1-5-陈荣钊-IoTDB 智能之路：使用 AINode 一键训练领域时序大模型.pdf

1、主讲人：陈荣钊目录时序大模型工业智能化核心组件AINode时序模型专用基础设施模型训练使用 AINode 一键训练时序模型模型部署使用 AINode 管理并部署时序模型效果演示使用 workbench 快速上手时序模型01工业智能化核心组件时序大模型机器设备既是产生数据的主体，也是消费数据的主体机器设备数据贯穿整个生产流程，是新的生产资料码头料场焦化矿焦槽高炉脱硫转炉精炼连铸轧线加热炉依靠产业集群进步生产要素的数字化 智 能 生 产 中 心生产智能装备智能集中化平台化专业化生产管控自动化数字化无人化现场作业架构设备号时间发电量2799315:58:26180.72799315:58:44 18

2、9.82799315:59:04 190.32799315:59:24 202.1时序数据时序数据可视化时序数据：工业大数据的核心时序数据无处不在能源交通经济气象医疗时间时序大模型：时序分析的通用解决方案未来预测历史观测时序预测气象预报,产能规划,交通运输?时序填补数据挖掘?时序分类设备诊断，状态识别，高级决策设备维护，生产监控异常检测时序数据无处不在时序分析的通用解决方案真实工业数据难以预测尽管开源的时序大模型已经在广泛的公开数据集上取得了零样本推理效果提升，然而在面对更加复杂多变的真实工业数据时，开源时序大模型的开箱即用效果往往不达预期。公开数据集真实工业数据真实工业数据难以预测即使是成绩

3、显著的语言大模型，在面对特定的任务时，也需要经过微调提升推理表现。参考语言大模型的经验，我们尝试在具体工业数据集微调时序大模型，取得效果提升。解决方案：领域微调设备号时间发电量2799315:58:26180.72799315:58:44 189.82799315:59:04 190.32799315:59:24 202.1领域数据时序大模型模型微调领域大模型02AINode时序大模型专用基础设施模型效果的关键：数据治理现有时序分析流程中的数据处理、模型训练等步骤常在数据库外部离线进行，数据质量影响模型效果、数据离线处理效率低，需要探索高效数据治理范式。时序数据库高端装备时序模型引擎数据汇聚E

4、TL参数输入模型训练模型评估参数优化传统治理流程（库外 ETL：数据迁移、时效性低、安全性低）模型效果的关键：微调算法时序数据库高端装备时序模型引擎数据汇聚ETL参数输入模型训练模型评估参数优化传统训练流程（全量训练：重新学习、训练耗时长、模型收益低）现有时序分析流程需要对时序模型“一机一况”从头训练调优，然而时序大模型的全量训练成本高、模型训练后可能遗忘通用知识，需要实施高效微调算法。AINode：时序大模型专用基础设施IoTDB 2.0：工业数据智能底座配套工具可视化控制台集群监控组件集群管理工具系统安全权限控制融合查询引擎操作审计数据加密黑白名单时序流处理引擎数据同步数据订阅存储引擎时序

5、数据设备属性联邦查询树模型表模型数据基建（DataNode）自定义对象智能体构建工业智能应用时序预测异常检测智能运维模型管理时序大模型Timer深度学习机器学习训练引擎一键微调智能评估推理引擎模型缓存推理加速AI 基建（AINode）数据预处理数据治理流式加载随机访问用户模型03模型训练使用 AINode 一键训练时序模型IoTDB4AI：丰富的时序数据治理函数降采样时序对齐时序分段查询将原始高频数据降频查看，去除不必要数据细节，还原数据基本走势原始序列降频序列每5分钟取均值采样为一个数据点根据时间序列的变化阈值、中断间隔等进行多维度分段查询。（如：查询设备在一段时间内的总开机时长）数据补齐与

6、修复select valueFill(s1)from root.test.d1select valueRepair(s1)from root.test.d1缺值填补错值修复数据治理案例：油量检测挖掘机油箱监测传感器采集的数据不准确、不完整，且受到上下坡等油箱倾斜影响，难以准确监测油量变化，需要进行数据质量分析和清洗，通过 IoTDB 内置时序数据处理算法，实现实时清洗和识别。超声波液位计不准确、不完整的液位高度不准确、不完整的液位-容量对应表清理后的液位-容量对应表设备应用大型工程装备施工管理系统清理后的液位高度清理前清理后清理前油量监测误差清理后油量监