EVENT：一种用于火电厂运行数据异常检测与事件表征的模块化、半自动化方法，具有分析人员与领域专家角色的明确分离

《Energies》：EVENT: A Modular, Semi-Automated Methodology for Anomaly Detection and Event Characterization in Thermal Power Plant Operational Data with an Explicit Separation of the Analyst and Expert Roles

　　

火电厂的运行数据通过专家判断进行解释，所遵循的程序通常仅部分记录且难以重现。文献中提供了许多算法技术，但将验证、检测、事件创建和专家审查整合成一个可审计整体的工作流级方法仍然稀缺。本文提出了EVENT（Expert eValuation of ENumerated Typed events，专家评估枚举类型事件），一种用于运行时间序列数据离线分析的半自动化方法。该方法组织为五个步骤——数据验证（data validation）、数据准备（data preparation）、异常检测（anomaly detection）、事件创建（event creation）和报告生成（report generation）——通过机器可读的数据契约（data contracts）连接，涵盖示意性（schematic）、语义（semantic）、物理（physical）和时间（temporal）检查。两个设计选择使其与众不同。报告单元是事件（event），而非孤立样本，并且分析人员（analyst）的程序性角色与领域专家（domain expert）的解释性角色保持分离。作为概念验证，该方法在采用KKS编码标准的一年期匿名数据集上运行。契约检查捕获了注入的11个类别70个构造故障中的所有故障，并且流水线在年度记录上端到端运行。该工作流还通过三个独立实现的实例在公共风力涡轮机数据上进行了复制。这些结果验证了工作流，但并非检测性能的统计验证。

**论文解读：EVENT——面向火电厂运行数据异常检测与事件表征的模块化、半自动化工作流方法**

**研究背景与问题**
现代火电厂配备大量测量仪器，其运行信息系统记录数百至数千个信号，覆盖设备全生命周期。这些数据用于故障检测与诊断（FDD）、预测性维护及运行事件文档化。然而，当前工程实践依赖专家经验判断，程序常仅部分记录、难以重现，算法选择凭直觉，结果缺乏可复现性。文献中虽有丰富算法（如支持向量机、独立成分分析、深度学习生成模型等），但缺乏将数据验证、检测、事件创建与专家审查整合为可审计工作流的方法论层面。Zhao等（2022）的PRISMA系统综述也指出需连接方法论创新与部署实用性。此外，电厂决策（如检修计划、事故调查）基于事件级分析，而非孤立样本点，但现有工具多停留在样本级输出。为此，本文提出EVENT（Expert eValuation of ENumerated Typed events）方法，旨在构建一个模块化、半自动化、可审计的离线分析工作流，明确分离分析人员与领域专家角色，以事件而非样本为报告单元。

**研究内容与意义**
研究人员开发了EVENT方法，由五个处理步骤（数据验证、数据准备、异常检测、事件创建与报告生成）通过四个机器可读数据契约（示意层、语义层、物理层、时间层）连接。工作流在一年期火电厂匿名运行数据（38,972条记录，40个信号，KKS编码标准）上完成概念验证，并利用公共风电数据（CARE to Compare集合）进行跨领域复制（三个独立实现实例）。结果验证了工作流可操作性，注入的70个构造故障全部被契约捕获，端到端流水线在年度数据上成功运行，生成23个特征化事件。该工作流在风电数据上同样被三个独立实例成功执行，输出类型化事件结构。论文发表在《Energies》。主要意义在于：首次提供了明确分离分析员与专家角色的工作流级方法，以事件为输出单元，支持审计性与可复现性，且可适配不同信号命名约定（如KKS）。

**主要关键技术方法**
EVENT方法的核心技术包括：
1. **五步流水线**：数据验证（检测编码、分隔符、时间戳格式，推断信号命名约定，生成数据契约）、数据准备（清洗错误值、冻结传感器、缺失值插补、归一化、特征工程，时序分割避免数据泄露）、异常检测（类型化检测器组合：隔离森林^{Isolation Forest}、局部异常因子^{Local Outlier Factor}、长短期记忆自编码器^{LSTM-Autoencoder}、单类支持向量机^{One-Class SVM}，输出类型化向量而非标量）、事件创建与特征化（时间分组、相关性分析、生成事件记录）、报告生成（排序、可视化、可审计报告）。
2. **数据契约**：机器可读的JSON文档，包含示意层（列类型、时间戳格式）、语义层（KKS标识、物理量、单位）、物理层（值范围、变化率上限）、时间层（连续性、单调性、无重复）。
3. **角色分离**：分析人员依据文档化决策规则和配置模板执行步骤，领域专家主要在最终报告阶段评估特征化事件，减少专家在预处理阶段的时间投入。
样本来源：火电厂数据来自工业合作伙伴一年期匿名运行记录（KKS编码）；风电数据来自公共CARE to Compare集合（3个子数据集，81个传感器信号，10分钟分辨率）。

