4、本地判断原理：掌握本地判断（on-device inference）的基本原理，包括特征提取、分类器、阈值判断等，理解如何用轻量模型实现告警决策
TinyML边缘告警设备的核心价值，在于将“感知-判断-决策”闭环从云端下沉到设备本地。传统物联网设备往往将原始数据（如加速度波形、音频采样、电流曲线）全部上传至云端，由云端模型完成推理后再下发告警指令。这种方式不仅消耗大量无线带宽和电池电量，还引入了不可控的网络延迟——对于需要秒级响应的工业设备异常告警、跌倒检测、管道泄漏监测等场景，这往往是不可接受的。本地判断（on-device inference）的本质，是在MCU（微控制器）上直接运行一个经过压缩和量化的轻量级机器学习模型，让设备在采集到数据的瞬间，就能完成特征提取、分类推理和阈值判断，从而决定“是否值得发送一条告警消息”。本章将系统拆解这一过程的三个核心环节：特征提取、分类器设计、阈值判断，并给出可落地的工程实践方法。
上图展示了本地判断的完整数据流链路。从传感器采集原始信号开始，经过预处理、特征提取、分类器推理，最终通过阈值判断决定是否触发告警。整个过程在MCU内部完成，不依赖外部网络。下面我们将逐一深入每个环节的原理与实现要点。
4.1 核心原理：从原始信号到告警决策的映射
本地判断的本质，是将高维、高噪声的原始传感器数据，通过一系列变换映射到一个低维的决策空间。这个映射过程可以分解为三个层次：信号层（原始数据）、特征层（人工或自动提取的判别性信息）、决策层（分类器输出与阈值比较）。理解这一分层结构，是设计高效边缘告警系统的前提。
在信号层，MCU以固定采样率（如100Hz~1kHz）从传感器读取数据，并缓存为固定长度的滑动窗口。窗口长度的选择直接影响时延和内存占用——窗口越长，频率分辨率越高，但响应越慢。例如，对于振动监测，256个采样点（采样率512Hz）对应0.5秒窗口，既能捕捉到50Hz以上的振动特征，又不会造成明显延迟。在特征层，我们通过时域统计（均值、峰值、方差）、频域变换（FFT、功率谱密度）或时频分析（小波）等手段，将原始波形压缩为几十个具有物理意义的数值。这些数值应当对目标事件（如异常振动、跌倒冲击）敏感，而对环境噪声不敏感。在决策层，分类器（如决策树、逻辑回归、小型神经网络）接收特征向量，输出一个类别概率或分数，最后与预设阈值比较，产生二值化的告警信号。
关键设计原则：本地判断的目标不是追求最高的分类准确率，而是在内存占用（通常<50KB）、推理延迟（通常<50ms）、电池功耗（平均电流<1mA）三个约束下，达到可接受的告警准确率。因此，特征工程往往比模型结构更重要——一个精心设计的时域特征组合，可能比一个复杂的神经网络在MCU上表现更好。
4.2 特征提取：将原始数据压缩为判别性信息
特征提取是本地判断中最具工程挑战性的环节。MCU的算力有限（主频通常16~240MHz），无法直接对原始波形进行复杂的深度学习特征学习，因此需要人工设计轻量级特征。根据信号类型的不同，特征提取策略可分为三类：
4.2.1 时域特征
时域特征直接对采样点序列进行统计计算，计算量小、物理意义明确，是边缘设备最常用的特征。核心特征包括：
- 均值（Mean）：反映信号的直流分量，如加速度的静态倾斜角度。
- 峰值（Peak）：窗口内最大值，对冲击事件（如跌倒、敲击）非常敏感。
- 方差/标准差（Variance/Std）：衡量信号波动程度，用于区分平稳与剧烈运动。
- 均方根（RMS）：反映信号的有效能量，常用于振动监测。
- 过零率（Zero-Crossing Rate）：信号穿越零点的次数，可区分高频振动与低频摆动。
以三轴加速度计为例，一个窗口（256点）可以提取9个时域特征（每轴3个），加上三轴合成向量的幅度特征，共约12个特征。这些特征的计算量仅为几十次乘加运算，在Cortex-M4内核上耗时不足1ms。
4.2.2 频域特征
当目标事件具有特定频率成分时（如电机轴承故障的1kHz振动、管道泄漏的超声信号），频域特征更具判别力。MCU上常用的频域分析方法包括：
- FFT（快速傅里叶变换）：将时域信号转换为频谱，计算量约为N·log₂(N)次复数运算。对于256点FFT，在Cortex-M4上约需2~5ms，可接受。
- 功率谱密度（PSD）：在FFT基础上计算各频段的能量分布，可提取特定频段的能量占比作为特征。
