科研仪器是科研工作的物质基础，随着仪器共享平台发展，万台级设备智能运维亟待解决。物联网监测场景下，受低频采样、网络不稳定影响，监测数据存在细节缺失、噪声、丢包；纯数据驱动异常检测模型难以贴合实际故障机理，环境漂移还会造成模型性能退化。针对以上问题，开展质量感知对比学习与人机协同的科研仪器异常检测研究。工程上搭建万台级科研仪器智能运维监测平台，基于非侵入式电流感知，构建感知接入、混合存储、异构计算与多端交互一体化架构。采用MongoDB与MySQL混合存储分别处理时序与结构化数据；Spring Boot与Python异构部署实现业务流、模型推理分离，跨平台交互支撑海量设备并发监测、算法部署与专家反馈闭环。针对低频采样带来波形模糊、数据质量参差不齐，提出质量感知时频双视图对比学习算法QA‑TF‑CL。构建时域切片与统计频域特征，生成质量掩码，通过时频双编码器建模，设计时间质量加权对比损失函数配合重构约束完成鲁棒学习。多类仪器工况划分任务F1分数91.74%，即便丢包率50%极端条件，性能依旧优于传统模型，适配低质量数据环境。针对模型持续优化困难、缺少可解释监督结果，构建专家反馈驱动的人机协同演化框架。利用t‑SNE、密度峰值聚类实现状态可视化映射，赋予聚类结果物理语义标签，降低标注成本；设计自适应双阈值完成异常分级筛选与告警抑制；结合案例检索、知识库更新、冻结微调，把专家反馈持续回灌模型，快速适配工况漂移。仅需少量专家标注，误警下降率FARR可达92%以上。
作者：王语瑛
指导老师：陈科明
企业导师：曾佳
发布时间：2026年5月