实时分析
同屏查看实时值、统计基线、动态上下界、预测曲线、置信区间和异常区间。
NOVAIOT · INDUSTRIAL AI ANALYTICS让工业 AI 从算法演示
让工业 AI 从算法演示
进入真实生产闭环
NovaIoT 将设备、点位、实时与历史数据、告警、标注、训练、模型发布和维护反馈放在同一条可追溯链路中，帮助客户从看见异常走向提前发现风险、安排维护并持续验证效果。
26基础模型15 + 11配置型 + ONNX训练型FULL LOOP标注、训练、发布、反馈
REAL-TIME WORKBENCH
实时曲线、工业 K 线与模型结论同屏核验
业务人员看到设备结论和处理建议，算法人员可以继续追溯数据、模型版本和运行证据。
工业 K 线
把长时间工业时序按窗口聚合为开、高、低、收，快速识别趋势、波动和异常尖峰。
点位状态矩阵
集中显示当前值、趋势、模型状态和 AI 评分，快速定位风险点位。
推理证据
保留模型与版本、输入窗口、数据质量、阈值或置信度、推理耗时和设备点位。
异常生命周期
连续异常合并为开始、升级、确认和恢复事件，避免逐采样点产生无意义告警。
预测性维护
输出健康评分、风险组成、预计越限时间、维护建议和效果评价。
26 INDUSTRIAL MODELS
五类 26 种模型，按客户数据基础分层启用
6 种规则、7 种统计、9 种机器学习、1 种神经网络和 3 种预测性维护模型。
规则模型
配置即可启用工艺越限、突变、假在线、持续劣化、电能质量与单位能耗问题。
- 固定阈值检测
- 变化率检测
- 传感器卡死检测
- 窗口趋势斜率检测
- 三相不平衡检测
- 设备能效比检测
统计模型
无需故障标签样本不足时识别离群、漂移、控制振荡和过程不稳定。
- 滑动标准分数
- 移动平均偏离
- EWMA 动态偏离
- 汉佩尔离群检测
- CUSUM 均值漂移
- 高频振荡检测
- 窗口波动率检测
机器学习模型
训练、评估后发布规则难以描述的预测、未知异常、故障分类、负荷和合理能耗基线。
- 线性回归趋势预测
- SGD 增量趋势预测
- 孤立森林异常检测
- 随机森林故障诊断
- 单类支持向量机
- 设备负荷预测
- 自编码器异常检测
- 梯度提升故障诊断
- 设备能效基线
神经网络模型
大规模多类别数据特征关系复杂、故障类别较多的设备诊断。
- 多分类神经网络故障诊断
预测性维护模型
多点健康规则或寿命数据设备健康排行、未来故障风险、巡检优先级和维修窗口规划。
- 电机多变量健康评分
- 设备故障概率预测
- 设备剩余寿命预测
PLAIN-LANGUAGE MODEL GUIDE
26 种模型怎么用：场景、原理与预期效果
面向设备、生产和运维人员的模型扫盲说明，不需要算法背景也能判断模型大致适不适合当前问题。
QUICK SELECTION
面向非算法人员的选型口诀
只要越线就报警：选固定阈值检测。变化太快要报警：选变化率检测或趋势斜率检测。偏离近期正常水平：选移动平均、EWMA、标准分数或 CUSUM。偶发毛刺和离群点：选汉佩尔检测。怀疑数据不可信：选传感器卡死检测。没有故障标签：优先考虑孤立森林、单类支持向量机或自编码器。有明确故障类别标签：选随机森林、梯度提升或神经网络故障诊断。想提前安排维修：选故障概率预测或剩余寿命预测。关注能耗是否合理：选能效比检测或能效基线模型。
固定阈值检测
- 适用场景
- 水温、压力、电流超过安全范围
- 通俗理解
- 给仪表画警告线和严重线，越线即提醒
- 能达到的效果
- 快速发现超限与安全风险
