钢铁OT数据治理系列-12番外:AI 时代,OT 数据怎么喂养模型
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 | from dataclasses import dataclass |
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:
- 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。
- 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。
- 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。
- 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。
