不靠人工标注，起重机AI能自己从海量数据里学到什么

一台在用的起重机，每天通过振动、电流、温度、图像等传感器产生的数据量，比它一年积累的有标签样本多出几个数量级。而真正能拿来训练AI的标注数据却少得可怜——标注一条”这一秒的振动是轴承早期磨损”，需要经验丰富的工程师逐段看波形，而真实故障样本又极其稀有。

于是问题来了：这些没贴标签的数据，难道就只能躺在硬盘里吃灰吗？

有，这个方向叫自监督学习。它的思路多少有点反直觉：不给模型标准答案，而是让它自己给自己出题、自己批改，先把数据里的底层规律摸清楚。克鲁德重工在起重机AI落地的调研里，把这一方向当作”降低标注依赖”的重要候选，同时也清楚它的边界——它补的是前端的表示学习，不是后端的决策替代。

自监督学习到底在学什么？它和有监督、无监督差在哪

把三种学习范式放在一起看会更清楚。有监督学习靠人工标签，模型学的是”输入到答案”的映射；无监督学习连标签都没有，只能做聚类、降维这类结构发现；自监督学习则卡在两者之间——它不需要人工标签，但会从数据内部自动构造一个”伪标签”式的训练目标，这个目标叫预训练任务。

预训练任务的关键在于”任务本身是自动生成的”。比如把一张图随机遮住一块让模型补全，模型不需要任何人告诉它那块是什么，正确答案就藏在原图里。同样的逻辑搬到起重机上：把一段振动信号中间挖掉几十毫秒，让模型预测被挖掉的部分，答案就藏在这段信号自己的前后文里。

模型的直接产出不是故障结论，而是一套”表示”——也就是把原始信号映射成一组更紧凑、更能反映底层规律的特征向量。这套表示才是自监督学习的真正价值：它不针对任何具体任务，却能被多个下游任务共享。这就是它和有监督最本质的区别——有监督学的是”怎么回答某一个问题”，自监督学的是”怎么把数据本身看懂”。

一个容易混淆的点在于：自监督常被归到无监督的大类下，因为两者都不需要人工标签。但区别在于目标：无监督的聚类、降维往往是”任务导向”的，出来一个聚类结果就结束了；自监督的预训练任务则是”表示导向”的，出来一套通用表示，后面还要接下游任务。这套表示好不好，最终要由下游的少量标注微调来验证。

起重机数据能造出哪几类”自己出题”的预训练任务

自监督不是一种算法，而是一类思路。落到起重机的振动、电流、图像这些数据上，能构造的预训练任务大体分三族，每一族适合的数据形态和学到的能力都不同。

第一族是掩码建模，思路是”挖掉一块让它补”。时序信号上，把一段振动波形挖掉几十毫秒让模型预测；图像上，把吊物或钢丝绳图片切成小块、随机遮住一部分让模型重建。这一族适合学到信号的局部结构和上下文依赖，是当前在工业时序数据上讨论最多的一类。

第二族是对比学习，思路是”让相似的靠拢、不相似的远离”。对同一台设备同一工况，取两个不同时刻的窗口、或两个不同传感器的通道，让模型学出相似的表示；对不同工况的数据则拉开距离。这一族适合学”什么变了、什么没变”，对异常检测有天然亲和。

第三族是预测编码，思路是”从过去预测未来”。让模型看前几秒的振动和电流，去预测后一段的走势。这跟大语言模型”预测下一个词”是同一个底层逻辑，学到的表示天然带有动态演化信息，适合剩余寿命这类趋势性任务。

三族不是互斥的，工程上可以组合。下表把它们的关键差异横向摆开，方便按数据形态选型。

什么工况值得上自监督？先算清标注成本和数据量这笔账

自监督的价值前提是无标注数据足够多、而人工标注足够贵。这个前提在起重机场景里往往成立：一方面，GB/T 28264《起重机械安全监控管理系统》要求持续采集与记录的各类运行参数，本身就构成了一笔可观的无标注数据存量；另一方面，站内AI视觉平台为了把缺陷识别做准，已经积累了以十万张计的标注样本，标注成本是实打实的投入。

但”前提成立”不等于”任何项目都该上”。判断一个项目该不该引入自监督，建议先算三笔账。

第一笔是数据账。你手里有没有持续、高质量的无标注数据源，还是传感器本身就稀疏、时间戳还对不齐。数据源头不对，自监督也学不到东西，这一步的采集质量可以参照ISO 24445:2020《起重机智能传感器技术条件》对传感器安装与数据质量的要求来校核。

第二笔是标注账。现有标注量是不是真的已经高到成为瓶颈，如果项目本来就有充足的标注流程，直接走有监督更省事。

第三笔是收益账。自监督省下的标注成本，能不能覆盖它额外引入的预训练算力和工程复杂度。

三笔账算完，结论通常落到两类工况上。一类是”标签极稀缺”的工况——比如罕见故障、异常工况，一年也攒不出几个样本，这时候让模型先在海量正常数据上学表示、再用极少异常样本微调，收益最明显。另一类是”数据极富余”的工况——数据多到人工标不过来，自监督先消化掉无标注的存量，把标注资源留给最关键的样本。两类工况之外，如果数据量不大、标签又不缺，硬上自监督往往得不偿失。

别神化自监督：还在早期的四个边界与常见落地误区

自监督学习在计算机视觉和自然语言处理上已经成熟，但在起重机这类工业场景里，它的落地还在早期。把这一点说清楚，比任何技术炫技都重要。

第一个边界是不可解释。自监督学到的表示是一组高维特征向量，工程师很难说清”这第37维对应的是轴承间隙还是润滑状态”。这种不可解释性，决定了它暂时只能做辅助判断的依据，不能直接驱动制动、急停这类安全动作。

第二个边界是仍需标注。自监督降低标注依赖，但下游微调和最终验收，仍然绕不开一定量的高质量标签。它把”标注几十万张”降成了”标注几千张”，但没有归零。克鲁德重工的判断是：自监督更适合作为有监督管线的前置预训练，而不是替代品。

第三个边界是验证难。表示好不好，没有直接的指标，只能看下游任务有没有变好。这意味着自监督项目的验收周期更长，工程团队要有”先做小规模验证再放大”的耐心。验收口径可以参照GB/T 5905《起重机试验规范与程序》中关于试验数据采集与判定的思路，把模型输出纳入既有的检验框架里去比对。

第四个边界是标准衔接。模型学到什么，最终要回到起重机的安全监控与AI故障诊断的规范框架下去校验——数据来源、采样质量、异常判定的边界，都要和既有规范对齐，而不是自成一派。自监督产出的表示与异常分数，本质上仍要服务于ISO 24621:2022《起重机AI故障诊断》这类标准所约束的诊断与预警场景。

自监督学习的价值，在于让海量的无标注数据第一次有了用武之地，而不是继续躺在硬盘里吃灰。它的边界同样清晰：表示不是决策，预训练不是验收，早期验证不是成熟方案。克鲁德重工把这一方向纳入数据与算法管线的前置环节，配合数据清洗、半监督等步骤一起看，目标是让每一份标注投入都花在最关键的样本上。至于它能在多大范围内替代人工标注，答案只有一个——以实际工况的实测为准。

📖 相关阅读：起重机AI视觉训练平台与50万张缺陷标注数据 | 天车AI视觉与检测系统全景 | 设备健康管理PHM与天车预测维护

常见问题