变化率检测
- 适用场景
- 温度骤升、压力骤降、电流突变
- 通俗理解
- 不看当前有多高，重点看单位时间变得有多快
- 能达到的效果
- 数值尚未超限也能发现突发问题
滑动标准分数异常检测
- 适用场景
- 工况变化较多，需要比较近期状态
- 通俗理解
- 系统持续更新近期均值和波动范围，偏得越远分数越高
- 能达到的效果
- 识别相对近期工况的异常
线性回归趋势预测
- 适用场景
- 温度、压力、产量平稳升降
- 通俗理解
- 在历史点上拟合趋势线并向未来延伸
- 能达到的效果
- 提前看到短期走势与越限可能
SGD 增量趋势预测
- 适用场景
- 数据持续产生且设备状态不断变化
- 通俗理解
- 像持续学习的操作员，新数据到来就修正经验
- 能达到的效果
- 减少频繁全量重训，适应工况变化
电机多变量健康评分
- 适用场景
- 电机、风机、泵健康度看板
- 通俗理解
- 类似设备体检总分，把温度、振动、电流合成总评
- 能达到的效果
- 形成健康排行与巡检优先级
移动平均偏离检测
- 适用场景
- 工艺参数持续偏高或偏低
- 通俗理解
- 用最近一段时间平均值作参考线
- 能达到的效果
- 发现逐渐偏离近期基线
EWMA 动态偏离检测
- 适用场景
- 负载变化快且近期数据更重要
- 通俗理解
- 对新数据赋予更高权重的动态参考线
- 能达到的效果
- 抑制噪声并更快感知基线变化
汉佩尔鲁棒离群检测
- 适用场景
- 传感器偶发尖峰和毛刺
- 通俗理解
- 中位数不易被极端值带偏，因此更抗干扰
- 能达到的效果
- 稳健过滤单点毛刺并降低误报
CUSUM 均值漂移检测
- 适用场景
- 刀具磨损、零点漂移、效率缓降
- 通俗理解
- 单次小偏差不明显，持续累积后识别状态改变
- 能达到的效果
- 在明显超限前发现慢性劣化
传感器卡死检测
- 适用场景
- 数值长时间不变但链路显示在线
- 通俗理解
- 一直报同一个数可能不是稳定，而是传感器或采集链路卡住
- 能达到的效果
- 发现假在线与旧值重复
高频振荡检测
- 适用场景
- 阀门、变频器、PID 回路反复摆动
- 通俗理解
- 像观察秋千是否频繁来回摆动
- 能达到的效果
- 识别控制不稳、参数不当和机械抖动
窗口趋势斜率检测
- 适用场景
- 短时间快速升温、泄压或液位下降
- 通俗理解
- 斜率表示每分钟上升或下降多少
- 能达到的效果
- 发现持续且陡峭的趋势风险
窗口波动率检测
- 适用场景
- 数值忽高忽低、过程不稳定
- 通俗理解
- 平均值可能不变，但最大最小差距突然扩大
- 能达到的效果
- 识别稳定性下降
三相不平衡检测
- 适用场景
- 电机和配电回路三相监测
- 通俗理解
- 三相电像三个人抬东西，力量差太多就是不平衡
- 能达到的效果
- 预警偏相、接线和负载异常
设备能效比检测
- 适用场景
- 泵站、压缩机和产线单位能耗
- 通俗理解
- 同样产出却耗能更多，说明效率正在下降
- 能达到的效果
- 发现单位产出能耗升高
孤立森林异常检测
- 适用场景
- 没有故障标签但正常数据充足
- 通俗理解
- 正常数据通常扎堆，模型寻找落单的样本
- 能达到的效果
- 筛查未知异常和高风险工况
随机森林故障诊断
- 适用场景
- 已有过热、过载、堵转等标签案例
- 通俗理解
- 多棵决策树像多名工程师分别判断后投票
- 能达到的效果
- 输出已知故障类别与概率
设备故障概率预测
- 适用场景
- 提前准备备件和检修窗口
- 通俗理解
