时间序列基础模型是否适合工业监控？成本意识实证研究

工业监控模型必须检测与操作相关的偏差，同时满足特定目标的数据、校准和资源限制。时间序列基础模型 (TSFM) 承诺可重用的表示和零样本预测，但当任务定义异构且轻量级基线具有竞争力时，其部署价值的证据仍然混杂。这项工作提出了跨三种设置的协议感知经验评估：C-MAPSS 退化风险代理、MIMII 上异常声音检测的纯正常训练以及具有合成目标扰动的 BDG2 预测残差诊断。我们评估了经典的一类方法、紧凑型神经自动编码器、残差预测器、MOMENT-small、Chronos-T5 和 TimesFM 2.5 的异常排名性能、风险范围敏感性、残差预测和扰动敏感性以及本地实施成本。在折叠外评估的 100 个 C-MAPSS 引擎中，TCN-AE 达到折叠加权 AUROC/AUPRC 0.9570/0.8960，而 MOMENT 重建的折叠加权 AUROC/AUPRC 为 0.7310/0.3080；配对的引擎集群引导置信区间将两个差异排除为零。在五次匹配的 MIMII 泵评估中，OCSVM 也超过了 AUROC 和 AUPRC 中的 MOMENT 重建。在固定的 12 米 BDG2 面板上，TimesFM 2.5 具有最低的对齐预测误差和最高的合成 AUROC 点估计，尽管合成 AUPRC 在 TSFM 和拟合残差模型中是相似的。相同设备测量表明，MOMENT 比 TCN-AE 具有更高的延迟、峰值分配的 VRAM 和序列化状态字典大小。在评估的冻结和零样本设置下，TSFM 是依赖于任务的部署选项，而不是安装的轻量级模型的默认替代品。