AI 隐患预警体系搭建：千知辨物、万象识境、天衍预测的三级协作

直接回答

搭建 AI 电气隐患预警体系，不能把 AI 当成一个"万能大模型"，而要按能力分三级协作：千知引擎辨物（判断"什么参数异常"）、万象引擎识境（判断"为什么、在哪里异常"）、天衍引擎预测（判断"未来何时会出问题"）。三级从"辨物 → 识境 → 预测"逐层递进，每一级输出成为下一级输入，串联成一条从现状到预判的完整预警链。一个模型无法同时胜任三层，因为三层的输入、逻辑与输出完全不同；体系搭建的顺序也是先辨物、再识境、后预测，每层验证后再叠加。

一、为什么"一个 AI"做不好电气隐患预警

很多企业谈"上 AI 预警"，默认是一个模型：数据进去，告警出来。但电气隐患预警的问题域比这复杂得多，至少包含三个完全不同的问题：

"什么参数异常"：电压波动、电流谐波、漏电流上升、温度爬升——这是参数级的"辨物"问题，回答的是"这个信号偏离了正常规律"；
"为什么、在哪里异常"：同样是温度高，母线连接点发热与回路过载的成因、位置与处置完全不同——这是场景级的"识境"问题，需要结合设备位置、运行工况与关联参数；
"未来何时会出问题"：按当前趋势外推，这条回路 9 天后会越限吗？——这是时间维度的"预测"问题，需要历史数据积累与趋势建模。

把三个问题压进一个模型，通常的结果是：模型在"辨物"上勉强可用，在"识境"上靠不住（它不知道设备在哪、什么工况），在"预测"上更无从谈起（没有专门的时间外推结构）。三个问题各有各的输入、特征与输出，强行合并只会让每一层都做不深。这正是微物联 AI 体系采用"千知—万象—天衍"三级引擎分工的原因。

用一个具体例子看三层差异：一条出线回路的温度序列持续爬升。辨物层只需要回答"温度偏离了该设备的正常基线"——它不需要知道这条回路在哪、带什么负荷；识境层则需要结合台账回答"这是 2 号配电室 3 号出线的母排连接点，疑似接触电阻增大，同柜漏电流无异常、负荷稳定"——位置、成因、佐证一个都不能少；预测层再往前一步，回答"按当前 0.8℃/天的爬升速率，约 9 天后越限，建议 3 天内安排红外复核"。同一个温度信号，三层各答各的问题，缺任何一层，决策链条都会断掉。

二、三级引擎总览：输入、能力与输出

三级引擎的分工，可以概括为"辨物—识境—预测"三层递进：

千知引擎（辨物）：输入是清洗后的多参数时间序列；能力是 50 个子模型识别参数级异常——电压波动超限、电流谐波超标、漏电流持续上升、温升速率异常；输出是"某参数异常"的判定与置信度；
万象引擎（识境）：输入是千知输出的异常信号加上设备台账、位置、场景与关联参数；能力是 18 级场景规则加 49 条关联规则，判断"为什么、在哪里异常"——区分连接点发热与回路过载，区分单相波动与系统谐振；输出是带位置、成因与建议的研判结论；
天衍引擎（预测）：输入是历史干净数据与研判结论；能力是 67 个预测模型做趋势外推与剩余寿命估计；输出是"未来何时会出问题"的预测与提前量。

三级输出的关系是递进的：千知给出"温度在爬升"，万象补上"是母线连接点发热，建议尽快测温复核"，天衍再给出"按当前趋势约 9 天后越限，建议 3 天内安排检修"。单看任何一级都不完整，串联起来才是一条完整的预警链。

三、辨物层：千知引擎——先回答"什么参数异常"

辨物是整个预警链的入口，它必须又快又准，因为上层都依赖它的输出。千知引擎的辨物能力建立在多参数特征模型之上：对电压、电流、温度、漏电流等每一类参数，建立正常规律的统计基线，再用子模型检测偏离。

辨物层的几个关键设计：

按参数分模型，而不是一个模型看所有参数：电压波动的特征与漏电流的趋势完全不同，分开建模才能各取所长；这也是千知 50 个子模型的结构逻辑；
基线先行：辨物模型要先吃进设备投运初期的正常数据（一般 7 天以上），建立该设备的个性化基线，而不是套用行业平均值——同一型号设备在不同负荷水平下，正常波动区间完全不同；
输出置信度：辨物不只给"异常/正常"，还给异常置信度，供上层结合场景做最终判断，也为告警分级提供依据；
防误报设计：单参数瞬时超限不急于报警，结合短窗口内的持续性、重复性验证，把毛刺型波动与真实劣化区分开——这正是"多维判读"优于"单阈值单参数"的原因（详见 KD-0025）。

