理解 AI 模型算法

异常检测 — IBM Granite TSPulse

什么是 TSPulse？

TSPulse（Time-Series Pulse）是 IBM 开发的时序异常检测基础模型。它从传感器数据等按时间顺序传入的数据中学习正常模式，并将偏离模式的区间检测为异常。

工作原理：基于重构误差

TSPulse 基于以下原理运行：“如果能够准确还原正常数据，那么无法还原的区间就是异常。”

① 학습 (정상 패턴 학습)

입력 시계열: [23.1, 23.2, 23.0, 23.3, 23.1, ...]  ← 정상 온도 패턴
                    │
                    ▼
            ┌──────────────┐
            │   인코더      │  데이터를 압축된 표현으로 변환
            │  (Encoder)    │
            └──────┬───────┘
                   │
            ┌──────┴───────┐
            │   잠재 공간    │  핵심 패턴만 남긴 압축 표현
            │  (Latent)     │
            └──────┬───────┘
                   │
            ┌──────┴───────┐
            │   디코더      │  압축 표현에서 원래 데이터 복원
            │  (Decoder)    │
            └──────┬───────┘
                   │
                   ▼
재구성 출력: [23.0, 23.2, 23.1, 23.2, 23.1, ...]  ← 거의 같음!

재구성 오류 = |원본 - 재구성| = [0.1, 0.0, 0.1, 0.1, 0.0]  ← 매우 작음 → 정상

② 이상 탐지

입력 시계열: [23.1, 23.2, 87.5, 23.3, 23.1, ...]  ← 갑자기 87.5도!
                    │
                    ▼
            [인코더 → 잠재 공간 → 디코더]
                    │
                    ▼
재구성 출력: [23.0, 23.2, 23.4, 23.2, 23.1, ...]  ← 87.5를 복원 못함

재구성 오류 = [0.1, 0.0, 64.1, 0.1, 0.0]
                          ↑
                     이상 점수 높음! → 이상 탐지됨

核心概念

概念	说明	类比
重构误差	原始数据与还原数据之间的差异	复印机可以准确复印原稿，但无法复印异常部分
校准分数	重构误差偏离常态（基准区间）波动幅度的倍数 — 稳健 z 分数	“波动比平时大 5 倍”
阈值 (threshold)	判定异常的校准分数基准值 — 设备传感器默认值为 5.0	用于区分“此范围内正常，超出则异常”的基准线

threshold=0 并非“自动”

旧版文档曾说明，设置为 0 时会自动确定阈值。当前设备传感器分数采用基准 中位数为 0 的尺度，因此设置为 0 后，只要略高于常态就会全部计为异常。如无特殊原因， 请省略 threshold，使用默认值（5.0）。

基准取自“分析窗口之前”

在同一次调用中，使用分析窗口之前区间的重构误差计算中位数和 MAD。因此，每台设备、 每个标签都会分别确定各自的“常态”。如果标签的基准区间过短，则不计算分数，而是留空并说明 原因，不会填充为 0。

• 状态标签（运行/停止等）不纳入分析对象。
• 对于计数器标签，不使用累计值，而是查看每 5 个间隔增量的平均值，生产停止会体现为增量 0。
• 设备传感器的聚合与平滑窗口为 8 / 4。

在 PlantPulse 中的应用

센서 데이터 (최근 N분)
    │
    ▼
TSPulse 모델에 입력
    │
    ▼
각 시점별 재구성 오류 계산
    │
    ▼
임계값 초과 구간 = 이상 구간
    │
    ├──▶ 이상 메트릭 상위 K개 추출 (top_k)
    ├──▶ 이상 점수 및 시간 정보 반환
    └──▶ 최근 N초 이내 이상 여부 판정 (recent_seconds)

---

时序预测 — TinyTimeMixer (TTM)

什么是 TTM？

TinyTimeMixer 是 IBM 开发的轻量级时序预测模型。它通过学习历史数据模式来预测未来值。正如“Tiny”这一名称所示，即使使用较少的资源也能实现较高的性能。

PlantPulse 随附的是 Granite-TTM R3（512-96-dec-512-r3），这是将趋势与残差 分离后进行预测的分解预测（TinyTimeMixerForDecomposedPrediction）版本。镜像中还同时包含上一代 R2， 只需修改一行配置即可切换回 R2 → 时序洞察

工作原理：Mixer 架构

TTM 是一种将 MLP-Mixer 架构应用于时序数据的模型。

과거 데이터 (Context Window)          예측 (Prediction Window)
┌──────────────────────────┐     ┌──────────────────┐
│ t-512  t-511  ...   t-1  t │ →  │ t+1  t+2  ... t+96 │
└──────────────────────────┘     └──────────────────┘
        입력 (512 스텝)                출력 (96 스텝)

