历史曲线是判断异常的基准
别名: 历史基线 · historical trend · 基线漂移
概念解释
历史曲线为当前读数提供一条时间基线（historical baseline），使操作员能区分"正常波动""周期性模式""缓慢漂移"和"突然偏离"这四种性质完全不同的变化。单独一个数值缺少"刚才是什么样""通常是什么样"这两个参照，很难支撑异常判断——同一个读数，在一条平稳曲线上是异常，在一条本来就有周期起伏的曲线上可能完全正常。
机制
异常从来不是相对于某个固定数字定义的，而是相对于过程的历史行为和当前所处的运行工况定义的。一段连续轨迹能揭示出瞬时值看不出的三样东西：数值之间的自相关（这一刻的值多大程度上能由前一刻推出）、周期性模式（换班、批次、昼夜温差带来的规律起伏）、以及控制动作之后的响应形态（阀门动作后过程需要多久才稳定）。事件标记则把曲线的形状和背后的原因连接起来，让"为什么会是这个形状"有据可查，而不是留给操作员凭经验猜。
这里有一个容易被忽略的翻转条件：历史基线本身默认是相对稳定的，只有在设备状态、配方、工艺条件不变的前提下，"过去怎样"才能推出"现在应该怎样"。一旦这个前提被打破——检修换了备件、催化剂批次更新、控制回路重新整定——旧基线不但失效，还会主动误导判断：拿旧基线去比对新工况，正常值会被错判成异常，真正的异常也可能被新基线的自适应机制悄悄吸收成"新常态"而不再触发任何提示。基线是不是还成立，本身就是一个需要持续核实的假设，而不是设置一次就一劳永逸的参数。
另外，时间轴的缩放和采样点的聚合方式（把每秒数据压缩成每分钟均值）如果不明确标出，视觉上高度相似的两条曲线完全可能代表两种不同的底层动态——聚合会把短时尖峰抹平，也会把真实的快速振荡抹成一条平滑曲线。
怎么研究
一种可行设计是让有经验的操作员对一批曲线片段分类，片段分为"带历史与事件标记""只有历史""只有当前窗口"三种呈现方式，测检出率、诊断一致性（不同操作员对同一片段判断是否一致）和判断信心；同时应该系统地改变呈现的时间窗长度，检查判断准确率对窗口长短的敏感程度，因为窗口选择本身就是一个需要证据支持的设计参数，不是随手定的。
使用真实运行数据做这类研究时，要特别防止"未来信息"泄漏到判断时点——如果曲线片段的截取包含了故障发生之后的数据，操作员实际上是在"事后诸葛亮"，测出来的检出率会虚高，不能代表真实值守时的表现。
边界
历史模式在设备大修、配方切换、季节性环境变化或传感器重新校准之后可能整体失效，这时候"过去从未出过问题"完全不能证明某条轨迹是安全的——它只能证明在旧工况下没出问题。缺测数据、重采样规则和异常值处理方式也会改变曲线的视觉外观，同一批原始数据经不同预处理管线画出来的"历史正常范围"可能宽窄不一。
自适应基线（自动根据近期数据滚动更新"正常范围"）需要额外小心：如果更新速度太快，一个正在缓慢发展的故障会被基线本身逐步"追上"，从统计意义上看不再是异常，实际上险情已经在恶化——这是历史基线这类方法特有的失效模式，与传感器精度或阈值设置无关。
怎么落地
提供可切换但明确标出时间跨度的历史窗口（近一班、近一周、同类批次对比），叠加同工况下的参考包络而不是单一的历史极值线，并且把维护记录、控制动作和配方切换标注在时间轴上，让曲线形状和背后事件对得上号；缺测区间要用视觉上区别于真实数据的方式标出，不能让缺测被误读成"平稳"。
验证办法：用已标注故障发生时刻的历史事件回放操作员，检查他们能否在故障发展的早期（而不是越限之后）从曲线形状上识别出缓慢漂移；同时单独核查自适应基线的更新参数——回放一段已知的渐进性故障，确认基线更新速度不会把这段故障期的数据也纳入"正常"范围，从而把真实告警拖没。