训练和管理设备模型

设备模型需要经过受控生命周期。训练只产生待审阅候选，不会自动替换当前保护设备的判据。

本指南说明预测性维护使用的两类模型、用户当前可以在界面中执行的操作，以及仍需要管理员 API 的生命周期动作。

先确认正在管理哪类模型

预测性维护将以下产物分开管理：

模型轨道	用途	当前训练入口	生产权限来源
设备基线分布 (PDM_BASELINE_DISTRIBUTION)	描述设备在运行工况下的观测分布，用于设备自身基线比较。	预测性维护 > 模型控制台	模型控制台中的基线晋升门
可执行异常模型 (PDM_ANOMALY_MODEL)	针对指定设备目标运行异常评分 artifact。	模型控制台 > 优化检测、设备详情或管理员 API	引用已验证不可变 artifact 的 ACTIVE assignment

不要把基线分布当作可执行异常模型。基线计算成功不能证明异常模型运行过，异常分数也不是故障概率。

入口和权限

任务	入口	所需权限
查看模型控制台	/pdm/model-console	mlops.model.read 或 system.config
查看模型使用详情	/ai-models/registry/:registryId	mlops.model.read 或 system.config
训练或晋升设备基线	模型控制台	pdm:write
启动或取消异常检测优化	模型控制台、设备详情或 Platform AutoML API	mlops.model.write、pdm:write 或 system.config
查看优化进度和结果	优化抽屉或 Platform AutoML API	mlops.model.read、pdm:read 或 system.config
直接训练单个可执行异常模型候选	管理员 API	pdm:write
晋升或回滚可执行 assignment	管理员 API	pdm:write
审阅设备 Finding	/pdm/anomalies 和 Finding 详情	pdm:read

标准模型使用详情页是只读页面。它展示 assignment 和运行证据，但当前不提供 assignment 晋升或回滚按钮。

生命周期概览

SHADOW 表示候选可以参与对比计算，但不改变告警、健康分、维护建议或 Finding。ACTIVE 给予 assignment 生产选模权限，但只有出现新鲜的成功运行证据后，才能确认生产链真实使用了该模型。

准备状态应解释未满足条件，而不是把证据缺失显示成健康结果。

训练统计设备基线

1. 打开 预测性维护 > 模型控制台。
2. 找到目标设备。
3. 审阅就绪结果和每个未满足条件。
4. 确认设备身份、目标信号、单位、运行态历史和训练窗口正确。
5. 当设备满足条件且当前角色具有 pdm:write 时，选择训练操作。
6. 等待控制台刷新，确认新版本和训练时间。

就绪结果具有不同含义：

结果	含义	下一步
满足训练条件	当前数据满足必要条件。	启动训练，然后审阅生成的 SHADOW 候选。
条件不足	一个或多个可量化要求未满足。	补充运行历史或修复必要信号。
无法判断	服务无法做出就绪判断。	处理页面给出的身份、数据或服务问题，不要把它写成历史不足。
注意事项	可以训练，但窗口存在已知限制。	记录限制，并在发布审阅中明确考虑。

训练设备基线只生成对比候选，现有生产判据继续生效。

优化异常检测

优化流程把受控、可解释的候选方法与任务启动时正在生效的判定路径进行比较。可以从两个入口打开：

• 预测性维护 > 模型控制台 > 优化检测；
• 设备详情 > 优化检测。

抽屉会先冻结准确的设备、测点和单位、建议训练窗口、数据截至时间以及当前判定依据。启动前必须逐项确认，这些字段是训练证据的一部分，不只是展示信息。

先处理数据就绪问题

每个就绪条件都会显示实际值和要求值。任务被阻塞不等于模型训练失败，也不应被当作模型结果汇报。

阻塞原因	处理方式
没有有效振动源，或存在多个匹配绑定	在数据接入中修正设备与数据源绑定。
测点缺少单位	在数据源绑定中补充单位，不要在优化抽屉里猜测或换算。
无法确定 ISO 对比区带	点击 补齐设备档案，补充额定功率和轴承/支承方式后返回。
运行样本、周数、跨度或连续性不足	继续收集有效运行态历史或修复数据源，不要用停机时段替代。
时序证据不可用	恢复受治理的数据服务，然后刷新就绪状态。
没有可用 Runner 或租户队列已满	等待容量，或请管理员检查私有化/staging Runner 池。反复点击不会产生有效证据。

选择受控搜索预算

预算	适用场景
快速 (QUICK)	日常设备审阅的受控初筛。
标准 (STANDARD)	工程审阅所需的更广候选比较。
深入 (DEEP)	已批准的专项调查，允许使用更多时间和计算资源。

