预测、异常检测与数据插补------三件事:明天会怎样、这个数怪不怪、这段怎么没数
一句话:IDMP 内置 TDgpt 时序 AI 能力,不写模型代码 就能做三件事------预测未来趋势、判断多变量联合异常、补齐缺失数据。它不替代大模型:大模型负责"解释",TDgpt 负责"算"。
三件完全不同的事,经常被混成一件
| 你真正想问的 | 该用什么 | 典型误用 |
|---|---|---|
| "照这个趋势,什么时候会到阈值?" | 预测(Forecasting) | 拿阈值告警当预测用 |
| "这几个测点同时这么变,正常吗?" | 异常检测(Anomaly Detection) | 给每个点单独设阈值 |
| "传感器检修 6 小时,这段数据怎么办?" | 数据插补(Imputation) | 让曲线自动连过去、假装有数据 |
三件事对应三套方法。混着用,结果一定错,而且不会报错。
一、预测:不是"猜明天",是"给一个带区间的判断"
它做什么
拿一段历史数据训练/推理,输出未来一段时间的预测值 + 预测区间。在面板上表现为:实测曲线之后,接一段虚线和一条上下界。
关键认知:预测是区间,不是点
一个负责任的预测,永远长这样:
bash
"未来 24 小时,2 号床层温度大概率落在 392~401℃ 之间"
而不是:
bash
"明天 14:00 温度会到 397.3℃"
后者听起来厉害,前者才能用来做决策。 因为你要的是"要不要提前备件/降负荷",不是"猜准那个点"。
用在哪
- 面板里叠加预测曲线(看趋势);
- 分析工作台里做预测分析(看结论);
- 配合事件:预测值触及阈值 → 提前告警(这是从"超标报警"到"预警"的关键一步)。
二、异常检测:单点阈值永远抓不到的那类问题
为什么阈值不够
看这三组数:
bash
A:温度 85℃(限值 90) ← 阈值说:正常
B:温度 88℃ 连续 4 小时不动 ← 阈值说:正常,但"不动"本身不正常
C:温度 85℃ + 振动上升 + 电流下降 ← 阈值说:三个都正常
C 才是真正危险的 :温度没超、振动没超,但三者的组合关系 变了------这通常是设备内部状态变化的早期信号。任何单点阈值都抓不到它。
两种用法
| 用法 | 怎么配 | 效果 |
|---|---|---|
| 单序列异常检测 | 在一条属性上做异常检测分析 | 抓"这段波形不对劲",不需要你给阈值 |
| 多变量异常检测 | 把多个相关测点一起喂进去 | 抓 C 那类"联合异常" |
配合事件 + 动作,就是"提前 3 天知道"。
三、数据插补:有洞就得说清楚,不能假装没洞
洞从哪来
- 传感器检修/更换(几小时到几天);
- 通讯中断(几分钟到几小时);
- 设备停机(本来就没数,不算洞)。
IDMP 怎么补
用 TDengine 的 imputation() 做插补,支持线性插补 、矩(moment)类方法 等,可以在面板里直接执行,也可以把插补结果回写。
一条铁律:插补值必须标记,不能混进原始值
为什么这么强调?