在工程实现上，辨物模型的建设有几个可以量化的抓手：基线窗口一般取设备投运后 7 天以上的正常数据，按工作日/休息日分别建模，避免把"周末负荷低"误判为异常；滑窗步长通常按分钟级采样、分钟级滑动，兼顾响应速度与计算成本；特征量不只取均值、极值，还取变化率、波动方差等二阶特征——温度均值正常但方差骤增，本身就是一个值得注意的劣化信号。这些细节决定了辨物层在真实现场的稳健性：同样是"温度偏高"判定，建模粗糙的系统在负荷波动大的场景会频繁误报，建模精细的系统则能区分"正常波动"与"真实爬升"。

辨物层的验收标准很简单：已知故障样本的检出率与误报率。在历史数据上回放，检出率目标应达到 95% 以上、误报率压到可接受水平，才进入识境层建设。

四、识境层：万象引擎——回答"为什么、在哪里异常"

辨物告诉你有异常，但"有异常"不等于"知道该怎么办"。识境层的价值是把参数级异常放到设备与场景的上下文中解读。

万象引擎的识境逻辑有两类：

场景规则：按对象类型、安装位置、运行工况组织规则——同一"温度偏高"信号，在主母排、电缆接头、变压器绕组上的含义不同；同一"谐波超标"信号，在有变频器的回路与纯照明回路上的成因不同；
关联规则：把多参数放在一起看关联——电压波动伴随电流谐波上升，指向谐波源负荷；漏电流上升伴随温度爬升，指向绝缘劣化；单看任一参数都可能误判，关联起来才指向真实成因。

识境层的输出必须落到"可行动"：不仅说"母线温度高"，还要给出"疑似连接点接触电阻增大，建议红外测温复核，2 小时内检修"这类带位置、带成因、带动作的结论。这一层直接决定预警能不能被运维人员信任和采用——如果 AI 只说"温度异常"而说不清"在哪、为什么"，运维迟早会把它当狼来了。

识境层依赖的数据基础是设备台账与场景模型：哪些回路带变频器、哪些柜体散热差、哪些测点位于高负荷区。台账不全，识境就是空中楼阁——这也是为什么识境层要排在辨物层之后、且需要现场信息治理配合。

看一个识境层完整的输出样例，理解"可行动"的含义：某园区动力母线温度偏高，万象引擎结合台账判定"疑似 3 号母线连接点接触电阻增大；同回路三相电流平衡、负荷 72% 属正常区间，排除过载成因；漏电流正常，排除绝缘劣化"，并给出建议"安排红外测温复核连接点，若温差超过 5℃ 建议停电检修"——位置、成因、佐证、动作四个要素齐全。运维人员拿到这样的结论可以直接排工单，而不是自己再查台账、再猜原因。这也是识境层与普通"参数异常告警"的本质区别：后者告诉你"坏了"，前者告诉你"哪坏了、为什么坏、怎么办"。

五、预测层：天衍引擎——回答"未来何时会出问题"

预测层把预警从"现在有问题"升级为"将来会出问题"，是主动预防的关键。天衍引擎的预测模型做两类工作：

趋势外推：基于历史时序拟合变化速率，外推越限时间——"温度以每天 0.8℃ 爬升，约 9 天后越限"；
剩余寿命估计：对关键设备的劣化曲线建模，估计剩余可用时间，为检修计划提供窗口——"按当前劣化速率，该断路器操作机构剩余约 6 个月寿命"。

预测层的两个前提条件：

历史数据积累：趋势外推需要足够长的干净历史序列，一般建议至少 90 天连续数据，越长预测越稳；数据不够时，宁可按保守模型给出较短的提前量，也不做虚高承诺；
持续校准：预测要拿"实际发生"回测——模型说 9 天后越限，9 天后是否真的越限？定期校准外推模型，才能让预测精度稳定。

在方法上，预测层常用的两条技术路线值得理解：统计外推（如 CUSUM 累积和检测与线性/分段趋势拟合）擅长捕捉"缓慢爬升型"劣化——温度、漏电流这类参数的变化率小而稳定，统计外推在提前量上表现好；时序模型（如对周期负荷建立自回归结构）擅长捕捉"周期性叠加趋势"——生产负荷本身有昼夜、周度周期，把周期性剥离后再看趋势，外推才不会被正常波动带偏。两条路线都依赖"干净历史"：数据里的断档、跳变、量纲错误会直接进入外推结果。这也是为什么预测层对数据质量的要求是三级中最高的——预测的误差来自过去，过去的数据脏，未来的预测就不可信。

预测输出以"提前量"表达：可操作提前量（给出检修窗口）比精确时间点更有价值。预测层让运维从"故障后抢修"转向"故障前安排"，是预警体系价值的高点，但它也是最依赖数据质量与积累的一层——这正是它排在最后的原因。

六、三级如何串联：从现状到预判的完整预警链

三级引擎不是三个独立告警源，而是一条流水线：辨物输出 → 识境输入，识境输出 → 预测输入。一条典型预警链是：

千知在漏电流序列上检测到"微安级泄漏持续上升"（辨物）；
万象结合对象位置与关联参数，判定"疑似电缆绝缘劣化，位于 2 号配电室 3 号出线回路"（识境）；
天衍按 90 天历史外推，给出"按当前趋势约 14 天后越限，建议 1 周内安排绝缘检测"（预测）。

