配是:拿“异常检测”的模型去解决“回归”问题。异常检测只需要正常数据,回归必须有精确目标值——后者对数据的要求高一个量级。

二、样本构建五步

flowchart TD
    A["1 定义标签<br/>什么算正样本"] --> B["2 确定时间窗<br/>提前多久、窗口多长"]
    B --> C["3 取数<br/>按测点清单+时标区间"]
    C --> D["4 对齐清洗<br/>时标对齐、剔除 Bad"]
    D --> E["5 质检<br/>分布、缺失、泄漏"]
    E --> F["训练集 / 验证集 / 测试集"]

图 1:样本构建五步。任何一步跳过,后面都要返工

第一步最关键。 “缺陷”的定义必须可执行:是质检判定为降级,还是尺寸超差,抑或客户异议?定义不同,标签完全不同。

第二步决定模型能不能用。 预测提前量太短,业务来不及干预;太长,预测精度必然下降。钢铁场景的经验区间:设备故障预警提前 30 分钟到数小时,质量预测提前到本工序结束前。

第四步最容易被低估。 时标不齐、单位混用、Bad 点未剔除,任何一个都会让模型学到噪声。

三、可运行的窗口切分

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
from dataclasses import dataclass


@dataclass(frozen=True)
class Label:
start: float # 事件开始时间(秒)
end: float # 事件结束时间(秒)
kind: str # 标签类别,如 "defect"


def build_windows(series: list[tuple[float, float]], labels: list[Label],
window_s: float, lead_s: float) -> list[dict]:
"""按标签事件切分特征窗口。

window_s: 特征窗口长度;lead_s: 窗口结束到事件开始的提前量。
"""
samples = []
for lb in labels:
win_end = lb.start - lead_s
win_start = win_end - window_s
feat = [v for t, v in series if win_start <= t <= win_end]
if not feat:
continue
samples.append({
"label": lb.kind,
"window": (win_start, win_end),
"n_points": len(feat),
"mean": sum(feat) / len(feat),
"max": max(feat),
})
return samples


if __name__ == "__main__":
ts = [(float(t), 100 + t * 0.1) for t in range(0, 600, 10)] # 每 10 秒一个点
labels = [Label(start=300, end=360, kind="defect")]
out = build_windows(ts, labels, window_s=120, lead_s=30)
print(out)

这段代码体现两个工程约束:提前量必须显式(否则标签泄漏),窗口内点数必须校验(点太少说明数据缺失,应剔除而不是填充)。

标签泄漏是工业 AI 最隐蔽的错误:用事件发生后的数据预测事件,模型指标漂亮,上线即失效。

四、标签从哪来

渠道内容质量覆盖
质量判定系统判废、降级、复检结果高只覆盖有判定的批次
工单与故障记录设备故障、停机原因中(依赖填写质量)覆盖设备类事件
工艺记录与操作日志换辊、调温、断浇中覆盖操作类事件
人工标注专家回看曲线打标高但成本高小样本、关键场景

标签治理的核心是时间对齐:质量判定往往只记日期或班次,而模型需要精确到分钟的事件时刻。没有精确时刻,就只能用班次窗口,模型精度必然受限。

五、四个高频陷阱

陷阱表现后果对策
死值混入传感器冻结值被当正常模型学到“常数即正常”按质量码过滤 Bad
标签错窗事件时刻与特征窗口错位训练指标虚高强制 lead_s 参数
负样本偏差负样本全是停产时段模型只会区分“开/停”负样本按工况分层抽样
分布漂移训练用夏季数据,上线在冬季精度断崖定期回训 + 漂移监控

第三项在钢铁现场特别普遍:数据好取的时候往往是停产检修期,生产期数据最难拿。结果模型学的是“停机特征”,不是“缺陷特征”。

六、时序大模型:四个前提(个人判断)

以下为个人判断,不是行业共识:

  1. 数据规模要够。 单个工序的序列长度往往不足以支撑基础模型训练,需要跨产线、跨基地汇总。
  2. 语义要统一。 不同产线同一物理量命名不同,模型无法共享知识。
  3. 质量要可标注。 大模型也需要判断哪些片段可信,质量码必须随数据一起进入训练。
  4. 算力与运维要跟上。 推理成本、版本管理、回退机制都要提前设计。

四个前提里,前两个属于治理范畴,第三个属于数据契约,只有第四个是纯技术。这也是为什么“先把数据治好”比“先上大模型”更实际。

七、一个比喻:做饭与食材

训练模型像做饭:算法是菜谱,数据是食材。食材不新鲜(死值)、切错尺寸(窗口不对)、标签贴错(把牛肉标成猪肉),再好的菜谱也做不出好菜。

对应关系是:食材新鲜度对应数据质量,切配尺寸对应窗口长度,标签对应监督信号。比喻的边界在于:做饭可以重买食材,模型训练的数据往往不可重来——历史时段的数据质量问题,只能靠补录和标注弥补。

八、落地清单

  • 标签定义可执行,写进文档并有责任人
  • 提前量与窗口长度书面确认,模型训练强制使用
  • 训练数据按质量码过滤,Bad/Missing 不进正样本
  • 负样本按工况分层抽样,避免全是停产时段
  • 每个数据集记录来源测点、时间范围、生成规则版本
  • 上线后监控输入分布漂移,设回训触发条件
  • 模型输出可追溯到输入窗口(可解释性最低要求)
  • 数据集作为独立资产登记,可被第二个模型复用

九、结论

工业 AI 的竞争,最后会落在数据与样本上:

  • 四类模型的数据需求不同,不能一套样本打天下;
  • 样本构建五步里,标签定义和提前量最容易被跳过,也最致命;
  • 标签必须精确到可对齐的时刻,否则只能用粗窗口;
  • 四个陷阱里,负样本偏差最普遍。

一句话:模型的上限由数据决定,算法的贡献是把上限逼近。