三阶十二步工业AI小模型训练实战 · 第12篇

工业时序窗口怎么定：
观察长度、步长、事件对齐与多尺度特征

窗口不是切片参数，而是模型观察历史、承担延迟和定义样本独立性的合同

作者：黄山  |  专栏序号：12 / 30  |  阅读时间：约25分钟

图1  同一台设备既有毫秒级冲击、分钟级工况，也有天级退化趋势；窗口设计决定模型究竟看见哪一种时间尺度。

文章摘要｜第11篇把原始测量转成稳定特征，第12篇回答时序建模最关键的问题：模型在每次预测前究竟看多长历史、多久更新一次、哪些样本算独立。文章从预测时间零点、回看窗口与预测提前量出发，建立窗口契约，比较固定时长、固定点数、周期、事件和状态窗口；随后讨论物理周期与业务延迟、多尺度设计、事件边界、因果滞后与趋势特征、多采样率传感器融合、重叠窗口泄漏、在线冷启动和迟到数据。最终给出七步验收流程。核心不是找到一个万能窗口，而是让证据长度、决策延迟、标签语义和评估独立性同时成立。

写在前面：窗口定义了模型的视野

工业传感器产生连续数据，而大多数模型需要固定长度的输入或固定时刻的特征向量。窗口就是两者之间的接口。窗口太短，可能看不到一个完整旋转周期、热惯性或退化趋势；窗口太长，旧工况会稀释新异常，计算量和报警延迟也会上升。步长太小会制造大量高度相似样本，步长太大又可能错过短暂事件。

因此，窗口不是`rolling(5min)`里的一个参数。它同时定义了模型能看到的历史、不能看到的未来、样本之间共享多少原始证据、上线需要缓存多少状态，以及业务要等待多久才得到结果。真正的“刚好”只能由物理机理、标签时刻、响应SLA和评估方式共同决定。

核心原则｜先定义预测时间零点，再向过去取证、向未来定义结果。任何跨过时间零点、事件边界或数据划分边界的窗口，都会改变任务甚至造成泄漏。

一、先冻结时间零点：回看、提前量与标签

设`t0`为模型必须做出预测的时刻。输入窗口通常是`[t0-L, t0)`，其中`L`是回看长度；预测目标落在`t0`之后的区间，例如未来30分钟是否异常、未来7天是否故障。输入区间与标签区间之间还可以留出安全间隔，避免维修记录、人工确认或故障瞬态已经泄露到特征中。

• 同时保存事件时间、采集时间和到达时间，在线可用性以数据真正到达并完成计算为准。
• 明确窗口是左闭右开还是双闭，当前时刻样本能否使用；训练和线上必须完全一致。
• 标签延迟、人工确认和工单回填要单独建模，不能假定数据库最终状态在`t0`已经存在。