- 回答未来一段时间坏掉的概率，而非断言一定会坏
- 能达到的效果
- 支持预测性维护排程
单类支持向量机
- 适用场景
- 正常样本较多、故障样本极少
- 通俗理解
- 先圈出正常边界，不像正常的就提醒
- 能达到的效果
- 适合小样本异常发现
设备负荷预测
- 适用场景
- 电力、用气、制冷和产能调度
- 通俗理解
- 像天气预报一样预测设备接下来有多忙
- 能达到的效果
- 辅助容量安排与削峰填谷
自编码器异常检测
- 适用场景
- 多变量关系复杂、单指标规则不足
- 通俗理解
- 学习把正常数据压缩再还原，还原得越差越可疑
- 能达到的效果
- 发现复杂组合异常
梯度提升故障诊断
- 适用场景
- 结构化工业特征的多故障分类
- 通俗理解
- 后续模型持续纠正前面模型判断错误的样本
- 能达到的效果
- 提升故障分类准确性
多分类神经网络
- 适用场景
- 数据量大、故障类别多、关系复杂
- 通俗理解
- 多层数学计算组成的模式识别器，并非人工神经
- 能达到的效果
- 识别复杂非线性故障模式
设备剩余寿命预测
- 适用场景
- 轴承、电池、泵、压缩机更换计划
- 通俗理解
- 不是预测具体哪天坏，而是估算按当前退化速度还能用多久
- 能达到的效果
- 减少过早更换和突发停机
设备能效基线模型
- 适用场景
- 工况变化大时判断能耗是否合理
- 通俗理解
- 先算当前工作量本应耗能多少，再找实际多用的部分
- 能达到的效果
- 量化节能潜力与异常浪费
DATASET & LABELING
把现场专家经验沉淀为可信训练资产
按设备、点位和时间范围创建数据集，检查完整率、缺失率、标签分布和样本质量，并冻结不可变快照。
01选择设备与点位02实时观察与工业 K 线03在线标注04冻结数据集快照05全量或增量训练06评估、审核与发布07异常、预测与健康结果08反馈并持续优化
MODEL CENTER
统一管理模型版本、配置、服务和设备发布
训练完成不等于上线；新版本需要质量门禁、对比评估、审核和必要的影子验证，并支持灰度、替换、停用和快速回滚。
模型准入
只有输入输出明确、可绑定真实点位、可在线运行并具备测试和回滚闭环的模型才对客户可见。
版本与产物
记录来源训练任务、指标、校验值、ONNX 产物、审核状态及适用范围。
配置型模型
规则与统计模型通过参数配置快速启用，同样经过版本和发布服务进入生产。
设备与特征映射
检查类型、单位、采样周期、完整率、特征数量与顺序，适配不同点位编码。
发布服务
配置窗口、超时、重试、连续命中、恢复和告警策略，绑定兼容设备与点位。
生产唯一结论
同一设备、点位和服务用途只保留一个正式结论，避免生产判断相互冲突。
TRUSTED INDUSTRIAL AI
可信、安全，而且不影响设备采集主链路
旁路推理
AI 在云端旁路消费实时数据，服务繁忙或异常不会阻塞遥测入库、应用 ACK 和设备控制。
结果有证据
每条结果保留模型版本、输入窗口、数据质量、特征、阈值或置信度及推理耗时。
标签受控
推理先产生候选标签，未确认标签不能进入训练，支持白名单、抽检与熔断策略。
人员最终决策
AI 输出风险和维护建议，不直接执行安全停机、联锁或危险控制。
当前标准能力定位为云端工业时序智能。具体算法、资源、精度和剩余寿命能力取决于设备类型、数据质量、样本规模与项目验收标准。
START WITH YOUR EQUIPMENT DATA
从一个设备、一组关键点位和一个风险问题开始验证
共同确定数据窗口、质量门槛、候选模型、业务指标和上线边界。