简介:工业能耗分析常把产量上升误读成效率变差。本文对比单耗异常检测与次日能耗预测的目标、信号、验证方式和证据边界,说明二者如何互补、何时选用,以及问答环节如何用证据白名单限制无来源推断。
工业能耗诊断里,最容易混淆的不是算法名称,而是两件目标不同的事:单耗异常检测回答“今天这条记录是否偏离了自身口径下的合理水平”,次日能耗预测回答“在已知滞后信息下,明天综合能耗大概落在哪里”。二者都依赖清洗后的车间日面板,却不能互相替代。本文对比的就是这两类能力,并顺带比较三类检测信号与四类预测方法的适用边界。
车间日报经常把绝对能耗、费用、碳排和单耗写在同一张表里。产量上涨时总能耗上升是常态,若直接把能耗涨幅当成效率恶化,会把增产误判成浪费。单位混写、重复单据、计量口径不一,还会让同一业务键出现多条互相冲突的记录。诊断系统若只输出一个“异常”或一个“预测值”,分析师无法判断数字从哪条证据来。因此需要先统一口径,再把“找偏离”和“估明天”拆开设计,并用可追溯清洗和证据白名单约束后续解释。
单耗异常检测面向已发生记录。它在日期、车间、能源种类构成的业务键上,判断单位产品能耗是否超出统计阈值、是否相对产量基线偏离,或是否在累积和上形成持续偏移。输出是异常标记、信号类型和可回溯的修正证据,而不是对未来的点估计。
次日能耗预测面向尚未发生的综合能耗。特征只用滞后至少一天的实测量,避免用当天结果解释当天。验证采用扩展窗口、固定步长的滚动切分,使每一折都更接近“用过去预测紧接着的未来”。季节性朴素基线(例如用近七日同类模式外推)用来衡量复杂模型是否真的带来增益。
问答侧的证据约束不是第三种预测器。它规定生成式模型只能在候选证据编号中选择,可见数值由服务端按受控记录回填。这样可以把“解释”限制在已计算、已落库的结果上。
两类任务共享同一条数据底座。按业务键去重后,数值离群不宜整行删除,更稳妥的做法是单元格置空、按分组插补,并保留“原值、空值原因、插补方法”一类修正证据。综合能耗、费用、碳排、单耗必须拆成四条互不替代的口径:费用受价格影响,碳排受因子影响,绝对能耗受产量影响,单耗才更接近效率。
两者都强调时间方向。检测可以看当天及历史,预测不能把待预测日的实测能耗泄漏进特征。两者也都需要拒绝无依据因果:检出偏离不等于设备故障,预测误差变小也不等于找到了节能措施。
目标不同。检测优化的是“是否值得人工复核”,指标更关心误报、漏报和信号可解释性。预测优化的是点误差或区间覆盖,例如平均绝对误差。把检测阈值直接当成预测模型,或把预测残差不加区分地当成异常,都会把两类误差混在一起。
时间粒度不同。检测可以落到明细或车间日;次日预测以车间日为自然决策粒度。一份模拟数据从约一万九千条明细清洗到约一万九千条可用明细、近六千条车间日特征后,预测验证集中在滚动测试折上,而不是在全量随机打乱的样本上报一个好看的误差。
信息使用不同。二倍标准差看的是单耗分布的瞬时偏离;产量基线看的是“在当前产量下单耗是否仍偏高”;累积和更敏感于小幅但持续的漂移。预测侧则把滞后产量、滞后能耗、日历和车间属性装配成特征向量,比较梯度提升树、循环神经网络、自注意力序列模型与七日季节基线。梯度提升树对表格型滞后特征通常更稳,序列模型在样本量有限、季节已能被简单基线捕捉时,未必更优。原文离线滚动结果中,梯度提升树的平均绝对误差约 0.47 吨标准煤,较七日季节基线下降约三成八;循环网络与自注意力模型的误差更高。这些数字只说明该组模拟数据、该切分下的相对排序,不能外推为普遍性能承诺。
失败模式不同。检测的主要风险是单位未统一时阈值失真,以及把增产造成的总能耗上升报成单耗异常。预测的主要风险是特征泄漏、只报一个随机切分误差,以及用复杂模型拟合噪声后在下一折失效。问答的主要风险是模型用流畅语言补上数据里不存在的原因。
| 维度 | 单耗异常检测 | 次日能耗预测 | 证据约束问答 |
|---|---|---|---|
| 核心问题 | 这条记录是否偏离 | 明天综合能耗约多少 | 这句话能否对应到证据 |
| 主要输入 | 统一口径后的单耗、产量、历史水平 | 滞后实测量与日历、车间特征 | 已生成的候选证据编号 |
