【Concept Drift】概念漂移---知识过时

概念过时

简单来说，模型学到的“知识”过时了，原本学到的特征与标签之间的关联消失或者弱化了。

概念漂移的核心在于模型所学的映射关系发生了变化。

方面	解释
通俗定义	模型学到的“知识”过时了。 模型在训练时学到的输入数据（特征）与输出结果（类别）之间的关系，随着时间推移发生了变化。
变压器例子	变压器老化导致“正常”的概念漂移： 训练模型时，“正常”的变压器热图平均温度是 $T_1$。但变压器运行 5 年后，由于长期损耗和绝缘老化，即使变压器没有故障，其“正常”状态下的热图平均温度可能已经漂移到了 $T_2$ ($T_2 > T_1$)。如果模型没有更新，它会把 $T_2$ 误判为轻微故障。
影响	概念漂移是导致长期运行的 AI 诊断模型准确率随时间下降的根本原因。模型变得越来越不适应当前的运行环境和设备状态。

发生形式

类型	描述	通俗例子
真实概念漂移 (Real Concept Drift)	**$P(Y	X)$ 改变：** 特征和标签之间的关系真的改变了。 这是最常见的，也是最难处理的。
虚拟概念漂移 (Virtual Concept Drift)	$P(X)$ 改变： **特征自身的分布改变了，但 $P(Y	X)$ 没变。**（分类规则没变，但输入数据的样子变了）

具体实例

变压器应用中的具体发生机制 设备老化，样本输入的不同/设备高温正常状态被误判（映射发生偏移）等。下面这些因素是无法避免的

触发机制	影响的特征和概念	导致的结果
设备老化	绝缘材料、油和金属部件的物理化学性质随时间衰减。	故障的临界阈值（如温度、气体含量）降低。模型将旧的正常状态判为新故障。
环境季节变化	环境温度、湿度、风速等。	变压器运行温度的基线周期性波动。模型可能在夏天把所有变压器都判为高温异常，而冬天则相反。
负载/运行模式变化	电网的负荷曲线、使用频率、电能质量等。	工作状态的定义发生变化。过去的高峰负荷现在可能变成了常态负荷。
传感器漂移/更换	采集数据的传感器元件精度退化或被替换。	导致数据采集的系统性偏差（虚拟漂移），模型看到的输入数据失真。

对模型的影响

会直接导致模型性能衰减（Model Decay）的:

• 过时信息：模型的训练是从过去的样本数据中提取的特征学习训练的；那此时发生了变化，
  • 如同，旧地图 来导航新的变化的世界，这样必然会导致大量的误判/误报/漏报。
• 边界模糊：模型训练出的分类边界 不再适用于当前数据分布，导致诊断准确率急剧下降。
  • 如，区分 正常 与短路1匝 的特征界限

解决概念漂移策略

怎么去解决这个问题呢？ 既然不可避免，我们也可以采取一些措施尽可能地减少它的影响

• 漂移检测 (Drift Detection)： 实时监控模型输出（例如，准确率或错误率），一旦性能持续下降，就触发警报。
• 模型适应 (Model Adaptation/Updates)： 一旦检测到漂移，就用最新的数据对模型进行增量学习（Incremental Learning）或定期重新训练（Periodic Retraining）。
  • Trans-Light 的价值： 该框架的轻量化设计，就是为了让这种模型更新（Model Updates）过程变得更加快速和经济，从而能够更灵活、更频繁地适应概念漂移。

reference thesis

# A lightweight deep learning framework for transformer fault diagnosis in smart grids using multiple scale CNN features