AI异常检测入门：C#上位机集成ML.NET实现PLC数据异常预判

预判性：从“事后报警”升级为“事前预判”，提前发现渐变异常，避免设备故障；准确性：融合多特征、适配现场数据分布，降低误报/漏报率；易集成：无需重构现有上位机，ML.NET与C#无缝对接，开发成本低；本地化：模型本地运行，无需联网，适配工业现场网络隔离需求。入门阶段建议从单特征（如温度）开始，熟悉流程后扩展为多特征融合，再逐步实现预测性维护。工业落地的核心不是“算法复杂度”，而是“适配现场数据、解决

威哥说编程

452人浏览 · 2025-12-05 06:45:24

威哥说编程 · 2025-12-05 06:45:24 发布

（本文基于工业预测性维护需求编写，从零基础讲解如何将ML.NET集成到C#上位机，实现PLC采集数据的AI异常检测与预判，解决传统“阈值报警”漏报、误报、无法预判的痛点）

传统工业上位机的异常检测依赖“固定阈值”（如温度>80℃报警），存在三大问题：① 无法预判渐变异常（如温度从70℃缓慢升至80℃，阈值报警仅在超标后触发）；② 漏报复合异常（如电压+电流同时异常，但单阈值未超标）；③ 误报率高（现场环境波动导致阈值频繁触发）。

ML.NET是微软开源的跨平台机器学习框架，适配C#/.NET生态，无需深厚的AI算法知识，即可快速实现工业数据的异常检测。本文从“数据准备→模型训练→上位机集成→实时预判”全流程，手把手教你实现PLC数据的AI异常预判。

一、核心概念与场景适配

1. 工业场景AI异常检测的核心需求

需求	具体表现	ML.NET适配方案
预判渐变异常	如电机温度从60℃逐步升至80℃，提前5分钟预判	基于时序数据训练异常检测模型，识别趋势异常
识别复合异常	如电压380V（正常）+电流15A（正常），但电压×电流=5700（异常）	多特征融合训练，识别特征组合异常
低误报率	过滤环境波动导致的虚假异常	基于历史数据训练，适配现场数据分布
易集成	无需重构上位机，快速嵌入现有系统	ML.NET与C#无缝集成，模型可本地运行

2. ML.NET异常检测选型

ML.NET提供多种异常检测算法，工业PLC数据适配以下两种：

算法类型	适用场景	优势
孤立森林（Isolation Forest）	非时序数据异常检测（如静态参数）	无需标注数据，适合工业无标签场景
时序异常检测（SSA）	时序数据异常预判（如实时采集数据）	识别趋势异常，支持提前预判

本文选择时序异常检测（SSA），适配PLC实时采集的时序数据（如每1秒采集的电压、电流、温度）。

3. 核心流程

1. 数据准备：采集PLC历史数据（正常+异常），整理为时序数据集；
2. 模型训练：用ML.NET训练时序异常检测模型，导出为ONNX/ML.NET模型文件；
3. 上位机集成：加载训练好的模型，实时接收PLC数据并进行异常预判；
4. 结果输出：异常时触发报警，同时输出异常概率/预判时间。

二、前置准备

1. 开发环境

框架：.NET Framework 4.8（兼容工业工控机）/.NET 6+；
ML.NET：NuGet安装Microsoft.ML、Microsoft.ML.TimeSeries；
数据工具：Excel（整理历史数据）、SQLite（存储PLC采集数据）；

NuGet安装命令：

Install-Package Microsoft.ML
Install-Package Microsoft.ML.TimeSeries
Install-Package Microsoft.ML.OnnxRuntime (可选，导出ONNX模型)

2. 数据准备（工业级数据集）

（1）数据采集

采集PLC实时数据，字段包含：

字段名	类型	说明
TimeStamp	DateTime	采集时间（如2025-05-20 10:00:00）
DeviceId	int	设备ID
Voltage	double	电压（V）
Current	double	电流（A）
Temperature	double	温度（℃）
IsAbnormal	bool	标注是否异常（1=异常，0=正常）

