异常检测把当前数据与已知模式比对，标记出明显偏离正常行为的状态。它的特点是只需要正常样本就能训练，因此适合那些故障罕见、根本攒不出缺陷样本的场景。
异常检测的思路和分类模型正好相反：它不去学习各种故障长什么样，而是学习正常状态的分布，凡是偏离这个分布的就打上标记。这一点在工业现场特别实用——设备故障本来就少，攒够每种缺陷的样本往往要等上几年。
实现上通常先用一段确认无故障的运行数据建立基线，再对新数据计算偏离度。阈值怎么定是核心工程问题：定紧了告警刷屏，运维人员很快就开始忽略；定松了又漏掉真正的早期征兆。硬件、软件、数据和现场配置必须彼此匹配。
用途集中在设备状态监测和质量把关。价值出现在能把一段重复、费力或涉及安全的任务划出清晰边界的时候。项目起点应是流程数据：频次、载荷、故障历史、质量要求和可用接口。
评估时要把收益与运维投入合并考虑。除采购和软件外，集成、培训、维护、内部值守和流程调整都要计入。带量化指标的试点能分辨方案是只在演示中好看，还是在日常班次里稳定。
某做外观检测的企业用异常检测筛查表面缺陷。模型只用合格品图像训练，凡是纹理偏离基线的区域都被标出，交由质检员复核。项目组记录现状、接口和验收标准，在限定区域内试运行，再依据实测结果决定是否转入常态生产。
真正的难点在告警之后：模型只能说这里不对劲，说不出是什么原因。诊断和处置仍然依赖有经验的人，所以配套的处理流程和责任分工必须在上线前定好，否则告警就会积压成没人看的列表。另一个长期问题是概念漂移——换批次原料、调整工艺参数或设备正常磨损，都会让原来的基线失效，需要定期重建。
实践应用
某做外观检测的企业用异常检测筛查表面缺陷：模型仅用合格品图像训练，凡是纹理偏离基线的区域都被标出并交质检员复核。项目组记录现状、接口和验收标准，在限定区域内试运行，再依据实测结果决定是否转入常态生产。
优势
- 只需正常样本即可训练，不必等着攒齐各类缺陷样本
- 能发现此前从未定义过的新型故障模式
- 适合故障率极低、正样本严重不均衡的产线
- 偏离度是连续数值，可按不同阈值分级处置
局限性
- 只能指出异常，无法说明原因，诊断仍依赖有经验的人
- 阈值定紧了告警刷屏，定松了漏掉早期征兆，调参周期长
- 换料、改工艺或设备正常磨损都会让基线失效，需定期重建
- 基线数据本身必须确认无故障，否则会把问题状态学成正常
典型应用领域
常见问题
- 异常检测用一句话怎么解释？
- 把当前数据与学习到的正常模式比对，凡是明显偏离的状态就标记出来。
- 异常检测在实际项目里怎么落地？
- 先用一段确认无故障的运行数据建立基线，再对新数据计算偏离度并设定阈值。上线前要走通告警之后的处置流程，明确谁复核、谁决定停机。
- 什么情况下企业该用异常检测？
- 当故障类型多、单类样本少，或者根本无法穷举所有缺陷形态时最合适。反过来，如果缺陷种类固定且样本充足，直接训练一个分类模型的准确率和可解释性都会更好。
- 异常检测有哪些局限？
- 它只报警不诊断，原因分析仍靠人；阈值调校需要较长的观察周期；此外原料、工艺或设备磨损的变化会造成概念漂移，基线必须定期重建。