**研究结果**
**5.1 数据集描述**：年度记录包含38,972条时间戳记录、40个信号（温度、压力、流量、功率），时间跨度约13个月，采样周期15分钟。信号覆盖汽轮发电机、给水冷凝系统、蒸汽发生器、电气子系统，经KKS功能码标识。数据集包含多种运行工况（稳态、负荷变化、停机区间）。
**5.2 合成验证（受控故障注入）**：在参考数据集上注入70个构造故障，覆盖11个类别（如KKS约定违规、单位错误、列结构破坏、时间属性破坏、物理范围超限、变化率超限、传感器冻结、缺失值等）。所有故障均被对应的数据契约层（示意层、语义层、物理层、时间层）检测到，验证了契约机制的完整性（非自然故障检测性能）。
**5.3 实际数据可操作性检查**：流水线在年度记录上端到端运行成功，产生23个事件。总延迟约46秒（数据准备和检测步骤占主导），峰值内存约3.1 GB，在标准工作站可接受。运行确定性由固定随机种子和CPU执行保证，SHA-256校验和记录在可复现性清单中。在5个不同全局种子下，任何标志密度稳定（变异系数0.07%），事件计数在19–23之间波动，反映了时间分组对边界附近单个标志的敏感性。
**5.4 配置敏感性及结构基线**：通过独立变化检测校准参数c（训练得分分布的上尾截断）、事件分组间隙Δ_gap（秒）和最小事件持续时间Δ_min（秒），输出响应可解释。更宽松的检测阈值提高标志密度但降低事件计数（因密集标志合并）；更大分组间隙或最小持续时间同样减少事件数。参考配置（c=0.95, Δ_gap=3600 s, Δ_min=600 s）产生23个事件，位于测试网格内部。结构基线比较：孤立森林点异常轴标记11,692样本中的3,942个，时间相邻合并得120个未分化点段；组合any-flag分组得23个未分化单元；完整方法产生相同23个单元，但每个单元带有类型、主次轴、关联信号、优先级，实现从点段到特征化事件记录的转变。
**5.5 跨领域复制**：在公共风电数据（CARE to Compare，三个子数据集：齿轮箱故障、发电机轴承故障、正常行为）上，三个独立实现实例（参考实现、基于规范的第二实例、干净室第三实例）均成功执行端到端流水线，输出类型化可追溯事件结构。事件计数在实例间不同（表5），归因于窗长重算、训练状态过滤、降维等实现选择。干净室实例的分布偏移警告在发电机轴承子数据集上触发（标记份额37–41% vs. 预期5%），参考实例标记份额35.7%（其他子数据集9–13%），事后检查注释显示标记异常覆盖预测期70%，说明观察性（非统计性）一致性。

**讨论与总结**
讨论部分（6.1–6.3）指出：EVENT相对于当前趋势（大语言模型辅助诊断、可解释人工智能、事件级评估、数字孪生）的定位，强调其透明五步流水线而非模型内部解释。局限性包括：验证仅概念验证，基于单一数据集，未进行统计检测性能评估；设计目标（分析师无需领域专长）尚未经用户研究证实；仅适用于离线分析，依赖输入数据质量（至少1000样本、时间戳、数值信号）；参数依赖经验调整；事件表示未推断时序因果顺序。风电数据复制显示默认配置下事件仅集中在持续故障前阶段，未分离短时齿轮箱故障，优先级未区分正常与故障子数据集，这些是后续迭代方向。

**研究结论翻译**
本文介绍了EVENT，一种用于火电厂运行数据离线分析的半自动化方法。主要贡献是一个已实现的工作流，通过显式数据契约连接数据验证、准备、异常检测、事件创建和报告生成，并分离分析人员的程序性角色与领域专家的最终解释性角色。该方法使用特征化事件（而非孤立异常样本）作为报告单元，符合最近提出的事件级视角[8]，并适应不同运行数据格式和信号命名约定（包括KKS标准）。本文报告的验证是概念验证性质，展示了这些机制在真实运行数据集上的功能，而非检测的统计可靠性，后者连同跨领域长期评估及检测器组成的实证比较，是计划中带标签实证研究（已具体化为CARE to Compare风力涡轮机集合[37,38]和Tennessee Eastman过程仿真数据[42]，且三个实例复制基线已就位（第5.5节））的主题。在目前形式下，EVENT追求的设计目标是使可复现运行数据分析更易于非窄领域专长分析人员使用，这一可及性仍是设计目标而非已实证效果（第6.2节）。