预测过程

① 시간축 믹싱 (Time Mixing)
   "과거 패턴에서 시간적 관계를 파악"

   - 새벽에는 온도가 낮고, 낮에는 높다 (일주기)
   - 월요일에 가동률이 높다 (주주기)
   - 점점 온도가 올라가는 추세 (트렌드)

② 채널 믹싱 (Channel Mixing)
   "여러 센서 간의 관계를 파악"

   - 전력 소비가 올라가면 → 온도도 올라간다
   - 진동이 커지면 → 알람 빈도도 높아진다

③ 예측 생성
   시간 패턴 + 센서 관계를 종합하여 미래 값 예측
   신뢰구간(상한/하한)도 함께 제공

核心概念

概念	说明	类比
上下文长度	用于预测的历史数据量	根据过去几天的数据预测明天天气
预测长度	要预测未来多少个步长	预测未来几天的天气
置信区间	预测值的上限/下限范围	“明天气温将在 20~25 度之间”
多变量	同时考虑多个传感器	综合温度、压力和振动进行预测

预测结果示例

시간     │ 실제값  │ 예측값  │ 하한   │ 상한
─────────┼────────┼────────┼───────┼───────
14:00    │ 23.1   │ -      │ -     │ -      ← 과거 (실제 데이터)
14:10    │ 23.3   │ -      │ -     │ -
14:20    │ 23.2   │ -      │ -     │ -
─────────┼────────┼────────┼───────┼───────
14:30    │ ?      │ 23.4   │ 22.8  │ 24.0   ← 미래 (예측)
14:40    │ ?      │ 23.5   │ 22.6  │ 24.4
14:50    │ ?      │ 23.7   │ 22.5  │ 24.9

---

异常检测 + 预测联动应用

PlantPulse AI 将异常检测与预测联动，提供更有价值的洞察。

현재 상태 파악 (TSPulse 이상 탐지)
    │
    │  "현재 온도 센서에서 이상 패턴 감지됨"
    │
    ▼
미래 추세 예측 (TTM 예측)
    │
    │  "앞으로 6시간 내 임계값 초과 예상"
    │
    ▼
종합 판단
    │
    │  "현재 이상 + 악화 추세 → 즉시 점검 권고"
    │
    ▼
관련 문서 검색 (RAG)
    │
    │  "해당 설비 정비 매뉴얼 3장 참조"
    │
    ▼
종합 리포트 생성 (AURA LLM)

各应用场景的模型组合

场景	TSPulse（异常检测）	TTM（预测）	判断
正常运行	无异常	保持正常范围	正常 — 持续监控
初期异常	检测到异常	正常范围	注意 — 需要观察趋势
恶化趋势	检测到异常	预计超过阈值	警告 — 建议立即巡检
突发异常	异常分数较高	急剧恶化	紧急 — 需要立即处理

---

设备健康分数 (Health Score)

采用从 100 分开始扣分的方式，计算 0~100 分的健康分数。不包含预测（TTM）， 只计算截至当前已经发生的情况。

건강 점수 = 100 − 이상 감점 − 알람 감점 − 비가동 감점     (0~100 로 자름)

이상 감점   최대 40   센서·OEE·RAM·EMS·알람의 이상 비율을 가중평균
알람 감점   최대 30 + 10   최근 24시간 알람(우선순위 가중) + 아직 안 풀린 알람
비가동 감점 최대 20   가동 정보가 있을 때만

等级	分数
A · Good	90 及以上
B · Caution	75 及以上
C · Warning	60 及以上
D · Critical	低于 60

由于采用扣分方式，可以通过扣分明细说明“为什么是这个分数”。 如果观测数据不足， 则无论分数如何都不评定等级，而是设为 Insufficient data，以避免将“没有数据” 误判为“健康”。

---

特征存储的作用

每次实时执行异常检测和预测都需要一定时间。特征存储会预先计算并保存这些结果。

┌─────────────────────────────────┐
│  피처 스토어 스케줄러              │
│                                  │
│  매시간: 설비별 건강점수 계산      │
│  매일:   종합 분석 LLM 컨텍스트   │
│         임베딩 벡터 생성          │
└──────────────┬──────────────────┘
               │
               ▼
┌──────────────────────────────────┐
│  사용자 질문: "이 설비 상태 어때?" │
│                                   │
│  → 사전 계산된 피처 즉시 반환      │
│  → 실시간 계산 대기 없음!          │
│  → 응답 시간: 수백 ms              │
└──────────────────────────────────┘