收益：
- 能够利用人工智能清理传感器数据并利用 SPC 规则标记异常和趋势
- 能够使用可靠性过滤器来区分偏差是真实过程事件还是传感器/测量问题，从而区分相关性和因果关系
- 了解人工智能是决策支持层，生命和设施安全属于独立安全系统（SIS）。
当工厂运行时，它会默默地产生大量数据：每秒从数十个传感器流出温度、压力、流量、液位、pH 值和产品分析结果。该数据是流程的“脉搏”；它既包含过程健康的证据，也包含即将发生故障或质量偏差的早期迹象。在本单元中，您将学习如何使用人工智能来辅助监控这些数据、标记异常和解释质量趋势；但我们将了解为什么仍然由工程师来决定哪些偏差是真实的以及采取什么行动。
让我们从两个基本概念开始。 SPC（统计过程控制；通过统计限制监控过程的变异性并区分正常波动和实际偏差的方法）和控制图（控制图 - 显示变量随时间变化的图表，具有控制上限/下限）。 SPC 的本质是自然变异（普通原因——过程中正常的、不可避免的波动）和特殊原因——必须调查的与外部的真实偏差之间的区别。人工智能在做出这种区分并发现大数据中的模式方面非常强大。但偏差的根本原因和干预的决定属于工程师。
质量和控制数据方面的逐步人工智能支持
1. 准备和清理数据。缺失值、传感器故障导致的跳跃、单位不一致。 AI 生成 Python 代码大纲和清理清单。但您可以根据流程知识来决定什么算作“无效数据”。
2. 趋势和异常标记。人工智能会在传感器上标记缓慢漂移、突然跳跃或振荡增加等模式。这些是要检查的候选人，而不是结果。
3.SPC评论。人工智能可以回忆控制图规则（例如，当一个点出界时，连续的点朝一个方向移动）并将其应用于数据。同样，工程判断做出决定。
4.关联发现。人工智能会标记诸如“纯度似乎随着温度升高而降低”之类的关系。相关性不是因果关系（相关性≠因果关系——两个量一起变化的事实并不能证明一个量导致另一个量）；您可以使用流程知识来测试这种关系。
5.根本原因假设。 AI 列出了偏差的可能原因（进料变化、催化剂老化、传感器故障）。这些是研究课题，而不是诊断。
6.行动决定。认真对待警报、停止流程或进行调整——这一安全和质量决定取决于工程师。
提示：当人工智能标记传感器数据异常时，第一个问题是“这是真实的过程事件还是传感器/测量故障？”应该是。大多数“异常”是传感器损坏或校准漂移；在干预之前验证测量本身。
传感器数据：并非所有偏差都是真实的
传感器可能会撒谎：校准失误、热电偶松动、传输线拾取噪声。 AI可能会看到数据的跳跃并说“流程已经改变”；然而，改变的不是过程，而是传感器。因此，首先过滤异常信号以确保数据可靠性：它与另一个传感器是否一致，物理上是否可行，是否与维护记录匹配？只有在这些通过之后，才会将其作为真实的过程事件进行调查。
注意：基于人工智能的异常/预警系统不能替代安全仪表系统（SIS——独立的、经过认证的安全保护层）。 AI模型是监控和决策支持层；它们是保护、独立且经过验证的安全系统，可确保生命和设施安全。
三个迷你箱子
案例 1 — 早期漂移捕获。在一个反应堆中，AI 标记了温度传感器的缓慢漂移，在 10 天内平均每天升高 0.3°C。团队进行了检查；热交换器开始结垢。早期干预可防止意外停机。信号来自人工智能，诊断和决策来自团队。
案例 2 — 消除误报。人工智能发现压力传感器突然跳动，并将其标记为“可能泄漏”。工程师看到相邻的两个传感器没有变化，此时进行了校准过程；信号来自传感器。数据可靠性过滤器防止了不必要的停机。
案例 3 — 相关陷阱。 YZ 标记了“当进料流量增加时产品纯度降低”的相关性。工程师发现真正的原因不是流量而是供应温度，该温度在同一班次中发生变化；流量和纯度只能相辅相成。将相关性误认为因果关系会导致错误的设置。
