2026年4月2日下午，SLAI Seminar第三十三期在深圳河套学院顺利举办。本次讲座由权小军教授主持，特邀新加坡科技设计大学（SUTD）信息系统技术与设计学院院长李晓黎教授，围绕“用于时间序列传感器数据分析的高级人工智能”主题，系统分享了前沿AI技术如何革新庞大且复杂的传感器数据解读，并推动工业运营与预测性维护的根本性变革。

李晓黎教授是IEEE会士及亚太人工智能协会（AAIA）会士，曾担任新加坡科研局（A*STAR）机器智能研究所所长。他在人工智能、数据挖掘与机器学习领域拥有极高的国际学术声誉，同时具备丰富的产学研转化经验，曾主导多项跨国工业级重大研发项目。

讲座内容

01 工业物联网的痛点：从被动维修到预测性分析

李晓黎教授开篇指出，在现代制造业、航空航天以及医疗保健领域，传感器的大规模普及带来了海量的时间序列数据。以航空引擎、深海钻井平台或大型制造设备为例，任何设备意外宕机都会造成数以百万计的经济损失。因此，***\*利用人工智能技术对设备健康状态进行实时监测与故障预测\****，已成为工业界亟待攻克的核心命题。然而，传统的信号处理方法难以应对现代工业设备对规模、复杂性及实时性的严苛要求；更为棘手的是，真实工业场景中的传感器数据往往具备海量无标签、多源异构以及跨设备分布偏移等特征，这使得常规的监督学习模型在落地时面临巨大挑战。

02 破局数据标注瓶颈：面向时序特征的自监督表示学习

针对工业界缺乏高质量标注数据的痛点，李教授团队创新性地引入了自监督表示学习机制。不同于计算机视觉中常用的图像翻转或裁剪，时序传感器数据具有极强的时域依赖性。团队专门针对时序数据的底层逻辑，设计了基于时间跨度与上下文的对比学习框架。该系统通过对原始信号进行不同强度的特征增强，构建多视角的对比对，促使模型在无标签的状态下自动学习到具备高度鉴别力的数据表征。实验表明，这种方法在面对人类活动识别、设备异常检测以及医疗电生理信号分析时，即便仅使用极少量的标注数据进行微调，也能达到甚至超越全监督学习的准确率，极大释放了无标签数据的潜在价值。

03 跨越设备分布鸿沟：无监督领域自适应与图神经网络

在实际应用中，模型往往需要在A设备（源域）上进行训练，随后部署到B设备（目标域）上。由于不同设备的老化程度、运行工况存在差异，直接套用模型会导致预测性能断崖式下降。

为了实现跨设备的平滑迁移，李教授展示了其团队在无监督领域自适应技术上的前沿突破。该框架利用对抗性训练的思路，不仅在全局层面对齐源域与目标域的特征分布，更引入了时空图神经网络。通过将多变量传感器网络建模为动态图结构，模型能够精准捕捉不同物理传感器（如温度与压力）之间的空间拓扑关联与时序演进规律，从而在目标设备完全无标签的情况下，依然保持极高的故障预测精度。

04 迈向端侧智能与时序基础模型

为了让庞大的AI模型能够顺畅运行在算力受限的边缘设备上，李教授团队开发了高效的模型压缩与知识蒸馏策略。通过特征级对齐与逻辑推断的联合蒸馏，原本需要耗费巨大显存的教师网络，被成功压缩为轻量级的学生网络，在大幅降低推理延迟的同时，几乎完美保留了原模型的预测性能。

讲座尾声，李教授前瞻性地探讨了当前学术界高度瞩目的“时序基础模型”方向。他分享了团队利用多达1PB的各类旋转机械多模态传感器数据，进行大规模统一预训练的最新进展。这一基础模型打破了过去“一个任务训练一个模型”的孤岛模式，仅需提供极少数的样本进行微调，即可迅速泛化至各类全新的工业故障诊断与寿命预测场景中，展现出了巨大泛化潜力。

在问答与互动环节，现场师生反响热烈，围绕时序数据的底层逻辑与前沿挑战与李教授展开了深度交流。权小军教授提出关于“能否借鉴自然语言处理中的掩码机制来处理时序数据”的提问，李教授表示高度认同，并指出团队在构建时序对比框架时，利用历史窗口预测未来窗口的逻辑，本质上与掩码预测异曲同工，均是为了迫使模型捕捉深层的时序依赖关系。

本次讲座系统勾勒了人工智能在时间序列传感器数据分析领域的技术演进全貌。李晓黎教授凭借其跨越学术界与工业界的深厚洞察，生动展示高级人工智能如何逐步突破数据标注匮乏、设备分布差异与边缘算力瓶颈的重重封锁。从高效的自监督特征提取，到具备强大泛化能力的时序基础模型，这不仅是对传统工业物联网数据处理范式的深层重塑，更标志着人工智能正从感知层面的“看”与“听”，深刻迈向对复杂工业物理系统进行精准认知与预测的崭新纪元。