- 谱质心（Spectral Centroid）：频谱的“重心”位置，用于区分低频轰鸣与高频尖锐声。
需要注意的是，FFT需要较大的内存（256点FFT需要约2KB的复数缓冲区），且对采样时钟稳定性要求较高。在资源受限的MCU上，建议优先使用时域特征，仅在必要时引入频域特征。
4.2.3 特征选择与降维
提取的特征并非越多越好。过多的特征会增加计算量、占用内存，并可能导致过拟合。常用的特征选择方法包括：
- 方差过滤：剔除方差接近0的特征（无判别信息）。
- 相关性分析：剔除互相高度相关的特征（如均值与RMS在平稳信号下高度相关）。
- 基于模型的选择：使用决策树或逻辑回归训练后，查看特征重要性权重，保留Top-K个特征。
一个实用的经验法则是：特征数量控制在10~20个以内，既能保证分类器有足够信息，又不会超出MCU的内存和计算预算。
| 特征类型 | 计算量（256点窗口） | 内存占用 | 适用场景 | 典型延迟 |
|---|---|---|---|---|
| 时域统计（均值/峰值/方差） | ~50次乘加 | <100B | 跌倒检测、运动识别 | <0.1ms |
| RMS + 过零率 | ~100次乘加 | <200B | 振动监测、电机故障 | <0.2ms |
| 256点FFT + 频段能量 | ~2048次复数运算 | ~2KB | 音频分析、超声泄漏 | 2~5ms |
| 小波变换（4层） | ~1000次乘加 | ~1KB | 非平稳信号、瞬态冲击 | 1~3ms |
4.3 分类器与阈值判断：从特征到告警决策
特征向量提取完成后，需要由分类器将其映射为告警概率或类别标签。在TinyML场景下，分类器的选择需兼顾准确率、模型大小和推理速度。以下是三种最常用的轻量分类器：
4.3.1 决策树（Decision Tree）
决策树通过一系列if-else规则对特征进行分段判断。例如：if (RMS > 0.8 && peak > 2.5) → 异常。其优点是完全可解释、无需乘法运算（仅比较操作）、模型可压缩为嵌套的if-else代码，在MCU上执行速度极快（微秒级）。缺点是单个决策树容易过拟合，通常需要配合剪枝或随机森林（但随机森林在MCU上内存开销较大）。
4.3.2 逻辑回归（Logistic Regression）
逻辑回归计算特征向量的加权和，再通过sigmoid函数映射到[0,1]区间。公式为：P = 1 / (1 + exp(-(w·x + b)))。其模型参数仅为权重向量w和偏置b，对于10个特征，只需存储11个浮点数（可量化为int8）。推理时需进行10次乘加和1次指数运算，在Cortex-M4上约需0.5ms。逻辑回归的优点是模型极小、不易过拟合，适合线性可分或近似线性可分的问题。
4.3.3 轻量神经网络（2层全连接）
当特征与告警类别之间存在非线性关系时（如某些组合特征才有效），可考虑2层全连接网络：输入层（特征数）→ 隐藏层（8~16个神经元，ReLU激活）→ 输出层（1个神经元，sigmoid）。模型参数量约为：特征数×16 + 16×1 + 偏置 ≈ 200~400个参数，量化后仅占0.4~0.8KB。推理时需进行约400次乘加运算，耗时约1~2ms。这种小网络在MCU上完全可行，且比逻辑回归有更强的表达能力。
4.3.4 阈值判断与告警决策
分类器输出的概率值P（0~1）需要与预设阈值T比较，当P ≥ T时触发告警。阈值的选择直接影响系统的精确率（Precision）和召回率（Recall）：
- 阈值过高（如T=0.95）：误报少，但可能漏报真实异常（召回率低）。
- 阈值过低（如T=0.6）：漏报少，但误报增多，导致无线传输频繁唤醒，增加功耗。
阈值标定应在实际部署环境中，通过采集正常与异常样本，绘制ROC曲线后确定。一个实用的方法是：先设定一个初始阈值（如0.85），在试运行期间记录误报和漏报次数，再根据业务容忍度调整。此外，还可以引入“滞后比较”（hysteresis）机制：当P超过高阈值（如0.9）时触发告警，当P回落到低阈值（如0.7）以下时才解除告警，避免在临界值附近反复触发。
工程经验：在MCU上实现sigmoid函数时，不要直接调用数学库的exp()（可能占用数KB代码空间且耗时）。建议使用查表法或分段线性近似。例如，将输入范围[-6,6]分为32段，每段用一条直线近似，误差小于0.01，耗时仅需几十个周期。