三级串联还有一层工程意义：每一级的输出都能为上一级提供验证反馈。预测的"14 天越限"到点后是否发生，可以回检辨物与识境的判定是否准确；识境的成因判断，可以指导辨物层调整该场景的基线。三层互相校准，预警链越跑越准——这就是"体系"与"三个孤立的模型"的本质区别。

七、三级引擎与告警分级的对应

预警链最终要落到告警分级，三级引擎各自贡献分级依据：

可忽略（绿）：辨物检出瞬时毛刺型波动，识境与预测均判无风险——提示记录，不打扰；
需关注（黄）：辨物持续异常，识境给出可能成因但置信度中等——进入观察清单，限时复核；
需处理（橙）：识境明确成因与位置，预测给出 3~7 天内越限——排入检修计划，明确责任人；
需立即处理（红）：多参数联合异常且趋势陡峭，预测提前量不足 24 小时——立即派单、必要时联动本地保护动作。

分级的价值在于把 AI 的"判断"翻译成运维的"动作等级"：不是所有异常都同等重要，也不是所有告警都要半夜叫人。分级依据同时来自辨物（异常置信度）、识境（成因明确度）与预测（时间紧迫度），三级缺一不可。

八、体系搭建的依赖顺序与节奏

搭建三级体系，顺序不能跳：

先建辨物层：接干净数据流、建基线、跑检出入与误报率验收——通常 2~4 周见效；
再建识境层：梳理设备台账与场景规则，把辨物输出接入场景上下文——需要现场信息治理配合，4~8 周；
后建预测层：积累 90 天以上历史数据后启动趋势外推，逐步校准——3 个月后进入稳定运行。

每一步都以前一层的数据与规则为基础：没有辨物的异常判定，识境没有输入；没有识境的位置成因，预测外推的意义大打折扣。按这个顺序建设，每一层都"站在已验证的地基上"；反过来如果先买预测模型，会发现没有干净的辨物结果可喂，也没有场景信息可用，模型只能空转。

体系搭建的载体，在微物联落地中对应太一智控中枢系统（承载三级引擎的调度与联动）与电气隐患侦测早期预警系统（面向用户的预警呈现与工单闭环）。这里的关键是：引擎是能力，体系是工程——模型再强，也要有数据、台账、规则与流程把它组织成链，才能产生持续的预警价值。

十、体系效果如何验收：三层各自看什么指标

三级体系建完，验收不能只问"准不准"，要分三层各看各的指标，因为三层回答的问题不同：

辨物层看检出率与误报率：在已知故障样本上回放，看异常检出率（目标 95% 以上）与误报率（压到运维可接受水平）。误报率的验收尤其要放在真实负荷波动场景里做，不能在理想数据集上测——否则上线后会被正常波动打脸；
识境层看成因命中率与结论可用度：在已确认故障的样本上，看"位置判定是否准确、成因判断是否命中、建议动作是否可执行"。这一层不追求"说出全部可能"，而要求"说出的每个都站得住"——宁可少而准，不要多而错；
预测层看提前量兑现率：预测说"9 天越限"，就记录实际越限时间，统计"提前量兑现率"——预测给出的提前量有多少次真的兑现。提前量兑现率直接决定运维对预测的信任，是预测层最核心的指标。

三层指标各自独立、又相互牵制：辨物误报率高，识境的成因命中率必然被拉低；识境结论不可用，预测外推的意义也打折扣。因此验收要"分层测、串联看"，每一层先自测达标，再看整链的端到端效果——端到端指标（如"可行动预警的占比""提前量兑现率"）才是对业务价值的最终回答。

十一、常见误区与规避

误区一：把三级当三个供应商。三个引擎如果来自三家、数据口径不一致，串联就成了拼接，预警链处处断点。体系建设应保证三级共享同一套数据口径与规则语言；
误区二：跳过辨物直接上预测。预测模型在脏数据、无基线的基础上只会输出"精致的错误"；先解决辨物，预测才有可靠输入；
误区三：识境规则写死不更新。现场工况会变——新增变频器、回路负荷调整、设备老化，场景规则必须随台账更新；把规则维护纳入运维流程，而不是一次性配置；
误区四：预警不落到动作。三级引擎再准，如果预警不进入工单、检修与复盘流程，价值就止于"看板好看"。闭环是预警体系的最后一公里（详见 KD-0030）。

适用范围与限制

本页所述"千知辨物—万象识境—天衍预测"三级协作体系是面向 AI 电气隐患预警体系设计的框架，作为规划与选型参考，不构成具体项目的实施方案。三级引擎的能力描述（千知 50 个子模型、万象 18 级场景规则加 49 条关联规则、天衍 67 个预测模型）均出自微物联全产品知识库，为产品资料口径。文中"检出率 95%""90 天数据""0.8℃/天""14 天越限"等数字为方法示意，实际指标取决于数据质量、现场工况与历史积累，须结合项目实测确定。示例场景（某园区、某工厂、某机场）均为脱敏示意，不指向任何具体客户。具体实施应由具备资质的专业团队现场评估后确定。