摘要：国内现在工业AI故障预警项目落地率不到三成，很多项目要么准确率拉胯，要么成本太高用不起，我做了八年工业设备AI算法落地，踩过的坑比你见过的设备多，今天就给同行们掏点干货，都是能直接拿去改改就用的实战经验。
别拿通用预训练模型硬套工业场景，会死
三年前给钢厂做连铸机轴承故障预警，刚入行的小伙子上来就拿公开的西储大学轴承故障数据集，训了个12层的ViT，实验室测试准确率干到98%，一群人开心得不行。拉到现场一跑，三天炸了两个进口轴承，赔了快一百万，老板脸都绿了。
故障样本不平衡是工业场景绕不开的死结啊。99%的时间设备都是正常运行，真故障样本撑死了几十上百个，大模型参数多，直接就过拟合，把现场的工况波动当成故障特征学进去了，能不错吗？
工业现场还有各种乱七八糟的干扰，环境温度变个几十度，传感器零点飘几个微米，钢水浇铸量上下波动，原始信号直接就变天了，通用模型哪见过这个？
说实话，现在很多人迷信大模型，好像不用大模型就不够高级。我现在做项目，都是先按ISO 10816-3:2009的机械振动评价标准，把原始频谱做滤波分带，先把人工能提取的特征，比如峰峰值、峭度、频率中心都提出来，再喂给一个只有几千参数的轻量梯度提升树，或者两三层的小CNN，准确率反而比大模型高5个点以上，推理延迟还不到1ms，边缘网关就能跑，哪找这么好的事？
不过话说回来，要是甲方非要摆个大模型撑门面，那你就当我没说，对吧？
预判阈值不是拍脑袋，要结合运维成本调
很多刚做这个的工程师，阈值就设成模型输出故障概率大于90%就报警，这完全是坐在办公室想当然。
前年给汽车厂做冲压线模具裂纹预警，一开始就是按这个思路设的90%，结果两个月漏了两次裂纹，模具直接裂穿报废，一套模具二十多万，车间主任堵着我们办公室门骂。后来赶紧把阈值调到70%，好了，一天报二十多次假警，运维班五个人天天泡在冲压线，啥活都不用干了，转头又骂我们是来添乱的。
其实这里根本不是准确率的问题，阈值的核心是成本权衡，不是准确率最大化。我后来给他们算了一笔账，用这个简单的期望成本公式： \[ E = C_{fn} \cdot P(\text{实际故障}) + C_{fp} \cdot P(\text{实际正常}) \] 这里$C_{fn}$ 是漏报一次的成本，$C_{fp}$是误报一次的成本，找期望E最小的点就是最优阈值。
放到这个案例里，漏报一次模具报废二十万，误报一次工人过去检查，成本才五十块，那最优阈值肯定要往低了调，哪怕误报多一点，也不能漏。换个场景，比如工厂的循环冷却水泵，坏了换一个才一千多，误报一次停泵换件，耽误生产损失五万，那阈值就得往高了调，宁愿偶尔坏一个，也不能随便误报停线。
就这么简单的道理，十个做AI预警的有八个想不到，都盯着准确率卷，从来不问现场出问题要花多少钱，能落地才怪。
边缘端落地才是真落地，别搞云端那套花活
现在网上吹的很多AI故障预警方案，都是把传感器数据传到云端，在云端做推理发预警，看起来高大上，实则坑死人。
工厂的网络什么德行，干过工业的都知道。生产区屏蔽多，时不时就断个十分八分钟，要是刚好断网的时候设备出问题，预警发不出来，谁担这个责任？还有延迟，传数据到云端再回来，少说得几百毫秒，关键设备要实时预警，根本赶不上。
边缘端低延迟推理是工程落地的硬性要求，我们现在接项目，不管甲方说不说，都默认算法要能跑在最便宜的工业边缘网关上，就是那种算力只有2TOPS的ARM架构网关，多一点算力都不要，成本压到最低。
要做到这个，模型量化剪枝躲不开，我去年把一个10M的CNN模型，剪完枝量化成INT8，最后大小才780K，准确率只掉了1.3%，推理一次只要1.8ms，完全满足实时要求，就算断网，数据存在本地，预警直接触发现场的声光报警，根本不用等云端。
见过太多创业公司拿大模型云端方案骗钱，PPT上准确率99%，一算成本，一条生产线要配两台A100，光硬件成本大几十万，工厂一年维护费都赚不回来，最后项目烂尾，把整个圈子的名声都搞坏了。
小结
AI设备故障预判预警算法从来不是什么高大上的黑科技，也不是参数越大越好。核心就是沉到现场去，摸清楚设备的运行规律，算清楚不同错误的成本，适配现场能用的硬件，做出来的东西能用、好用，才是真的好。太多人追求炫技，最后做出来一堆只能看不能用的花架子，可惜了。
