第九章我们教机器"看"——一张图里有没有划痕。这一章换个感官：教机器"听"和"感觉"。让设备在真正坏掉之前，先哼哼两声："我这儿有点不对劲。"
做这件事的原料，是时序数据（time series，按时间一个接一个记下来的数值，像心电图那样一条线往前走）。电机的振动、轴承的温度、主轴的电流——每隔一秒、甚至每秒上千次，采一个数，存下来，就是一条时序。我们要从这条线里，提前看出故障的苗头。这件事有个正经名字叫预测性维护（predictive maintenance，在设备坏之前就发现苗头、提前修，而不是坏了才停机）。
时序和图像，为什么是两码事
第九章的图像问题，本质是"这一张里，有没有"。你把一堆照片打乱顺序喂给机器，不影响它学认划痕——每张照片是独立的一个个体。
时序不是。时序的顺序本身就是信息。振动值 3、5、3、5、3、5 是设备在正常地抖；同样这几个数字换个排法，3、3、3、5、5、5，讲的是完全不同的故事——前者平稳，后者是突然爬升。你要是把一段振动波形打乱重排，它就彻底没意义了，等于把心电图剪碎了重新粘。
图像看的是"里面有什么东西"，一张就是一张。时序看的是"这段变化正不正常"，得连着看一整段。趋势、节奏、先后，才是它要说的话。所以第九章那套"把样本打乱、随便抽"的做法，到这儿要改。
两种活儿：猜下一步，和挑出不对劲
时序上你想干的事，基本就两类，分清楚很重要，因为它们的做法不一样。
第一类是预测：照着现在的趋势，猜下一步、或者猜"还有多久会到危险线"。温度这条线一直在慢慢往上爬，你想算：照这个爬法，还有几个小时会撞到 80 度的红线？这像看着水位涨，估摸着几点会漫过堤坝。
第二类是异常检测：不管预测什么，就看这一段波形"跟平时长得一样不一样"。老师傅站在机器边听声音，说不清哪个零件坏了、也不预测什么，但他一皱眉："这声不对。"这就是异常检测。
最关键的一个坎：你根本没有"坏"的样本
第九章我们怎么教机器认划痕？拿一大堆有划痕的照片，一张张告诉它"这是划痕"。这叫有监督（supervised，拿标好答案的样本教它，好的坏的都给看，让它学会区分）。
到了设备这儿，这条路常常走不通。原因很朴素：好设备大部分时间都是好的。一台运转三年的机床，坏的时刻可能一年就那么几次，甚至这台新设备压根还没坏过。你想收集"故障样本"来教机器，结果发现故障样本稀少得可怜，甚至一个都没有。你手里全是"正常"，没有"坏"可以拿给它看。
这是时序异常检测和图像检测最不一样的地方，也是最容易让人卡住的地方。别指望攒够一堆故障录像。轴承坏一次可能要几万块、停一次产线可能几十万，你不可能为了"多几个坏样本"去把设备一台台搞坏。坏样本天然就稀缺——这不是数据没采够，是现实就这样。
换个聪明思路：只学"正常长什么样"
既然没法"拿一堆坏的教它认坏"，那就反过来：拿一大堆正常的，让机器学透"正常"到底长什么样。学熟了以后，凡是明显不像正常的，就挑出来报警。这叫无监督（unsupervised，不给一条条「这是好那是坏」的答案，只让机器自己摸清"正常"的规律，不认识的就当可疑）。（较真地说，你其实还是给了一个大标签——「这一堆全是正常的」，所以业界更严格的叫法是「单类学习」，你日后查资料看到 one-class 或 novelty detection，指的就是这套；意思一样，不必纠结名字。）
为什么这招聪明？因为它把一个"你没有的东西"（各种坏法的样本），换成了"你要多少有多少的东西"（设备天天在产的正常数据）。你不需要预先知道设备会怎么坏——它可能以你从没见过的方式坏——你只需要知道"正常是什么样"，任何偏离正常的，都会露馅。
