2. 工业异常检测基础
在工业异常检测中，模型评估与阈值优化的前提，是先理解“异常”本身在工业语境下意味着什么。与互联网风控、金融欺诈等场景不同，工业异常往往不是单一维度的离群点，而是与设备工况、工艺阶段、时间上下文和群体行为紧密耦合。若把异常类型判断错，后续的评分分布、阈值选择和评估指标都会系统性偏移。因此，本节先建立异常类型与工业场景的基础认知，为后续阈值优化打下语义基础。
一、三类异常：点异常、上下文异常、集体异常
工业异常检测中最常用的分类框架，是按异常在数据中的“结构形态”划分为三类。
- 点异常（Point Anomaly）：单个样本在特征空间中显著偏离正常分布。例如某时刻轴承温度突然达到 120℃，而历史正常范围是 60～80℃。点异常通常可以用距离、密度或重构误差直接捕捉，是三类中最容易检测的一类。
- 上下文异常（Contextual Anomaly）：样本本身数值可能正常，但在特定上下文（时间、工况、设备状态）下不合理。例如压缩机在低负载阶段出现高振动，振动值本身在全局范围内并不极端，但在“低负载”这一上下文中属于异常。检测这类异常必须引入上下文标签，如时间窗口、工况编码、设备档位。
- 集体异常（Collective Anomaly）：单个点看起来正常，但一组连续点整体呈现异常模式。例如某段传送带电流曲线出现持续 30 秒的周期性抖动，每个采样点都在正常范围内，但整体序列形态偏离正常节律。集体异常需要序列建模或子序列级评分，不能只看单点。
关键区别：点异常看“单点偏离”，上下文异常看“条件合理性”，集体异常看“序列形态”。三者的评分粒度和阈值对象不同——点异常阈值作用于单点分数，上下文异常阈值作用于条件化分数，集体异常阈值作用于窗口或子序列分数。
二、工业场景差异：制造、能源、化工
不同工业场景的数据生成机制差异很大，异常类型分布也不同。下表给出典型对比。
| 场景 | 典型数据 | 主导异常类型 | 检测难点 |
|---|---|---|---|
| 离散制造 | 振动、电流、扭矩、视觉图像 | 点异常、集体异常 | 工况切换频繁，正常模式多 |
| 能源电力 | 电压、电流、功率、温度、SCADA 时序 | 上下文异常、集体异常 | 负荷周期强，异常与调度混淆 |
| 化工过程 | 温度、压力、流量、液位、浓度 | 上下文异常、集体异常 | 变量强耦合，慢漂移难界定 |
制造场景中，设备启停和换型会带来大量“合法”的分布变化，若不加区分，容易被误判为异常。能源场景中，日负荷曲线和季节周期使上下文异常尤为突出。化工场景中，多变量耦合和缓慢漂移使集体异常成为主要风险，且异常往往在早期表现为变量间相关性的细微改变，而非单变量越限。
三、工业数据特点与核心挑战
工业数据与公开基准数据集差异显著，主要体现在以下方面：
- 标签极度稀缺：故障样本少，且很多异常没有明确标注，导致监督学习难以直接使用。
- 类别不平衡极端：正常样本占 99% 以上，异常可能只有几十条甚至几条。
- 噪声与缺失并存：传感器漂移、通信丢包、采样抖动普遍存在。
- 非平稳与工况漂移：设备老化、季节变化、原料变化导致正常分布本身在变。
- 多变量强耦合：单变量正常但变量间关系异常，是化工与能源场景的常见故障前兆。
- 实时性要求高：阈值需要在边缘侧快速计算，不能依赖复杂离线模型。
实践建议：在评估模型前，先明确当前场景以哪类异常为主。若以集体异常为主，单点阈值评估会高估模型性能；若以上下文异常为主，必须把工况标签纳入评分与阈值条件。
四、从异常类型到阈值对象的映射
异常类型直接决定阈值作用的对象。下图给出从数据到异常类型、再到阈值对象的映射关系，帮助在后续章节中正确选择评估粒度。
五、常见误区与复盘
在工业异常检测实践中，以下误区反复出现：
- 把上下文异常当点异常处理：直接用全局阈值，导致工况切换时大量误报，或在低负载阶段漏报真实故障。
- 忽略集体异常的窗口粒度：只对单点评分，导致持续抖动、缓慢漂移等早期故障被淹没在正常波动中。
- 用公开数据集的经验直接迁移：公开数据集多为点异常且标签较全，工业现场以集体和上下文异常为主，直接套用会高估模型能力。
- 阈值固定不随工况调整：设备老化、季节变化后正常分布漂移，固定阈值会逐渐失效。
复盘要点：当发现模型在离线评估表现很好、上线后误报漏报严重时，优先检查异常类型与阈值对象是否匹配，而不是急于更换模型。多数情况下，问题出在评估粒度与阈值条件，而非算法本身。
理解异常类型、场景差异和数据挑战，是后续进行评分分布分析、阈值搜索和评估指标选择的前提。只有先明确“要检测什么形态的异常”，才能正确决定“对什么对象设阈值、用什么指标评估”。