（2）数据集整理

采集至少1000条数据（正常数据占80%，异常数据占20%）；

保存为CSV文件（如plc_data.csv），示例：

TimeStamp,DeviceId,Voltage,Current,Temperature,IsAbnormal
2025-05-20 10:00:00,1,380.2,10.1,65.2,False
2025-05-20 10:00:01,1,380.5,10.3,65.5,False
...
2025-05-20 10:10:00,1,385.8,15.2,78.9,True

三、模型训练（离线训练）

1. 训练代码（C#控制台程序）

using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.TimeSeries;
using System;
using System.IO;

namespace MLNetModelTrain
{
    /// <summary>
    /// PLC数据模型训练（时序异常检测）
    /// </summary>
    class Program
    {
        // 数据集路径
        private static readonly string _dataPath = "plc_data.csv";
        // 训练后模型保存路径
        private static readonly string _modelPath = "PlcAnomalyModel.zip";

        static void Main(string[] args)
        {
            try
            {
                Console.WriteLine("开始训练PLC数据异常检测模型...");

                // 1. 创建ML上下文
                var mlContext = new MLContext(seed: 1); // 固定随机种子，保证结果可复现

                // 2. 加载数据集
                var dataView = mlContext.Data.LoadFromTextFile<PlcData>(
                    path: _dataPath,
                    hasHeader: true,
                    separatorChar: ',');

                // 3. 定义训练管道（时序异常检测SSA）
                // 选择温度作为核心特征（可扩展为多特征融合）
                var pipeline = mlContext.Transforms.TimeSeries
                    .DetectUnivariateAnomaly(
                        outputColumnName: nameof(PlcAnomalyPrediction.AnomalyScore),
                        inputColumnName: nameof(PlcData.Temperature),
                        confidence: 95, // 置信度95%（异常判定阈值）
                        windowSize: 20, // 滑动窗口大小（最近20个数据点）
                        seriesLength: 100, // 序列长度（每100个点为一个序列）
                        trainSize: 800, // 训练集大小
                        pvalueHistoryLength: 20 // P值历史长度
                    );

                // 4. 训练模型
                Console.WriteLine("模型训练中...");
                var model = pipeline.Fit(dataView);

                // 5. 保存模型（供上位机加载使用）
                mlContext.Model.Save(model, dataView.Schema, _modelPath);
                Console.WriteLine($"模型训练完成，已保存到：{_modelPath}");

                // 6. 模型测试（验证效果）
                TestModel(mlContext, model);
            }
            catch (Exception ex)
            {
                Console.WriteLine($"模型训练失败：{ex.Message}");
            }

            Console.WriteLine("按任意键退出...");
            Console.ReadKey();
        }

        /// <summary>
        /// 测试模型效果
        /// </summary>
        private static void TestModel(MLContext mlContext, ITransformer model)
        {
            // 加载测试数据（取最后100条）
            var testData = mlContext.Data.LoadFromTextFile<PlcData>(_dataPath, hasHeader: true, separatorChar: ',');
            var predictions = model.Transform(testData);

            // 转换为可枚举的预测结果
            var anomalyResults = mlContext.Data.CreateEnumerable<PlcAnomalyPrediction>(predictions, reuseRowObject: false);

            // 输出前20个预测结果
            int count = 0;
            foreach (var result in anomalyResults)
            {
                Console.WriteLine($"异常分数：{result.AnomalyScore:F2}，是否异常：{result.AnomalyScore > 0.5}");
                count++;
                if (count >= 20) break;
            }
        }
    }

    #region 数据模型定义
    /// <summary>
    /// PLC数据模型（与CSV字段对应）
    /// </summary>
    public class PlcData
    {
        [LoadColumn(0)]
        public DateTime TimeStamp { get; set; }