这正是老师傅那套。他不是背了一本"故障声音大全"，他是听了十年正常的声音，正常刻进了骨头里，所以一点不对就炸毛。机器也一样：异常检测（anomaly detection，先学会正常的样子，再把"明显不像正常"的挑出来）的核心，是先把正常吃透。
具体手法有名字，但都是一句人话：最土的一招叫"给正常划一个范围，出界就报警"——正常时振动在 2 到 6 之间，冒到 9 了，报。复杂点的会连着一段一起看："正常时温度和电流是一起涨一起落的，现在温度涨电流不动，这个搭配没见过，可疑。"名字你不用记，记住那句人话就够了：机器在心里存了一个"正常的样子"，拿眼前的和它比，差得远就喊。
头号杀手：报警报到没人看
现在讲这类系统真正会死在哪儿。不是算得不准，是误报（false alarm，其实没事，系统却报了警——狼来了）太多。
你把灵敏度调得很高，一有风吹草动就报。头一周工人还认真跑去看，跑十次有九次是虚惊。第二周他就不看了。第三周报警成了背景噪音，跟没有一样。等真出事那次报警响起，没人理——系统还活着，但已经死了。
一个天天喊狼来了的报警器，比没有报警器更糟：它既没帮上忙，还骗走了工人的信任，以后真报了也没人信。误报是这类系统的头号杀手，比漏报更阴险，因为漏报你还知道要改进，误报是慢慢把整个系统废掉。
这就接上了第八章那个绕不开的取舍：查得全（宁可错报也别放过）还是查得准（宁可放过也别错报）。调灵敏一点，漏报少了但误报多了；调迟钝一点，误报少了但可能漏掉真故障。这中间没有标准答案，只有你这台设备的答案——漏一次报废十万，还是停一次错误的机耽误五万，得你来算这笔账。
有两个保命的做法，务必记住。
- 报警要能解释。别只弹一个红灯"异常"。要说"3 号轴承振动比平时高 40%，持续 10 分钟"。工人能看懂、能判断、能去现场核对，报警才有人信。一个说不出理由的报警，等于让人凭空信你，信不了几次。
- 报警要能分级。别所有事都拉最高警报。"轻微异常，留意"、"明显异常，本班次内查"、"严重，立即停机"——分了级，工人才知道哪个要撂下手里的活去跑，哪个记一笔就行。一刀切的报警，逼着人要么全信要么全不信，最后就是全不信。
AI 帮得上什么，帮不上什么
老规矩，划清楚这条线，你才不会把命交错地方。
AI（这里指你让它写代码的那个助手）在这一章能帮你干不少体力活：从原始振动数据里算出有用的特征（feature，从原始波形里提炼的概括量，比如这一秒抖得多厉害、抖得多快）——这块代码又碎又烦，正适合让它写；搭起那个"学正常"的模型；把时序画成图让你肉眼看趋势；甚至帮你把好几种异常检测方法都试一遍，比一比哪个在你的数据上误报少。这些都让它做，你省下大把时间。
但有几件事，AI 一句都替你答不了，因为答案不在代码里，在车间里：
- 你这台设备，多少算异常？振动到 8 是正常波动还是要出事？AI 不知道。这得问天天守着这台机器的老师傅，或者查设备手册。
- 报警该多灵敏？前面那笔"漏报 vs 误报"的账，是你的生产账、你的成本账，AI 没法替你算，它不知道你停一次机赔多少。
- 什么样的异常值得管？有些"异常"是正常的——每天开机头五分钟数据都飘，那是设备在热身，不是故障。哪些飘要忽略，哪些要警觉，是经验，不是算法。
把这一章记成一句话：让机器把"正常"学透，凡是明显不像正常的挑出来提前喊；但"多不像才叫不正常""喊得多响才合适"，是你和老师傅的经验，不是 AI 的活。AI 提供那双灵敏的耳朵，你提供那颗判断的脑子。
做好了，设备就会在坏之前先哼哼两声。而这两声值不值得你放下手里的活跑过去——那始终是人的判断。下一章，我们把这套算法从你的电脑，搬到设备旁边那个巴掌大的盒子里，让它真正在车间里 7×24 地听着。