异构变分推断用于马尔可夫退化危害模型：离散混合带可解释聚类的方法

贝叶斯有限混合模型可以识别离散风险聚类（低风险与高风险设备），但面临三个关键瓶颈：（1）粗糙状态离散化导致退化信号不足，（2）当数据本身支持的聚类数少于所探索的聚类数时，聚类识别不稳定，（3）马尔可夫链蒙特卡lore（MCMC）方法在实际部署中计算不可行（每个模型需要 7 小时以上）。我们提出了一种实用框架，结合（1）8 状态全局百分位离散化以放大退化事件，（2）30 维特征工程整合统计趋势（22 项特征）、连续健康指标和文本嵌入（压缩至 3 维），（3）强制最小聚类份额和分离性的可解释模型选择规则，以及（4）采用全秩协方差的自动导数变分推断（ADVI）实现稳定快速估计。应用于 280 台工业泵设备及 104,703 条检修记录，我们展示：（1）随机效应模型（基线）显示 ADVI 和 NUTS 的估计几乎相同，实现 15 倍加速，验证了 ADVI 的准确性。（2）有限混合模型识别具有可解释性约束的最优聚类数。（3）NUTS 存在严重收敛问题和标签切换，而 ADVI 在 84 倍时间下提供稳定结果。我们贡献了：（1）首次演示细粒度状态离散化（8 状态）对存活分析中混合模型稳定性至关重要。（2）综合统计、连续和语义信号的特征工程策略。（3）防止自动化模型选择过拟合的实用可解释性规则。（4）实证证明 ADVI 在收敛性、稳定性和计算效率方面优于 NUTS。