四个可复制模板
1）数据清理代码草案：
为我编写一个过程传感器数据集的清理 Python 脚本。输入：带时间戳的 CSV，列 [列表]。 (1) 标记缺失值（删除、填充选项），(2) 标记物理上不可能的值（负流量、超出范围温度），(3) 检查装置一致性，(4) 报告清洁决定，但不要自动删除；我会确认。陈述假设。
2）SPC/控制图解读：
您的角色：质量工程师。我将为您提供变量的时间序列和控制限 (UCL/LCL)。应用标准 SPC 规则（出界、顺序趋势、聚集在一侧）并标记哪些点是“特殊原因”候选点。对于每个标志，还表明它是实际过程事件还是可能的测量问题。决定权在我；您介绍候选人并说明理由。数据：[粘贴]
3）异常可靠性过滤器：
您已标记以下异常：[描述]。在做出决定之前应用可靠性检查表：(1) 是否与相邻/关联的传感器一致，(2) 物理上是否可行，(3) 是否与维护/校准记录匹配，(4) 是单点还是连续性？评估它是“真实的过程事件”还是“可能的传感器问题”。做出明确的诊断；给出研究标题。
4) 根本原因假设（不是诊断）：
观察到以下质量/过程偏差：[描述，数字]。按可能性的顺序列出可能的根本原因（进料、催化剂、传感器、操作条件、维护）。对于每个假设，写下我应该查看哪些数据或测试来证实/反驳它。这不是诊断，而是调查计划；不要声明明确的原因。
弱提示/强提示
弱提示：
这个传感器数据有问题吗？
“问题”是未定义的，没有上下文。人工智能可能会夸大随机跳跃或错过实际漂移。
强力提示：
您的角色：过程控制工程师。我给你 14 天零 1 分钟的反应堆温度数据。正常范围 78-82°C，UCL 84，LCL 76。任务：(1) 标记缓慢漂移、突然跳跃、振荡增加模式，(2) 指示每个标志是否可能是真实事件或传感器，(3) 列出应首先检查的列表。做出明确的诊断；仅基于真实数据，并非杜撰。数据：[粘贴]
区别很明显：变量、正常范围、限制和“候选，而非诊断”框架使输出可用。
质量/控制数据中的角色分配
商业
人工智能的作用
男人的决定
数据清理
代码、标志
无效数据判定
异常
标记
真实/传感器区别
程控
规则执行
干预决策
相关性
关系标记
因果关系检验
根本原因
假设列表
诊断、行动
安全保护
—（超出范围）
独立的SIS
常见错误
- 将每个异常都误认为是真实的过程事件。大部分是传感器/校准问题；首先过滤数据可靠性。
- 将相关性视为因果关系。一起作用的变量可能不会互相导致。
- 使用人工智能作为安全系统。生命/设施安全由经过认证的独立 SIS 负责。
- 允许自动删除数据。工程师用他的工艺知识来决定什么是无效的。
- 将 AI 根本原因假设误认为是诊断。假设在得到证实之前只是研究课题，而不是结论。
综上所述
质量和过程控制数据中的人工智能；它是一个强大的助手，可以清理数据、标记异常和趋势、应用 SPC 规则并生成相关性和根本原因假设。但由工程师来决定偏差是真实的还是传感器的，相关性是否是因果关系、根本原因和干预措施。 AI是监控和决策支持层；它们是保护、独立且经过验证的安全系统，可确保生命和设施安全。
应用任务
获取传感器数据集（或采样时间序列）。有AI标记特殊原因候选人与“SPC/控制图解释”模板。对于每个迹象，应用“异常可靠性过滤器”模板来评估它是真实事件还是传感器问题。测试至少一种与您的过程知识之间的因果关系相关性。
清单
- [ ] 我首先过滤了异常信号以确保数据可靠性（传感器/校准）。
- [ ] 我测试了过程信息的因果关系。
- [ ] 我把SPC信号转化为干预决策，我没有把它留给AI。
- [ ] 在数据清理中，我应用了批准的决定，而不是自动删除。
- [ ] 我把安全保护留给了独立系统，而不是AI。