📚 课程目录第4章异常检测基础

4、异常检测基础：回顾TinyML中常用的异常检测方法及其适用条件

TinyML设备（如振动传感器节点、电机监测器、工业数据采集器）长期部署在物理环境中，其采集到的信号往往呈现高度重复的模式。异常检测的核心任务，就是从这些看似“正常”的数据流中识别出偏离预期的模式。在资源受限的MCU上，我们无法运行复杂的深度学习模型，因此需要根据数据特性、算力预算和部署环境，选择最合适的检测策略。本章将系统回顾阈值检测、统计方法、自编码器和孤立森林四类主流方法，并重点分析它们在采样漂移、安装松动和噪声干扰场景下的适用边界。

上图展示了TinyML异常检测方法选型的整体逻辑。传感器数据流经过特性分析（采样漂移、安装松动、噪声干扰）后，结合部署约束（RAM、Flash、实时性），在四种方法中做出选择。下面我们将逐一深入分析每种方法的原理、实现要点和适用场景。

4.1 阈值检测：最直接但最脆弱的防线

核心原理

阈值检测是最基础的异常检测方法，其核心思想是：如果某个特征值（如振动加速度的RMS值、峰值、温度读数）超出预设的上下限，则判定为异常。在TinyML中，这通常表现为对传感器原始数据或简单统计特征（均值、峰值、峰峰值）的实时比较。

// 阈值检测伪代码示例
float threshold_high = 12.5f;  // 高阈值
float threshold_low = 2.0f;    // 低阈值
float current_rms = compute_rms(sensor_buffer, 128);

if (current_rms > threshold_high || current_rms < threshold_low) {
    trigger_alarm();
}

判断方法

固定阈值：在部署前通过实验确定阈值，适用于工况稳定的场景。
自适应阈值：根据历史数据的滑动窗口动态调整阈值，适应缓慢漂移。
多级阈值：设置警告阈值和报警阈值，分级响应。

案例拆解：电机轴承磨损监测

某工厂在电机轴承上部署了加速度传感器，采样率4kHz，每次采集256个样本。初始时，轴承振动RMS值为5.0±0.3。工程师设定高阈值为8.0，低阈值为3.0。运行3个月后，RMS值缓慢上升至7.2，但未触发报警。第4个月，RMS值突然跳变至9.5，触发报警。停机检查发现轴承已严重磨损。

风险提示：固定阈值无法捕捉缓慢漂移型故障。上述案例中，如果使用滑动窗口（窗口大小=100个样本）计算均值和标准差，当均值超过“历史均值+3σ”时报警，可以提前2周发现问题。

常见误区

阈值设置过紧导致频繁误报，过松导致漏报。
忽略传感器自身噪声对阈值的影响。
未考虑温度变化对振动信号的影响。

4.2 统计方法：利用分布特征识别异常

核心原理

统计方法假设正常数据服从某种概率分布（如高斯分布），通过计算新样本与分布模型的偏离程度来判断异常。常用方法包括：Z-score、Grubbs检验、3σ原则、以及基于滑动窗口的统计过程控制（SPC）。

方法	计算复杂度	内存占用	适用场景
Z-score	O(n)	低（仅需均值/方差）	平稳信号，单变量
滑动窗口SPC	O(n)	中（需缓存窗口数据）	缓慢漂移检测
多元高斯	O(n²)	高（协方差矩阵）	多传感器融合

判断方法

计算历史正常数据的均值μ和标准差σ。
对每个新样本计算Z-score = (x - μ) / σ。
若|Z| > 3，则判定为异常（置信度99.7%）。

案例拆解：环境温度补偿

某户外监测节点采集环境温度，用于补偿振动传感器的零漂。正常温度范围为20-30℃，但夏季中午可达35℃。若直接使用固定阈值，35℃会被误判为异常。采用滑动窗口统计方法后，窗口大小为24小时，计算每个时刻的均值和标准差。当温度超过“当前时刻历史均值+2σ”时，才触发异常。这样既避免了误报，又能捕捉到异常温升。

经验：统计方法对计算资源要求低，适合在MCU上实时运行。但需注意，当数据分布非高斯时（如重尾分布），3σ原则可能失效。此时可考虑使用中位数和MAD（中位差）替代均值和标准差。

4.3 自编码器：利用重构误差检测异常

核心原理

自编码器是一种神经网络，通过编码器将输入压缩为低维表示，再通过解码器重构输入。训练时仅使用正常数据，使重构误差最小化。推理时，若重构误差超过阈值，则判定为异常。在TinyML中，通常使用1D-CNN或LSTM自编码器处理时序信号。

