电机、变压器故障诊断项目里最熟悉的画面：准确率 98%，混淆矩阵几乎全绿，损失曲线漂亮得像教科书。换一台设备、换一批传感器、换个负载工况，性能直接跳水。问题多半不在网络结构，在数据划分——模型没学会"轴承故障"，它记住的是设备编号、采集批次、文件命名规则，甚至测试台的背景噪声。这叫数据泄漏，而且是电气数据特别容易踩的那类。
电气数据的三重泄漏温床
时序信号连续采集（同一次运行几小时的相邻窗口高度相似）、设备个体差异显著（每台电机有自己的振动指纹）、故障样本与工况强耦合（某些故障只在特定转速下采到）——三个特点叠加，让"随机划分"这个默认动作几乎必然出错。
把 10 分钟振动信号切成 1 秒窗口、重叠 50%，然后全量随机打乱按 8:2 分：训练集和测试集里会出现来自同一时刻的窗口，不只是同分布，几乎是复制品。这时测出来的准确率，衡量的是模型认相似窗口的能力，不是泛化能力。
五种泄漏，逐一对号
| 类型 | 典型现场 | 正确做法 |
|---|---|---|
| 同批采集跨集合 | 一次实验的窗口随机分进两边 | 以采集批次为最小分组单位 |
| 记住设备而非故障 | 正常样本全来自电机A，故障全来自B | 做一次留一设备测试 |
| 预处理偷看测试集 | 全量数据算均值方差、全量 PCA | 划分后只用训练集拟合变换 |
| 捷径特征 | 故障样本统一用了更高采样率 | 元数据单独训练基线分类器 |
| 测试集反复调参 | 按测试结果挑层数、种子、阈值 | 测试集只在方案冻结后用一次 |
第二种最隐蔽也最致命：不输入设备编号，模型照样能从底噪、安装刚度、供电谐波里认出设备。排查它最有效的手段就是留一设备测试——训练时完全不见某台设备，只在它身上测。性能大幅下滑，设备指纹依赖实锤。
第三种的范围比多数人以为的大：标准化参数、PCA、特征筛选、异常值阈值、最佳频段选择，全都是"参数估计"，任何一步用了全量数据都是泄漏。时序场景还要多防一条——用未来数据补过去的缺失值。
一条元数据基线，成本极低
抓捷径特征有个便宜到不该不做的办法：只用元数据训练一个小分类器——采样率、设备号、批次号、工况，不带任何信号数据。如果这个小模型就能把标签分对一大半（AUC 超过 0.9），主模型的漂亮分数基本可以判定为作弊所得，回头重查数据组织方式。配套动作是把文件名、目录结构盲化，别让 fault_01.csv 这种命名直接剧透。
分组交叉验证的正确姿势
窗口级随机划分换成 GroupKFold，让同一设备或批次的所有窗口始终在同一折：
from sklearn.model_selection import GroupKFold
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
cv = GroupKFold(n_splits=5)
for train_idx, test_idx in cv.split(X, y, groups):
model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=2000))
model.fit(X[train_idx], y[train_idx])
scores.append(model.score(X[test_idx], y[test_idx]))
两个实战细节：groups 的定义要跟着验证目标走——验跨设备泛化就用设备编号，验跨批次泛化就用批次号，选错对象验证了个寂寞；GroupKFold 要求分组数不少于折数且不做分层，类别不平衡场景改用 StratifiedGroupKFold，时间漂移明显的数据再加一档时间外推测试（早期数据训练、晚期数据测试）。
报什么指标，决定模型能不能上现场
准确率在现场几乎无用。该报的是：故障召回率（漏掉真故障的代价）、每小时误报次数（运维会不会被告警淹没）、检测延迟、最差工况下的表现（只报平均值等于藏雷）、置信度校准（模型说 90% 置信时是不是真有九成把握）、以及边缘设备上的时延和资源占用。低速轻载时漏关键故障、每小时十几次误报的模型，准确率再高也进不了现场。
AI 放在哪一层，比模型多准更重要
涉及过流、超温、绝缘这类安全场景，AI 不该替代确定性保护。分层架构是底线：硬件保护是安全底线，PLC 规则做确定性联锁停机，AI 做趋势预警和辅助诊断，人做最终处置确认。AI 输出先当建议值，跨设备、跨工况、长周期验证过了再逐级放权——而且无论它多准，传统保护必须能独立工作。
一句话收束：这个领域最危险的不是分数低，是分数很高却回答了错误的问题。数据按设备、批次、时间隔离干净，指标贴近现场，AI 待在明确的边界里——这三件事比堆网络层数值钱得多。
评论0