2、TinyML与异常检测基础：TinyML定义、边缘设备约束、常见异常检测算法（如Autoencoder、Isolation Forest）概述
TinyML（微型机器学习）是机器学习与嵌入式物联网系统的交叉领域，核心目标是在功耗受限、计算资源有限、内存容量极小的微控制器（MCU）上部署和运行机器学习模型。与云端训练、边缘推理的传统模式不同，TinyML强调模型在设备本地完成推理，甚至支持设备端增量学习。在异常检测场景中，TinyML的价值在于：传感器数据无需上传云端即可实时判断设备状态、工业过程或环境参数是否偏离正常模式，从而降低通信带宽、保护数据隐私、缩短响应延迟。然而，边缘设备的硬件约束决定了我们不能简单地将云端模型压缩后直接部署，而必须从算法选型、模型结构、量化策略到数据闭环管理进行系统性设计。
2.1 TinyML定义与边缘设备的核心约束
TinyML并非简单的“小模型”，而是一套完整的工程方法论。根据TinyML基金会（TinyML Foundation）的定义，TinyML是“在功耗受限的嵌入式设备上，使机器学习应用能够运行的技术和工程实践的集合”。这里的“受限”通常指：微控制器的主频在几十MHz到几百MHz之间，Flash存储空间在256KB到1MB级别，RAM在16KB到256KB之间，且多数设备没有硬件浮点运算单元（FPU）。这些约束直接决定了模型结构的选择、参数量的上限以及推理时的数值精度策略。
以常见的ARM Cortex-M4系列MCU为例，其单次乘法累加运算（MAC）周期约为1~3个时钟周期，但运行一个包含数万参数的神经网络前向传播仍需数百毫秒。因此，TinyML异常检测模型通常将参数量控制在10万以内，推理时间控制在100ms以内。此外，边缘设备往往采用电池供电或能量采集供电，平均功耗需维持在毫瓦级，这意味着模型不能持续全速运行，需要采用“事件驱动”或“周期性唤醒”的推理模式。
2.2 常见异常检测算法概述与选型对比
在TinyML场景下，异常检测算法需要满足两个基本条件：一是算法复杂度可控，能够在MCU上完成推理；二是对异常的定义清晰，能够输出可解释的判定依据。目前常用的算法包括Autoencoder（自编码器）、Isolation Forest（孤立森林）、One-Class SVM以及基于统计的阈值方法。其中，Autoencoder和Isolation Forest因其结构简单、效果稳定，成为边缘设备上的首选。
Autoencoder是一种基于重构误差的神经网络模型。它由编码器（Encoder）和解码器（Decoder）组成，训练时仅使用正常样本，目标是让输出尽可能复现输入。推理时，若输入样本来自正常分布，重构误差较小；若来自异常分布，重构误差会显著增大。Autoencoder的优势在于能够自动学习正常数据的低维特征表示，无需人工设计特征；其劣势在于模型参数量较大，需要精心设计网络宽度和深度以适应边缘内存限制。
Isolation Forest则是一种基于隔离思想的非神经网络算法。它通过随机切分特征空间，构建多棵孤立树（Isolation Tree），异常样本由于分布稀疏，更容易被早期隔离（即路径深度更短）。推理时，计算样本在所有树中的平均路径深度，路径越短，异常得分越高。Isolation Forest的优点是无需训练神经网络，计算开销小，适合高维特征；缺点是对连续型数值特征敏感，且需要保存多棵树的结构，内存占用随树的数量线性增长。
| 对比维度 | Autoencoder | Isolation Forest | One-Class SVM |
|---|---|---|---|
| 模型类型 | 神经网络（非线性） | 集成树模型 | 核方法 |
| 内存占用 | 中（取决于网络结构） | 低~中（取决于树数量） | 高（需保存支持向量） |
| 推理速度 | 中（需多次矩阵运算） | 快（树遍历） | 慢（核函数计算） |
| 对异常的定义 | 重构误差大 | 隔离路径短 | 偏离超平面 |
| 边缘部署难度 | 需量化、裁剪 | 可直接部署 | 不推荐 |
| 适用场景 | 时间序列、图像重构 | 多维数值特征 | 小样本、低维 |
2.3 边缘设备上的算法适配与量化策略
选定算法后，还需要针对边缘设备进行适配。以Autoencoder为例，一个包含三层编码器和三层解码器的全连接网络，若隐藏层维度为64，则参数量约为（输入维度×64 + 64×32 + 32×16）×2，假设输入维度为128，总参数量约为20K，对应FP32模型大小为80KB，INT8量化后仅20KB。这样的模型在Cortex-M4上推理一次约需50~150ms，可以满足大多数工业振动监测场景的需求。