因为插补值一旦被当成真实值,会出三种事故:
- 计量结算错:按插补出来的流量跟客户结算电费/水费------这是真金白银的纠纷;
- 环保数据失真:为了"曲线好看"把超标段插平,性质就变了;
- 模型被污染:拿插补值去训练预测模型,模型学到的是插补算法的习惯,不是设备的行为。
所以:插补可以用于"看图连贯"和"临时分析",不能用于"对外计量"和"训练模型"。 这条要在制度上写死,不能靠人自觉。
四、一个生产实践的例子:李工把"事后报警"改成"提前三天"
还是那个化工厂的 R-201 装置(第 02 篇里那位李工)。
原来他们的模式是:超标 → 报警 → 处理。上个月 3 号床层温度波动,报警来得不算晚,但留给人的时间只有 40 分钟。
他想把窗口从 40 分钟拉长到 3 天。
第一步 · 先把"洞"补上,否则一切白谈。
他先查了半年的数据完整性:发现每次检修停机后,温度测点有 4~6 小时空窗,而每次空窗之后的头 2 小时数据都"跳"得很厉害。
如果不处理这个洞,预测模型会把"空窗后的跳变"学成正常模式。 所以第一件事是:对历史空窗做插补(并打标记),把这些区间从训练数据里排除。
第二步 · 上预测。
拿过去 90 天的床层温度做预测分析,输出未来 24 小时的预测区间,叠在面板上。
第一版结果不理想------预测区间宽得没意义。原因:没考虑负荷变化。加上"循环氢流量"作为辅助信息重新算,区间收窄了一半。
第三步 · 上多变量异常检测。
把「床层温度 + 循环氢流量 + 压缩机电流 + 床层差压」四个测点一起喂进去。
这一步抓到了上次人工没看出来的东西 :事故发生前 3 天,四个变量之间的比例关系已经开始偏移------每个单独看都正常,组合看已经不对了。
第四步 · 接事件和动作。
- 多变量异常 → Warning 事件 → 推工艺群;
- 预测值 24 小时内触及 410℃ → Major 事件 → 建工单;
- 两条同时命中 → Critical → 触发 AI 做一次根因初筛。
第 47 天,凌晨。
多变量异常在 02:10 触发。工艺员到现场检查,发现是一台备用冷却器的循环阀内漏------修完花了 3 小时,生产没停。
而在旧模式下,这个故障大概率会在 3 天后表现为"温度波动",然后靠运气。
同年做年报时,财务问了一句"你们插补的那些数据能不能用来算产量?"
李工的回答是标准答案:"不能。插补值只用于看图和分析,结算和上报必须用实测数据。" 这条后来写进了他们的数据管理制度。
五、怎么用:三步上手
第一步:先做数据体检,别急着上模型
看三件事:历史有多长(建议 ≥ 3 个月)、有没有大段空窗、时间戳是否对齐。 这三件事不解决,模型输出的东西没法信。
第二步:先做插补,再做预测
顺序很重要。脏数据喂进模型,出来的是"脏得很自信"的结论。
第三步:异常检测先"只看不报警"跑两周
把事件通知关掉,只记录。两周后回看:误报多少、漏报多少 ,再决定开不开通知。一上线就报警,班组会先疯。
六、能解决什么问题
问题 1:只能事后报警
预测把窗口从"分钟级反应"拉长到"小时级/天级准备"。
问题 2:单点阈值抓不到组合异常
多变量异常检测抓"每个都正常但整体不对"的早期信号。
问题 3:数据有洞,曲线断断续续
插补让趋势可读、分析可算,并明确标注不是实测值。
问题 4:想用 AI 但不会建模
不用写模型代码,配置化完成预测/异常/插补;需要自研时另有模型开发通道。
七、边界与提醒(诚实版)
- 预测不等于承诺。 它是概率性的区间判断。别把"预测值"写进考核指标。
- 历史不够,模型就是瞎猜。 只有两周数据就上预测,结果不如看趋势图。冷启动阶段建议先用阈值 + 人工经验。
- 插补值绝对不能用于计量与上报。 这条比任何算法细节都重要(详见上文那条铁律)。
- 异常检测需要"养"。 阈值型规则是确定的,模型型规则需要一段时间的误报观测与调参。先只看不报。
- TDgpt 是独立组件。 它和大模型(LLM)是两套东西:LLM 负责解释与对话,TDgpt 负责数值计算。没装 TDgpt,异常检测/预测/插补都用不了。
- x64 CPU 需要支持 AVX2(默认模型),部署前先确认硬件。
- 客户反馈:需求明确,满意度缺样本。 客户研讨会里"分析滞后、决策慢"是明确列出的行业痛点,但没有客户公开评价这几个模型的准确率。对外建议说"提供该能力、可现场演示",别说"预测准确率 XX%"。
八、和别的功能怎么配合
| 场景 | 配合谁 |
|---|---|
| 预测越界要提前告警 | 实时流分析(AnomalyDetection 触发)+ 事件(第 06 / 07 篇) |
