《Sensors》：From Alarms to Probabilities: Stratified Human Review, Label-Noise Correction, and Calibrated Risk Grading for Industrial Vibration Anomaly Detection
编辑推荐：
工业异常检测器输出二元报警，但生产线需要分级处置。将报警校准为故障概率需要地面真值（ground truth），而地面真值只来自被当作精确结果的人工复核，尽管该复核存在噪声。研究人员报告了一个在往复式压缩机生产线上部署的闭环系统（46,023台机组、九次测试批
工业异常检测器输出二元报警，但生产线需要分级处置。将报警校准为故障概率需要地面真值（ground truth），而地面真值只来自被当作精确结果的人工复核，尽管该复核存在噪声。研究人员报告了一个在往复式压缩机生产线上部署的闭环系统（46,023台机组、九次测试批次、四条融合检测支路）。对1161台机组的分层复核审计了融合评分分级，并否定了其假定的单调性：高/中/低层级（tier）的精确率分别为25.2%/13.8%/26.1%。原因在于相关假阳性：两条支路对共享宽带瞬态触发，在480台机组上以21.0%的精确率达成一致——检测器一致性并非独立证据——而一个周期性特征呈单调性（27.8%→60.0%→100%）。以故障注入机组（硬件地面真值）为对照的盲测测得，评审员在困难病例上的敏感性为0.905、特异性为0.421；Rogan–Gladen校正恢复了单调性（95%的自举法（bootstrap）重复样本；在批次聚类重采样下为83%），揭示低层级优势为标签噪声假象，并将无报警患病率（prevalence）重新估计为4–10%，而观测值为13.3%。校正后的证据驱动了重新部署的规则，在复核预算（≤1%/≤3%/≤9%产量）下将层级校准为约67%/27%/17%。该研究方法论——分层审计、故障注入盲测与评估侧患病率校正——可迁移至任何人工验证系统。
**研究背景与问题提出**
在汽车供应链、能源开发与工业制造中，制冷/空调用压缩机的能效与运行可靠性直接影响终端产品质量，因此产线普遍对每台量产机组开展末端（end-of-line, EOL）振动筛查以剔除缺陷件。基于机器学习的异常检测器通常按“每单元仅测一次、打分、判定正常或异常”的方式运行，输出只有二元报警；而实际生产决策却是分级的：立即拉下产线、当日同班复核，或仅记录以便抽样检查。从报警到处置之间，缺少一个很少被实测的环节——报警单元确实故障的概率。当多个检测器融合报警时，工程实践默认两条假设：(i) 同时报警的检测器越多，故障概率越高；(ii) 用于验证的人工复核足够可靠，可作为地面真值。两条假设都缺乏实证检验，这正是本研究要解决的问题。
**研究总览与意义**
研究人员以一条往复式冰箱压缩机产线的振动筛查系统为对象。系统融合四条异构检测支路（leg，独立触发模块）：冲击分类器（collision）、谱图卷积神经网络（ds3v3）、周期噪声特征（phf）与高频毛刺特征（burr），仅依靠模型预测运行，不使用生产标签。研究覆盖九个匿名测试批次（campaign，产线按时间开立的测试任务）、46,023台机组，实施“审计—测量—校正—再部署”闭环：分层复核审计了第一代v1分级规则并否定其单调性；故障注入盲测标定了评审员工作特性；池特定（pool-specific）Rogan–Gladen校正恢复了概率单调性；校正后的证据被重写为v2证据类型分级规则并满足容量预算。论文发表于《Sensors》。
**主要关键技术方法**
(1) 分层复核审计：高层级整群普查，中/低/采样层级按触发模式分层抽样，并设置无报警对照组；以Horvitz–Thompson加权与Wilson区间估计总体比例。(2) 故障注入盲测：取自99F1批次碰撞触发流，其中25段为人为注入故障、25段为真正常单元（响度匹配），以硬件状态作为金标准，标定评审员敏感性a与特异性b。(3) 池特定Rogan–Gladen校正：按各池难度给出区间化假阳性率f并经分层bootstrap与f扫描传播不确定度。(4) 容量预算反解式v2阈值综合。样本队列为2026年6月14–23日九个匿名批次（3D28、99F1、7C0B等）共46,023台机组。
**研究结果**
5.1 v1审计：假定的单调性被推翻（Assumed Monotonicity Refuted）