4.4 案例拆解：工业电机轴承异常振动告警
下面通过一个完整的工业电机轴承监测案例，展示本地判断的落地过程。该案例来自某工厂的预测性维护项目，目标是在电机轴承出现早期磨损时，设备本地立即发出告警，避免因持续上传振动波形而消耗大量无线带宽。
背景与约束：监测对象为三相异步电机（转速1500rpm），在轴承座上安装ADXL345加速度计（量程±16g，采样率512Hz）。MCU选用STM32L431（Cortex-M4，80MHz，64KB RAM）。无线模块为LoRa（发送电流120mA，接收电流10mA，待机电流2μA）。要求：告警延迟<2秒，电池（2000mAh）续航>6个月，误报率<1次/天。
初始现象与目标：电机正常运行时，振动加速度RMS约为0.3g，频谱以1倍频（25Hz）和2倍频（50Hz）为主。轴承早期磨损时，会出现200~400Hz的高频冲击振动，RMS升至0.6g以上，且频谱中出现明显的300Hz附近峰值。目标：在RMS超过0.5g且300Hz频段能量占比超过15%时，触发本地告警。
特征提取方案：每个窗口256点（0.5秒），提取以下5个特征：
- 三轴合成向量的RMS值（反映整体振动能量）
- 峰值（反映冲击强度）
- 300Hz±20Hz频段的能量占比（通过256点FFT计算）
- 过零率（区分平稳振动与冲击振动）
- 波形因子（RMS/平均值，反映波形尖锐程度）
分类器与阈值：使用逻辑回归分类器，训练数据为正常状态200组、异常状态150组（人为模拟轴承磨损）。训练后权重向量为：w = [2.1, 1.3, 3.8, -0.7, 1.5]，偏置b=-2.0。将权重量化为int8后，模型仅占12字节。阈值T设为0.85，对应ROC曲线上的精确率92%、召回率88%。
实际运行结果：在3个月的试运行中，系统共触发告警47次，其中真实轴承异常43次（经停机检查确认），误报4次（均为外部冲击导致）。平均告警延迟为1.2秒（包括0.5秒窗口采集+0.5秒FFT计算+0.2秒无线发送）。LoRa平均发送次数从原来的每5分钟一次（原始波形上传）降低到每天约0.5次（仅告警消息），电池续航从原来的2周延长至预计8个月。
风险与代价：FFT计算需要2KB的临时缓冲区，在64KB RAM的MCU上占用3%，可接受。但FFT对采样时钟抖动敏感，需使用定时器精确控制采样间隔。此外，逻辑回归对特征之间的线性关系假设较强，若未来出现更复杂的故障模式（如齿轮断齿），可能需要升级为2层神经网络。
复盘经验：① 特征选择比模型选择更重要——本案例中，300Hz频段能量占比这一特征单独就能达到85%的准确率，加入其他特征后提升到92%。② 阈值标定必须结合现场环境，实验室标定的阈值在工厂高噪声环境下误报率翻倍。③ 务必在代码中实现“告警去抖”机制：连续3个窗口（1.5秒）均判定为异常才触发告警，可有效避免单次随机噪声导致的误报。
4.5 常见误区与总结复盘
在设计和实现本地判断功能时，开发者常陷入以下误区，需要特别警惕：
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 盲目追求高准确率，使用复杂模型 | 模型过大无法部署，或推理延迟超标 | 在满足时延和内存约束下，选择最简单有效的模型 |
| 忽略特征工程的物理意义 | 特征对目标事件不敏感，准确率低 | 深入理解信号产生机理，设计有物理依据的特征 |
| 阈值固定不变 | 环境变化后误报率飙升 | 设计自适应阈值或定期重新标定 |
| 忽视MCU数值精度 | 浮点运算慢，或量化后精度损失大 | 使用int8量化，并在部署前进行精度验证 |
| 未考虑窗口重叠 | 事件恰好落在窗口边界时漏报 | 采用50%重叠窗口，确保事件至少完整落入一个窗口 |
总结：本地判断的核心在于“用最少的计算和内存，做出足够好的决策”。本章从特征提取、分类器选择、阈值判断三个层面，系统讲解了在MCU上实现告警决策的方法。关键要点可归纳为：① 特征工程优先，选择有物理意义的轻量特征；② 分类器从简到繁，逻辑回归和决策树往往足够；③ 阈值标定必须结合现场数据，并引入去抖机制；④ 始终在功耗、延迟、准确率三者之间寻找平衡。掌握这些原理后，你就能为各种边缘告警场景设计出高效、可靠的本地判断逻辑。