| 预测曲线要展示 | 可视化面板(第 08 篇) |
| 异常之后要追原因 | 根因分析(RCA)(第 09 篇) |
| 用 AI 解释"为什么这么预测" | AI 问答 / AI Function(第 02 篇) |
| 数据质量要有制度约束 | 协作与交付:批注与导出(第 16 篇) |
一句话记住:预测给你时间,异常给你线索,插补给你完整的图------但只有实测数据能拿去做结算。
九、关于 TDengine IDMP
TDengine IDMP(Industrial Data Management Platform)是一款 AI 原生的工业数据管理平台 。
它不负责存数据------那是 TDengine TSDB 的事;它负责给数据补上业务含义,并在这个基础上让 AI 真正跑起来。
本篇的预测 / 异常 / 插补由 TDgpt 提供,它与大模型是两条并行能力:大模型解释,TDgpt 计算。
免费版够不够用
IDMP 提供免费版,中小企业和个人用户可以直接用。
免费版与商业版在功能、性能上完全一致 ,通过年度续期 即可长期免费使用,只在测点数量 上设有上限------
对大多数中小企业来说,这个额度够用。All-in-One 装完会自动申请并激活免费许可,不需要额外配置。
怎么装:All-in-One 一键部署
All-in-One 把 IDMP、TSDB、TDgpt、TDmodel 打包成一个部署包:
| 环境 | 怎么装 |
|---|---|
Linux (Ubuntu / Kylin / openEuler / Anolis;需 root、内核 ≥ 3.10.0-1160、glibc ≥ 2.28) |
执行下面的主机模式命令 |
| Windows 10/11、Server 2019+ | 下载 TDengineSetup-x64.exe,双击后选「主机方式」 |
| Docker(Linux / macOS / Windows,Docker ≥ 20.10) | 执行下面的容器模式命令;macOS 只支持 Docker 部署,需先启动 Docker Desktop |
bash
# 主机模式(Linux)
curl -fsSL https://downloads.taosdata.com/apex/latest/install.sh | bash -s -- -m apex
# 容器模式(Linux / macOS)
curl -fsSL https://downloads.taosdata.com/apex/latest/install.sh | bash -s -- -m docker
装完浏览器打开:
text
http://localhost:6042
从其他机器访问,把 localhost 换成部署节点的 IP 或主机名。
装完先把 AI 接上
- 连一个大模型:OpenAI 兼容接口,填地址 / Key / 模型名;内置 15 天试用连接,可先零配置体验;
- (可选)装 TDgpt:本篇的异常检测、预测、缺失值填补都靠它,它独立于大模型运行;
- 把数据接进来:连现成的 TDengine TSDB,或用示例数据先跑通。
两点容易踩:默认部署清单是
deployment-single-node-no-tdmodel.yaml,TDmodel 仅支持 Docker 部署 ;TDgpt 默认启用 moirai 模型,x64 CPU 需要支持 AVX2。
运维与卸载(Linux 主机模式)
| 操作 | 命令 |
|---|---|
| 启动 IDMP | svc-tdengine-idmp start |
| 停止 IDMP | svc-tdengine-idmp stop |
| 卸载 IDMP | rmidmp |
链接
- All-in-One 下载与安装命令:https://www.taosdata.com/download-center?product=TDengine+All-in-One
- Windows 安装器:https://downloads.taosdata.com/apex/latest/TDengineSetup-x64.exe
- 免费版说明:https://www.taosdata.com/tdengine-free-edition
- 不想本地装:注册云服务直接试用 https://cloud.taosdata.com
回到这一篇那句话:预测给你时间,异常给你线索,插补给你完整的图------但只有实测数据能拿去做结算。