        [LoadColumn(1)]
        public int DeviceId { get; set; }

        [LoadColumn(2)]
        public double Voltage { get; set; }

        [LoadColumn(3)]
        public double Current { get; set; }

        [LoadColumn(4)]
        public double Temperature { get; set; }

        [LoadColumn(5)]
        public bool IsAbnormal { get; set; }
    }

    /// <summary>
    /// 异常预测结果模型
    /// </summary>
    public class PlcAnomalyPrediction
    {
        [ColumnName("AnomalyScore")]
        public double AnomalyScore { get; set; } // 异常分数（>0.5判定为异常）
    }
    #endregion
}

2. 训练关键参数说明

参数	作用	工业场景适配建议
`confidence`	异常判定置信度	95%（工业场景平衡漏报/误报）
`windowSize`	滑动窗口大小	20-50（根据采集频率调整，1秒/次则设20）
`seriesLength`	序列长度	100-500（保证有足够数据点识别趋势）
`trainSize`	训练集大小	至少80%的总数据量

3. 模型训练结果

训练完成后生成PlcAnomalyModel.zip文件，该文件包含训练好的异常检测模型，可直接被上位机加载使用。

四、上位机集成（实时异常预判）

1. 核心代码（工业级封装）

using Microsoft.ML;
using Microsoft.ML.Data;
using System;
using System.Collections.Generic;
using System.IO;
using System.Timers;
using log4net;

namespace IndustrialHmi.AnomalyDetection
{
    /// <summary>
    /// PLC数据AI异常检测服务（上位机集成）
    /// </summary>
    public class PlcAnomalyDetectionService : IDisposable
    {
        private readonly ILog _logger;
        private readonly MLContext _mlContext;
        private readonly ITransformer _model; // 加载的异常检测模型
        private readonly PredictionEngine<PlcData, PlcAnomalyPrediction> _predictionEngine;
        private readonly Timer _collectTimer; // PLC数据采集定时器
        private readonly Queue<double> _temperatureBuffer; // 温度数据缓存（滑动窗口）
        private readonly int _bufferSize = 20; // 缓存大小（匹配模型windowSize）

        /// <summary>
        /// 异常事件（供上位机UI订阅）
        /// </summary>
        public event Action<AnomalyAlert> AnomalyDetected;

        /// <summary>
        /// 构造函数
        /// </summary>
        /// <param name="modelPath">模型文件路径</param>
        public PlcAnomalyDetectionService(string modelPath)
        {
            _logger = LogManager.GetLogger(typeof(PlcAnomalyDetectionService));
            _temperatureBuffer = new Queue<double>(_bufferSize);

            try
            {
                // 1. 初始化ML上下文
                _mlContext = new MLContext();

                // 2. 加载训练好的模型
                if (!File.Exists(modelPath))
                {
                    throw new FileNotFoundException("异常检测模型文件不存在", modelPath);
                }
                using var modelStream = new FileStream(modelPath, FileMode.Open, FileAccess.Read);
                _model = _mlContext.Model.Load(modelStream, out var schema);

                // 3. 创建预测引擎（单例，线程安全）
                _predictionEngine = _mlContext.Model.CreatePredictionEngine<PlcData, PlcAnomalyPrediction>(_model);

                // 4. 初始化PLC数据采集定时器（1秒/次，匹配现场采集频率）
                _collectTimer = new Timer(1000);
                _collectTimer.Elapsed += OnCollectData;
                _collectTimer.Start();

                _logger.Info("AI异常检测服务初始化成功");
            }
            catch (Exception ex)
            {
                _logger.Error("AI异常检测服务初始化失败", ex);
                throw;
            }
        }

        #region 核心功能：实时采集+异常预判
        /// <summary>
        /// 采集PLC数据并进行异常预判
        /// </summary>
        private void OnCollectData(object sender, ElapsedEventArgs e)
        {
            try
            {
                // 1. 模拟采集PLC数据（实际项目中替换为Modbus/TCP采集）
                var plcData = CollectPlcData();