对于Isolation Forest，部署时需将树结构转换为数组存储，每棵树的每个节点记录特征索引、分割阈值和左右子节点索引。假设使用10棵树、每棵树深度为5，则节点总数约为10×（2^6-1）=630个，每个节点存储3个整型值（特征索引、阈值、子节点索引），内存占用约7.5KB，非常适合资源受限设备。
// Autoencoder INT8量化推理伪代码（C语言风格）
int8_t encoder_w[64][128]; // 量化后的权重
int8_t encoder_b[64];
int8_t input[128];
int32_t hidden[64];
for (int i = 0; i < 64; i++) {
int32_t acc = 0;
for (int j = 0; j < 128; j++) {
acc += (int32_t)input[j] * encoder_w[i][j];
}
hidden[i] = acc + ((int32_t)encoder_b[i] << 8);
// ReLU激活
if (hidden[i] < 0) hidden[i] = 0;
}2.4 案例拆解：电机振动异常检测的算法选型与部署
某工厂需要在一条装配线的电机轴承上部署异常检测系统，目标是在轴承出现早期磨损时及时告警，避免设备停机。现场约束为：使用STM32L4系列MCU（Cortex-M4，80MHz，512KB Flash，128KB RAM），加速度传感器采样频率为2kHz，每次采集256个样本（128ms窗口），要求推理时间不超过200ms，平均功耗低于5mW。
初始方案：团队最初尝试使用Autoencoder，输入为256维的振动波形，隐藏层为[64, 32, 64]，参数量约18K。在PC上训练后，FP32模型精度达到95%的F1分数。但部署到MCU后，发现FP32推理需要约350ms，超出预算。随后采用INT8量化，推理时间降至120ms，但F1分数下降至89%，主要原因是振动信号中的微小冲击特征在量化过程中丢失。
分析判断：团队对比了Isolation Forest方案。将256维原始波形通过FFT提取32个频带能量特征，使用20棵孤立树，每棵树深度为6。模型大小仅12KB，推理时间约15ms，F1分数达到91%。虽然略低于量化后的Autoencoder，但推理速度快了8倍，且无需复杂的量化校准流程。
实际操作步骤：
- 采集正常工况下的振动数据2000组，异常工况（人为注入磨损）数据200组，按8:2划分训练集和验证集。
- 对原始波形进行FFT，提取32个频带能量特征，并做Z-score标准化。
- 训练Isolation Forest模型，设置树数量为20，样本采样数为256，contamination参数设为0.05。
- 将模型转换为C数组，嵌入MCU固件，使用固定随机种子保证推理一致性。
- 在MCU上实现滑动窗口推理，每128ms计算一次异常得分，得分超过阈值0.6时触发告警。
结果对比：部署后运行30天，共检测到7次真实轴承磨损早期信号，误报3次（均为外部冲击干扰）。相比原有云端方案（需Wi-Fi上传数据，延迟约2秒），边缘检测延迟降低至128ms，且断网时仍可正常工作。代价是模型无法自动适应新工况，需要定期人工回收误报样本进行重训练。
复盘经验：对于振动类时间序列数据，频域特征+Isolation Forest的组合在边缘设备上具有极高的性价比。Autoencoder虽然精度上限更高，但在资源受限且需要快速响应的场景下，其部署复杂度往往超出预期。建议在项目初期同时评估两种算法，以推理时间和内存占用为硬约束，再比较精度。
2.5 常见误区与总结复盘
误区一：追求模型精度而忽视硬件适配。很多团队在PC上训练出高精度模型，却忽略了边缘设备的量化损失和内存限制。正确的做法是：先确定硬件资源上限，再反推模型结构和参数量。
误区二：将异常检测视为一次训练、永久使用。边缘设备的运行环境会随时间变化（如设备老化、季节温度变化），导致正常数据的分布发生漂移。若不建立数据闭环，模型误报率会逐渐上升。本章后续将详细讨论误报回收与重训练机制。
误区三：忽略特征工程的重要性。Isolation Forest等算法虽然能处理高维数据，但原始波形直接输入往往效果不佳。合理的特征提取（如频带能量、时域统计量、小波系数）能显著提升检测效果，同时降低模型复杂度。