对1161台机组的分层复核显示，v1高/中/低层级的复核精确率（precision，评审判为不合格的比例）仅为25.2%、13.8%与26.1%，而无报警对照基线为13.3%；高层级几乎不比基线高，低层级反而高于中层级，预期排序被双重否定。不同批次间高层级精确率从82%到10%剧烈波动，其中7C0B批次的大量多支路一致报警实为相关假阳性。
5.2 相关假阳性：一致性不等于独立性（Agreement Is Not Independence）
按触发模式分解发现，占v1高层级93%的collision∧ds3v3一致性池精确率仅21.0%，低于phf单独触发的40.0%，且与collision单独触发的20.4%基本持平；55条被标为无效录音的复核样本中有51条集中在碰撞类触发模式，说明两条支路共享宽带瞬态/坏录音等公共混淆源，其一致性是相关错误而非独立确认。相反，含phf的一致性模式（ds3v3∧phf）达到85.7%。碰撞分类器自身的概率分档几乎不携带增量信息（18.9%–28.8%）。
5.3 唯一单调的证据轴：phf阶梯（The Phf Ladder）
phf触发强度与复核精确率呈陡峭单调关系：27.8%→60.0%→100%；这一强单调轴被直接用作v2高/中层级边界的依据。
5.4 v2在审计数据上的校准
v2规则经Horvitz–Thompson加权后，高/中/低层级复核尺度精确率为66.8%/27.0%/17.2%（bootstrap 95%区间48–83%、17–37%、13–22%），高于无报警基线13.3%（9–18%）；三个容量预算均满足（高层级占产量0.70%，高+中占2.74%）。留一批交叉验证（leave-one-campaign-out, LOCO）九折均恢复部署阈值。
5.5 标签噪声校正：单调性真实存在，悲观被夸大
按池难度假设（清晰声学池f=0.05–0.10，困难池f=0.15–0.30）执行Rogan–Gladen校正后，层级概率变为约72%/24%/12%（相对4–10%的无报警基线），单调性更陡；v1“低层级优于中层级”的表象消失，证明其来自评审在困难录音上的假阳性；collision∧ds3v3池校正后趋近于零（上限约8%），强化了降级决策。无报警基线观测值13.3%中约一半为评审假阳性，校正后真实漏检患病率为4–10%。
5.6 敏感性分析
分层bootstrap中，校正后“高>中>低”在95.4%的重复样本中成立（批次聚类重采样下为82.9%），collision∧ds3v3低于中层级在99.9%（95.6%）重复中成立；对全部池施加单一公共错标率f扫描时，低于0.18不翻转任何排序结论。高层级校正概率区间仍宽（49–100%），计划由后续批次普查收窄。
**讨论总结与结论**
讨论部分指出：v2作为纯后处理以零运行时成本部署，每批打印各层级产量份额，构成漂移监测（九个批次高层级份额0.24%–1.85%，2DBF与55C7两个批次超出1%预算而被标识）；新增的开放集谱异常支路mel作为报警支路会在1%假阳性率阈值下增加约2.6%报警量却仅回收2/26（8%）的对照层故障，故只在剩余预算内以低→中提升形式准入（阈值0.473，促升119台，提升亚组复核精确率34%）。评审校准可制度化为“题库”式季度盲测，使单一评审员管线也可校正；盲测仅50段且覆盖单一困难切片是其主要局限。正类“可操作不合格”包含需复测的无效录音，属于处置定义而非测量缺陷；仅统计物理故障时，低层级相对基线不再富集，因此低层级是有界抽样分诊队列而非检测器。校正后未报警组仍有4–10%真实不合格率，构成系统级残余风险。全部工具不依赖压缩机特定结构，可迁移至任何人机验证系统，但跨线迁移须重新校准。
结论可概括为：研究人员把人工复核当作可测量仪器而非地面真值，将二元工业报警流转化为经校准、受容量约束的风险层级。分层审计否定了旧分级以多检测器一致性为前提的排序（高层级25.2%，仅略高于13.3%的无报警基线），并把失效定位于相关假阳性（collision∧ds3v3池21.0%）；故障注入盲测测得评审员在困难样本上的敏感性0.905、特异性0.421；池特定Rogan–Gladen校正表明校正后层级概率严格单调（相对4–10%无报警基线约为72%/24%/12%，排序在95%层内与83%批次聚类bootstrap重复中保持，对低于0.18的公共错标率亦稳健），低层级优势系标签噪声伪影，漏检率约为观测值的一半。校正证据以证据类型分派规则重新部署，满足1%/3%/9%复核容量预算；审计—测量—校正—再部署循环在数天内完成，其各项工具——对照层、种子故障题库、池化患病率校正与容量优先阈值——均可直接迁移至其他人工验证检测系统。