                // 2. 数据缓存（滑动窗口）
                if (_temperatureBuffer.Count >= _bufferSize)
                {
                    _temperatureBuffer.Dequeue(); // 移除最旧数据
                }
                _temperatureBuffer.Enqueue(plcData.Temperature);

                // 3. AI异常预判（缓存满后开始预判）
                if (_temperatureBuffer.Count == _bufferSize)
                {
                    var prediction = _predictionEngine.Predict(plcData);

                    // 4. 异常判定（异常分数>0.5视为异常）
                    if (prediction.AnomalyScore > 0.5)
                    {
                        var alert = new AnomalyAlert
                        {
                            DeviceId = plcData.DeviceId,
                            AlertTime = DateTime.Now,
                            FeatureName = "Temperature",
                            FeatureValue = plcData.Temperature,
                            AnomalyScore = prediction.AnomalyScore,
                            AlertMessage = "温度异常，预判5分钟后可能超标！"
                        };

                        // 触发异常事件（供UI显示/报警）
                        AnomalyDetected?.Invoke(alert);
                        _logger.Warn($"AI检测到异常：{alert.AlertMessage}，异常分数：{prediction.AnomalyScore:F2}");
                    }
                    else
                    {
                        _logger.Info($"数据正常：温度={plcData.Temperature:F2}，异常分数={prediction.AnomalyScore:F2}");
                    }
                }
            }
            catch (Exception ex)
            {
                _logger.Error("实时异常检测失败", ex);
            }
        }

        /// <summary>
        /// 模拟采集PLC数据（实际项目替换为Modbus通信）
        /// </summary>
        private PlcData CollectPlcData()
        {
            // 模拟正常数据（前100秒），后模拟渐变异常（温度逐步升高）
            var random = new Random();
            var seconds = (int)(DateTime.Now - DateTime.Today).TotalSeconds % 120;
            double temperature;

            if (seconds < 100)
            {
                temperature = 65 + random.NextDouble() * 2; // 正常温度：65-67℃
            }
            else
            {
                temperature = 70 + (seconds - 100) * 0.5; // 异常渐变：70→80℃
            }

            return new PlcData
            {
                TimeStamp = DateTime.Now,
                DeviceId = 1,
                Voltage = 380 + random.NextDouble() * 1,
                Current = 10 + random.NextDouble() * 0.5,
                Temperature = temperature,
                IsAbnormal = false
            };
        }
        #endregion

        /// <summary>
        /// 停止异常检测服务
        /// </summary>
        public void Stop()
        {
            _collectTimer.Stop();
            _collectTimer.Dispose();
            _predictionEngine?.Dispose();
            _logger.Info("AI异常检测服务已停止");
        }

        /// <summary>
        /// 释放资源
        /// </summary>
        public void Dispose()
        {
            Stop();
        }
    }

    #region 扩展模型定义
    /// <summary>
    /// 异常报警模型
    /// </summary>
    public class AnomalyAlert
    {
        public int DeviceId { get; set; }
        public DateTime AlertTime { get; set; }
        public string FeatureName { get; set; }
        public double FeatureValue { get; set; }
        public double AnomalyScore { get; set; }
        public string AlertMessage { get; set; }
    }

    // 复用训练阶段的PlcData和PlcAnomalyPrediction类
    public class PlcData
    {
        public DateTime TimeStamp { get; set; }
        public int DeviceId { get; set; }
        public double Voltage { get; set; }
        public double Current { get; set; }
        public double Temperature { get; set; }
        public bool IsAbnormal { get; set; }
    }

    public class PlcAnomalyPrediction
    {
        public double AnomalyScore { get; set; }
    }
    #endregion
}

2. 上位机调用示例（WPF/WinForms）

using IndustrialHmi.AnomalyDetection;
using log4net;
using System;
using System.Reflection;
using System.Windows;

