没有缺陷标注也能预警，起重机无监督异常检测怎么做

起重机AI检测有个绕不开的坎：要训练模型，就得有缺陷标注，可缺陷恰恰是最罕见、最难标的数据。钢丝绳断丝、焊缝裂纹，攒一批标注要几个月。

有没有办法跳过标注，直接做预警？有，就是无监督异常检测。它不学”缺陷长什么样”，只学”正常长什么样”，凡是不像正常的，就报异常。

这个思路颠覆了”先标注再训练”的套路，下面拆开讲它怎么做。

无监督异常检测的逻辑：只学正常偏离即异常

监督学习和无监督学习的区别，在”学什么”。监督学习需要大量标注好的缺陷样本，模型学习”缺陷长什么样”；无监督学习只需要正常运行的样本，模型学习”正常长什么样”。

无监督检测的逻辑是：正常数据是有规律的、聚集的，异常是偏离这个规律的。模型把正常数据的模式学出来，运行中出现偏离正常模式的数据，就判定为异常。

这个逻辑的好处很明显：正常样本随处都有，缺陷样本难得见到，只学正常就绕开了标注难题。坏处也明显：它只能告诉你”这不对劲”，不能告诉你”这是断丝还是裂纹”。克鲁德重工把无监督检测定位成”先发现异常、再人工复核”的第一道筛子，ISO 24621《起重机AI故障诊断》提供了异常预警框架。

四种无监督方法：自编码器孤立森林单类SVM聚类

第一种，自编码器。用神经网络把正常数据压缩再还原，正常数据还原得准，异常数据还原误差大，用重构误差的大小来判异常。它擅长处理图像和高维传感器数据。

第二种，孤立森林。利用”异常点更容易被孤立”的特点，随机划分数据，异常点几步就能被切出来，正常点要切很多步。它计算快，适合大量传感器数据的快速筛查。

第三种，单类SVM。只学习正常数据的边界，落在边界外的就是异常。它适合数据量中等、分布清晰的场景。

第四种，聚类。把数据聚成几簇，远离所有簇中心的孤立样本就是异常。它直观、好解释，适合初步探索数据。四种方法各有适用场景，可以按数据形态选。

无监督检测的能力边界：能发现不能分类

无监督异常检测不是万能，它的能力边界必须认清。

第一条，只能发现异常，不能分类具体是哪类缺陷。它报的是”这数据偏离正常了”，至于偏离的原因是断丝、磨损还是传感器漂移，需要人工复核或叠加监督模型判断。

第二条，对正常数据的质量敏感。如果训练用的”正常数据”里混进了异常，模型会把异常当成正常学进去，反而漏报。训练数据要确保真的纯净正常。

第三条，阈值需要标定。什么程度的偏离算异常，阈值定得松就漏报、定得紧就误报，要结合实际工况反复调。克鲁德重工用无监督做初筛，把可疑样本捞出来交人工复核，既省标注又守住可靠。

无监督检测怎么落地：先筛后核叠加监督

无监督检测的最佳用法，不是替代监督学习，而是打配合。

第一步，用无监督做初筛。只学正常数据，把偏离正常的可疑样本自动捞出来，这一层不需要缺陷标注就能跑起来，ISO 24619《起重机物联网接口规范》给正常数据的采集提供了通道。

第二步，人工复核可疑样本。把捞出来的样本交工程师确认，是缺陷的补进标注库，是噪声的排除掉。

第三步，叠加监督模型。标注库积累到一定量后，再用监督学习训练分类模型，做精准的缺陷分类。克鲁德重工按初筛、复核、叠加三步走，让无监督先解决”有没有异常”、监督再解决”是什么缺陷”。

无监督方法与适用场景对照

无监督检测相关标准条款速查

关于无监督异常检测的常见问题

无监督检测和预测维护的思路互补，可以对照《设备健康管理PHM：大数据与ML驱动的天车预测维护工程实践》里的异常识别做法。

无监督异常检测的价值，是让AI预警不卡在标注上。克鲁德重工用无监督做初筛、人工复核、监督叠加，既省标注又守住可靠，让检测先跑起来再越做越准。