页面只显示租户策略和 Runner 容量允许的预算。某个预算没有出现不代表浏览器异常。选择更大预算也不保证一定产生赢家或更准确的结果。

确认目标和就绪证据后点击 开始优化。任务是持久化的，关闭抽屉不会丢失；重新打开同一设备可恢复最近任务。需要停止时使用 取消任务，已经完成的证据仍会保留。

理解任务实际产出

任务依次准备受治理训练快照、比较候选方法、验证时间窗口、校验 artifact，并在候选合格时登记 SHADOW 模型。当前受控搜索可以比较 Isolation Forest 和统计基线候选，不会执行任意用户代码。

终态结果分为：

结果	含义	下一步
NO_WINNER / 保留当前判定路径	没有候选同时通过可行性和实质改进门，没有创建 SHADOW 模型。	保持当前路径；如有数据限制先修复，只在证据或批准预算变化后重跑。
SHADOW 候选已就绪	某个候选通过门禁，并登记为不可变 SHADOW assignment。	打开模型证据进行审阅。它仍不能改变客户告警、健康分、维护建议或 Finding。
失败或超时	页面给出安全原因，例如 Runner 不可用、依赖失败、超时或 artifact 无效。	先处理原因，不要把部分 trial 当成模型结果。

按四层读取训练结果

完成后按以下顺序阅读抽屉：

1. 结论：当前生产判据保持不变，或已经产生一个 SHADOW 候选。
2. 影响：现在允许发生什么变化。SHADOW 结果不能改变客户告警、健康分数、维护建议或 Finding。
3. 证据：查看已冻结的当前生产判据、参与评估的方法、逐门槛结果、证据窗口、样本数和数据截止时间。
4. 行动：保持当前路径、修复数据缺口、在有依据时更换预算重跑，或进入已登记 SHADOW 模型的证据页。

候选比较表可以包含一行 当前生产判据。它与被比较候选使用相同的评估窗口、指标语义、单位和观察数。每个候选会显示门槛实际值和要求值，例如 覆盖率：实际 68%；要求不低于 70%。缺失值显示为 未评估，不会显示为零。

证据	运维含义
覆盖率	历史运行窗口中具备可用证据的比例；越高表示数据空洞越少。
稳定性	不同历史折叠窗口中的告警负担是否一致，不代表模型准确率。
告警负担	该方法会标记为待复核的运行样本比例，不是每天告警数。
工况漂移	训练窗口和验证窗口的数据分布变化。
SHADOW 分歧	候选与当前判据给出不同判断的样本比例，不是错误率。
计算成本	每个受限样本量的处理时间，只说明资源需求。

需要区分三种选择结果：

• 没有可行候选：没有候选通过全部门槛。界面显示每个候选未通过的项目，不会把其中一个标成“最佳候选”。
• 可行但没有实质提升：界面标明实际与已冻结生产判据比较的候选，生产路径保持不变。
• 已选择候选：候选只登记为 SHADOW 供后续审查，不会自动晋升。

引入逐门槛证据之前创建的历史任务仍然可以读取。界面会显示汇总解释和明确的旧证据提示，不会在浏览器中重算门槛或猜测比较候选。

没有经过确认的故障标签时，只能比较覆盖率、稳定性、告警负担、漂移、SHADOW 分歧和计算成本。这些值说明行为和运维负担，不能证明准确率、precision、recall 或故障概率。NO_WINNER 本身是有效且有价值的结果。

API 边界

界面使用持久化 Platform AutoML 任务合同：

方法	Endpoint	用途
POST	/api/v1/platform/automl/jobs	创建受治理候选搜索任务。
GET	/api/v1/platform/automl/jobs/{jobId}	读取持久化进度。
GET	/api/v1/platform/automl/jobs/{jobId}/outcome	读取 trial、选择证据和下一步。
POST	/api/v1/platform/automl/jobs/{jobId}:cancel	请求取消，但不删除已有证据。

POST /api/v1/pdm/model-console/{equipmentId}/train-anomaly-model 仍保留为管理员直接创建单个可执行候选的集成接口，它不是多候选优化流程。

生成 SHADOW 候选后，打开准确的 registry 记录，确认设备和目标绑定、不可变 artifact 验证状态以及运行对比证据，再做发布决策。所有界面和 API 操作都必须在目标租户内执行；不要复用从其他租户或环境复制的 assignment、job 或 registry 标识。