// 自编码器模型结构（TensorFlow Lite Micro示例）
model = Sequential([
    Input(shape=(64, 1)),        // 64个时间步，单通道
    Conv1D(16, 3, activation='relu'),
    MaxPooling1D(2),
    Conv1D(8, 3, activation='relu'),
    UpSampling1D(2),
    Conv1D(1, 3, activation='linear')
])
// 训练后转换为.tflite格式，部署到MCU

判断方法

重构误差指标：MSE（均方误差）或MAE（平均误差）。
阈值设定：在验证集上计算误差分布，取95%或99%分位数作为阈值。
窗口化处理：对连续时间序列，使用滑动窗口（如64个样本）输入模型。

案例拆解：泵体振动异常检测

某水泵站部署了振动传感器，采样率2kHz。使用64点窗口的1D-CNN自编码器，模型大小约12KB，RAM占用8KB。训练数据为正常运行3天的振动信号（约500万样本）。验证集上MSE均值为0.002，标准差0.001。设定阈值为0.005（均值+3σ）。部署后第7天，MSE突然升至0.02，触发报警。检查发现泵体地脚螺栓松动，紧固后MSE恢复正常。

关键参数：自编码器的压缩维度（latent dimension）决定了模型容量。压缩维度太小，模型无法捕捉正常模式；太大则容易过拟合噪声。建议从输入维度的一半开始调试。

常见误区

训练数据中混入异常样本，导致模型“学会”重构异常。
未对输入数据进行归一化，导致重构误差被量纲主导。
忽略时间相关性，将每个样本独立输入，丢失时序特征。

4.4 孤立森林：高效的多变量异常检测

核心原理

孤立森林基于随机森林思想，通过随机分割特征空间来“孤立”异常点。异常点通常位于特征空间的稀疏区域，因此需要更少的分割次数就能被隔离。在TinyML中，由于内存限制，通常使用简化版（如iForest-Lite）或仅使用少量树（如10棵）。

判断方法

构建t棵孤立树，每棵树随机选择特征和分割值。
计算每个样本在所有树中的平均路径长度。
路径长度越短，异常得分越高。
设定异常得分阈值（如0.6）进行判定。

案例拆解：多传感器融合的异常检测

某工业机器人关节部署了6个传感器（3轴加速度+3轴陀螺仪）。使用孤立森林检测异常，每棵树最大深度10，树数量20。特征维度为6，每个特征归一化到[0,1]。训练数据为正常运行100小时的样本（约10万条）。测试时，当机器人碰撞到障碍物时，异常得分从0.2升至0.85，成功触发报警。而使用单变量阈值检测，由于碰撞信号持续时间极短（<50ms），难以捕捉。

注意：孤立森林对高维数据有效，但树的数量和深度直接影响内存占用。在MCU上，建议树数量≤20，深度≤10，否则Flash和RAM可能超限。

常见误区

特征未标准化，导致某些维度主导分割。
树数量过多，超出MCU内存限制。
未考虑时间窗口，将瞬时噪声误判为异常。

4.5 方法对比与选型决策

方法	算力需求	内存需求	抗噪能力	漂移适应性	多变量支持	部署难度
阈值检测	极低	极低	弱	差	否	极简
统计方法	低	低	中	中	有限	简单
自编码器	中高	中	强	强	是	复杂
孤立森林	中	中	中	中	是	中等

选型决策流程

第一步：评估数据特性。若数据平稳且单变量，优先选择阈值或统计方法。
第二步：评估算力预算。若Flash < 64KB且RAM < 8KB，排除自编码器。
第三步：评估异常类型。若异常为突发脉冲，阈值检测可能有效；若为缓慢漂移，统计方法更合适。
第四步：考虑多传感器融合需求。若需融合多个信号，孤立森林或自编码器更合适。

实战建议：在TinyML项目中，建议采用“两级检测”策略：第一级使用阈值或统计方法进行快速筛查，第二级对疑似异常使用自编码器或孤立森林进行精确判定。这样既能保证实时性，又能提高准确率。

4.6 总结与复盘

本章回顾了四种TinyML异常检测方法，每种方法都有其独特的适用边界。阈值检测简单但脆弱，适合工况稳定的场景；统计方法在平稳数据上表现良好，且计算开销低；自编码器能捕捉复杂模式，但需要充足的训练数据和算力；孤立森林擅长多变量异常检测，但需注意内存限制。在实际项目中，没有“万能”的方法，必须根据数据特性、硬件约束和业务需求进行综合选型。

核心要点：采样漂移问题可通过滑动窗口统计或自适应阈值缓解；安装松动通常表现为振动信号的低频分量增加，可通过频域特征辅助检测；噪声干扰则需结合滤波预处理和统计方法。建议在部署前，使用历史数据离线仿真不同方法的检测效果，选择最优方案。