| 典型方法 | 二倍标准差、产量基线、累积和 | 季节基线、梯度提升树、序列模型 | 只选编号,服务端回填数值 |
| 验证方式 | 信号抽检、业务复核 | 扩展窗口滚动、与季节基线比误差 | 固定用例与历史记录回归 |
| 不能证明 | 根因、责任车间之外的因果 | 节能措施有效 | 白名单之外的新事实 |
| 更合适的决策 | 派单复核、冻结异常日 | 排产、购能、日计划 | 对内说明与审计 |
二倍标准差适合幅度明显、分布大致稳定的单耗跳动。它对缓慢漂移不敏感,车间切换产品或计量单位后必须重估分布,否则阈值跟着脏数据走。
产量基线适合回答“总能耗涨了,但单耗是否仍异常”。它直接针对“把增产误判成效率恶化”这一痛点。若产量本身缺失或口径与能耗不对齐,基线会失效,应先回到单元格级修复,而不是放宽阈值。
累积和适合小偏差的持续累积,例如仪表慢慢漂移。它对单日冲击不如阈值法直观,告警后要回看是过程变化还是计量变化。三类信号并列输出,比合成一个黑盒分数更利于复核:同一天只有产量基线报警,和三类同时报警,处理优先级不同。
七日季节基线实现简单,能吸收固定周内节奏,应作为下限。只有滚动折上稳定优于该基线,更复杂的模型才有上线理由。
梯度提升树适合滞后特征已经表格化、类别车间较多、缺失经显式处理后的场景。它训练和解释成本通常低于深度序列模型,也便于和特征重要性、分车间误差一起交付。
循环神经网络和自注意力序列模型适合序列更长、非线性季节更复杂、样本量足以支撑训练的场景。在车间日样本只有数千条、测试折合计两千余条这一量级时,结构更重并不自动带来更低误差。选型时应比较同一套滚动折,而不是单独引用某个模型在随机划分上的最好一次结果。
示意性的防泄漏切分只表达顺序,不依赖特定框架:
for fold in expanding_windows(step_days=30):train = panel[panel.date < fold.test_start]test = panel[fold.test_start : fold.test_end]features = lag(train_and_history, min_lag_days=1)score(model.fit(train), test)
检测和预测都会产生数值。若直接把这些数值交给自由生成的说明文字,模型可能编造“空压机效率下降”这类数据中不存在的原因。更稳妥的边界是:检索或规则先给出候选 evidence_id;模型只能选择其中的编号;金额、单耗、误差等可见数字由服务端按该编号对应记录生成。候选为空、口径冲突或问题要求跨出口径因果时,应拒答或只返回“证据不足”,而不是用平均水平填一句看起来完整的结论。
离线固定用例全部通过且不调用生成模型,说明规则路径本身可回归;历史在线记录通过,说明约束在真实问法上未被绕开。这两类测试不能代替现场标定,但能防止“解释层”把已验证的数字重新说乱。
日调度、购能和排产更依赖次日预测,前提是滞后特征完整、滚动误差相对季节基线有稳定增益。设备巡检、计量争议和效率考核更依赖单耗检测,且应同时看绝对能耗,避免只考核单耗而忽视统计口径。对管理层的文字说明必须走证据编号,不能把模型残差口头升级成根因。
从报表拼表迁到这套诊断,要先冻结业务键和四条口径,再重放去重与单元格插补,核对修正证据是否可追溯。预测上线前用与训练相同的扩展窗口重算误差,禁止只保留随机划分成绩。检测阈值在产品切换、仪表更换后要重估。权限上,证据明细与汇总指标分开授权;审计日志保留所选 evidence_id,而不是只保留最终段落。
若团队运维能力有限,可把面板计算、滚动验证和证据检索放到托管的数据与任务环境中,但托管不改变方法边界:仍然不能用当天能耗预测当天,也不能让生成模型脱离白名单写数。
单耗异常检测负责发现已发生的效率偏离,次日预测负责在不泄漏未来信息的前提下估计综合能耗,证据白名单负责让说明不超出已计算结果。二倍标准差、产量基线和累积和各抓一类偏离;预测则以季节基线为下限,在滚动切分上比较表格模型与序列模型。选型时按决策问题而不是按模型时髦程度:要复核当天就上检测,要安排明天就上预测,要对外解释就把两者的数字锁回证据编号。