审阅 SHADOW 行为

在模型使用详情页检查候选：

• 准确的设备和目标绑定；
• assignment 状态；
• artifact 类型、runtime、format 和验证状态；
• 训练窗口和样本数量；
• 最近的 SHADOW 执行窗口；
• executed、refused、timed-out 和 failed 数量；
• SHADOW disagreement 数量和原因。

Disagreement 表示 SHADOW 结果在至少一个已记录对比中不同于当前生产路径。它不能证明哪一方正确。候选产生的告警更少不代表更准确，也可能意味着漏掉了应关注的情况。

候选训练完成后仍保持 SHADOW，直到独立的授权晋升决策。

决定候选是否有价值时，应结合现场发现、已审阅维护结果、运行工况和数据质量证据。

审慎晋升

在界面中晋升设备基线

对于处于 SHADOW 的合格基线，模型控制台可向具有 pdm:write 的用户显示晋升操作。后端发布门只验证基线是否能与当前判据进行可比回放，不会声称该基线更准确。

如果晋升被拒绝，按返回原因处理。典型动作包括修复设备档案、先训练候选、等待有效运行样本或恢复时序服务。

通过 API 晋升可执行 assignment

可执行异常模型 assignment 使用管理员 endpoint：

方法	Endpoint
POST	/api/v1/pdm/model-console/assignments/{assignmentId}/promote

晋升以原子方式改变生命周期状态。成功后确认：

• 目标 assignment 为 ACTIVE；
• 目标 registry 版本为 PRODUCTION；
• 原设备级生产 assignment 已退役；
• artifact 仍为已验证状态；
• 出现新鲜的 ACTIVE 运行证据；
• 如果产生客户可见 Finding，其模型 provenance 指向预期版本。

页面报告 ACTIVE_AWAITING_EVIDENCE、STALE、FALLBACK、CONFLICT 或 ARTIFACT_UNAVAILABLE 时，不要宣称模型正在生产运行。

回滚可执行 Assignment

回滚目前属于管理员 API 工作流：

方法	Endpoint
POST	/api/v1/pdm/model-console/assignments/{assignmentId}/rollback

assignmentId 指向需要沿生命周期历史回滚的 assignment。使用当前租户模型 API 返回的标识，不要从 URL、模型名称或其他环境推断。

回滚后：

1. 确认替代 assignment 为 ACTIVE；
2. 确认被回滚 assignment 和 registry 的历史状态正确；
3. 等待恢复 artifact 的新鲜运行证据；
4. 确认旧 artifact 不再被 live assignment 引用；
5. 检查客户可见 Finding 和告警是否连续。

回滚会改变模型选择路径，但不会删除历史 assignment、生命周期事件、运行证据、Finding 或反馈。

理解主要状态

状态	能证明什么	不能证明什么
STAGING	Registry 版本是候选。	它可以影响客户结果。
SHADOW	Assignment 可用于非写入对比。	它是生产模型。
ACTIVE	Assignment 具有生产选模权限。	最近一次执行成功。
PRODUCTION	Registry 版本是其治理范围的生产版本。	每次设备评估都使用了它。
RETIRED 或 ROLLED_BACK	版本或 assignment 已成为历史。	它的审计证据被删除。

要判断是否真实执行，请查看模型使用详情页的运行证据。

故障处理

现象	检查项
看不到训练操作	pdm:write、就绪状态、当前 assignment 状态，以及当前是否属于 API-only 的异常模型流程。
训练被拒绝	设备身份、目标信号、运行态历史、窗口覆盖和返回原因。
候选一直是 SHADOW	在人工发布决策前这是正常安全状态；继续审阅对比证据和晋升前置条件。
晋升成功但页面没有显示生产使用	等待新鲜运行证据，并检查 ACTIVE_AWAITING_EVIDENCE、过期数据、fallback 或 artifact 验证。
页面报告多个 live assignment	停止生命周期操作，请管理员处理冲突。
找不到回滚按钮	Assignment 回滚目前是管理员 API，不是标准模型使用详情操作。
模型运行过但没有 Finding	检查数据质量、持续性、融合条件和 Finding 启用范围；没有 Finding 不等于没有执行。

验证清单

• 设备和目标正确。
• 没有混淆统计基线和可执行异常 artifact。
• 训练只创建候选，没有静默改变生产。
• SHADOW 证据没有改变客户可见结果。
• 授权用户在完成审阅后执行晋升。
• 新鲜 ACTIVE 运行证据确认真实使用。
• 执行回滚时恢复了目标 artifact，并保留审计历史。

相关文档

• 健康指数、基线和模型准备
• 理解模型使用和运行证据
• 审阅 Finding 并记录反馈
• 异常审阅和维护建议