[assembly: log4net.Config.XmlConfigurator(ConfigFile = "log4net.config", Watch = true)]
namespace IndustrialHmi.Host
{
    /// <summary>
    /// 上位机主程序（集成AI异常检测）
    /// </summary>
    public partial class MainWindow : Window
    {
        private readonly ILog _logger;
        private PlcAnomalyDetectionService _anomalyService;

        public MainWindow()
        {
            InitializeComponent();
            _logger = LogManager.GetLogger(typeof(MainWindow));

            // 初始化AI异常检测服务
            try
            {
                _anomalyService = new PlcAnomalyDetectionService("PlcAnomalyModel.zip");
                // 订阅异常事件（UI显示报警）
                _anomalyService.AnomalyDetected += OnAnomalyDetected;
                _logger.Info("上位机AI异常检测服务启动成功");
            }
            catch (Exception ex)
            {
                _logger.Error("AI异常检测服务启动失败", ex);
                MessageBox.Show($"AI服务启动失败：{ex.Message}", "错误", MessageBoxButton.OK, MessageBoxImage.Error);
            }
        }

        /// <summary>
        /// 处理异常报警（UI显示）
        /// </summary>
        private void OnAnomalyDetected(AnomalyAlert alert)
        {
            // 切换到UI线程更新界面
            Dispatcher.Invoke(() =>
            {
                txtAnomalyLog.AppendText($"[{alert.AlertTime:HH:mm:ss}] {alert.AlertMessage} 分数：{alert.AnomalyScore:F2}\r\n");
                // 触发声光报警（实际项目中调用硬件接口）
                lblAlert.Visibility = Visibility.Visible;
            });
        }

        /// <summary>
        /// 窗口关闭时停止服务
        /// </summary>
        protected override void OnClosed(EventArgs e)
        {
            base.OnClosed(e);
            _anomalyService?.Stop();
        }
    }
}

五、工业级优化与扩展

1. 核心优化点（适配工业场景）

（1）多特征融合检测

单特征（温度）检测易漏报，扩展为多特征融合：

// 多特征异常检测管道
var pipeline = mlContext.Transforms.Concatenate("Features", nameof(PlcData.Temperature), nameof(PlcData.Current), nameof(PlcData.Voltage))
    .Append(mlContext.Transforms.TimeSeries.DetectMultivariateAnomaly(
        outputColumnName: "AnomalyScore",
        inputColumnName: "Features",
        confidence: 95,
        windowSize: 20));

（2）模型更新机制

工业现场数据分布会随时间变化（如设备老化），需定期更新模型：

上位机自动采集新数据，累计到一定量后触发模型重训练；
训练完成后自动替换旧模型（热更新，无需重启上位机）。

（3）实时性优化

模型本地运行：ML.NET模型无需联网，直接在工控机本地推理，延迟<10ms；
批量预测：将多个数据点批量输入模型，减少推理次数，提升效率；
缓存预测结果：重复数据无需重复推理，直接使用缓存结果。

（4）误报过滤

连续异常判定：仅当连续3个数据点均判定为异常时，才触发报警；
异常分数阈值动态调整：根据现场数据分布，自动调整异常分数阈值（如从0.5调整为0.6）。

2. 常见问题与解决

问题	现象	解决方法
模型预判不准	漏报/误报率高	1. 增加训练数据量；2. 调整windowSize/confidence参数；3. 融合多特征
推理速度慢	上位机卡顿	1. 减少windowSize；2. 批量预测；3. 优化工控机性能（关闭无关程序）
模型加载失败	提示“模型格式错误”	1. 确保训练和推理使用相同版本的ML.NET；2. 检查模型文件是否损坏
渐变异常预判晚	仅在接近阈值时才检测到	1. 增大seriesLength；2. 降低confidence（如90%）；3. 训练时增加渐变异常样本