CCF广东工业大学学生分会举办 “Advanced AI for Time Series Sensor Data Analytics”学术讲座

CCF广东工业大学学生分会于2026年3月31日（星期二）上午成功举办了主题为“Advanced AI for Time-Series Sensor Data Analytics”的学术讲座。新加坡科技设计大学（SUTD）Xiaoli Li教授应邀为计算机学院师生作学术报告。

Xiaoli Li教授是人工智能与数据科学领域的国际顶尖学者，同时担任IEEE与AAIA会士（Fellow）。在加入SUTD之前，他曾领导新加坡科技研究局（A*STAR）的机器智能部门，并主导建立和管理了新加坡规模最大的AI与数据科学研究团队。李教授在人工智能、数据挖掘、机器学习等领域成果丰硕，已累计发表400余篇同行评审论文，总引用量突破40000次（h-index高达92），并荣获十余项最佳论文奖。他不仅连续入选斯坦福大学“全球前2%顶尖科学家”榜单及科睿唯安“高被引科学家”，还具备丰富的工业界合作经验，曾与全球多家航空、电信及保险领域的领军企业开展过大规模的联合研发项目。

本次讲座中，Xiaoli Li教授结合时间序列传感器数据“规模庞大、维度复杂、实时性强”等特点，围绕现代工业体系中智能运维的真实落地需求展开介绍，深入探讨了自监督表示学习、无监督领域自适应和模型压缩与优化等一系列正在彻底改变传感器数据诠释与利用方式的尖端人工智能技术，前瞻性地审视时序大模型的新兴角色，及其在统一多样化任务、简化数据分析工作流以及开拓全新应用边界方面的巨大潜力。

Xiaoli Li教授从真实的工业运行环境出发，指出在长周期、高负荷的运转条件下，各类旋转机械与核心设备不仅常面临轴承剥落磨损、齿轮箱损坏、涡轮叶片断裂而造成高昂的设备意外停机成本，更会显著威胁整个工业系统的可靠性与安全性，从而引出时间序列数据分析在工业物联网预测性维护以及航空航天、医疗健康等安全关键场景中的巨大应用潜力与商业价值。

在明确了工业痛点与应用价值后，报告正式进入核心技术专题环节。报告从自监督表示学习、无监督领域自适应、模型压缩及时间序列基础模型四个维度，系统阐述了实现精准“预测性维护”的核心技术路径。

在随后的报告中，Xiaoli Li教授向师生们详细展示了其团队在自监督表示学习方面的开创性突破，重点介绍了一种名为TS-TCC（Time-Series Temporal and Contextual Contrasting）的模型。Xiaoli Li教授先简要阐述了对比学习的核心思想，即通过精心设计的数据增强方法生成同一样本的不同“视图”，试图最大化这些“视图”间的相似性，同时最小化与不同样本的相似性。在此基础上，李教授对TS-TCC模型进行了深度解构，详细阐述了时域对比与上下文对比协同运作的双重机制，以实现对时序特征的高效提取。

针对工业模型从“实验室”走向“真实工厂”时常面临的跨工况性能衰减难题，报告随后深入探讨了无监督领域自适应技术。在此环节，Xiaoli Li教授详细展示了团队提出的一种创新性对比对抗领域自适应（CADA）架构。他指出，该架构巧妙地将对抗性训练与对比学习相融合，不仅通过对抗机制有效对齐了源域与目标域的数据分布，弥合了环境差异，更关键的是，引入了基于InfoNCE的对比损失来最大化互信息，确保目标域在特征对齐的过程中，不会丢失自身波形中固有的、对故障诊断至关重要的底层信息。

针对工业现场边缘终端算力受限、复杂深度学习模型难以直接部署的痛点，Xiaoli Li教授重点展示了团队为解决这一工程落地瓶颈而研发的KDnet-RUL知识蒸馏框架。通过设计GAN-KD与LDT-KD等多元蒸馏策略，系统能将庞大复杂的“教师模型”所学到的深层特征与预测能力，高效且无损地传递给轻量化的“学生模型”。这一技术不仅成功实现了模型体积的大幅压缩，还通过序列化蒸馏进一步增强了对复杂数据的处理性能。

在最后，Xiaoli Li教授对时间序列人工智能的广阔前景进行了系统总结与展望。他指出，随着传感器在制造业、航空航天、交通运输乃至教育等各行各业的全面普及，由AI驱动的时序数据分析正迎来前所未有的发展机遇。

报告结束后，现场师生围绕“复杂工况下的特征鲁棒性”、“跨域泛化能力”及“时序基础模型的工程应用”等议题展开交流讨论。通过互动，师生们对时序人工智能与下一代智能运维的前沿问题及发展趋势有了更深入的理解。