课程导入：TinyML异常检测的定义、应用价值、课程目标与学习路径
TinyML（微型机器学习）是机器学习与嵌入式物联网系统交叉融合的前沿领域，其核心目标是在功耗受限、计算资源有限、存储空间狭小的微控制器（MCU）上直接部署和运行机器学习模型。而异常检测（Anomaly Detection）作为数据挖掘与工业智能的核心任务之一，旨在从大量正常数据中识别出偏离预期模式的异常样本。当这两者结合，便催生了TinyML异常检测这一极具工程价值的技术方向——它让设备能够在本地、实时地感知“不对劲”的状态，而无需将数据上传至云端。本章作为整个课程的开篇，将系统阐述TinyML异常检测的定义内涵、应用价值、课程学习目标以及科学的学习路径，帮助学习者建立完整的知识框架与工程视野。
一、TinyML异常检测的定义与内涵
TinyML异常检测是指在微控制器级嵌入式设备上，利用轻量化机器学习模型对传感器时序数据或信号数据进行实时分析，自动识别出与正常行为模式显著偏离的事件或状态。其核心特征体现在三个维度：极致的资源约束（通常Flash小于1MB、RAM小于256KB）、实时性要求（毫秒级响应）、本地化处理（数据不出设备）。这与传统云端异常检测方案形成鲜明对比——后者依赖稳定的网络连接和充足的计算资源，而TinyML方案则强调在边缘侧完成全部推理过程。
从数学本质来看，异常检测问题可以形式化描述为：给定正常数据分布 \(P_{normal}(x)\)，对于新样本 \(x_{test}\)，若其概率密度 \(P(x_{test})\) 低于某个阈值 \(\epsilon\)，则判定为异常。Autoencoder方法通过重构误差来近似这一概率密度，而One-Class SVM则通过寻找最大间隔超平面来分离正常数据与原点。这些算法在TinyML场景下需要经过特殊的轻量化改造，包括权重量化（如从FP32降到INT8）、结构剪枝、算子融合等。
二、应用价值与典型场景
TinyML异常检测的应用价值体现在成本、隐私、实时性、可靠性四个维度。首先，本地化处理消除了云端推理的带宽费用和服务器成本，单台设备的增量成本可能仅几元人民币。其次，敏感数据（如医疗健康数据、工业工艺参数）无需上传，从根本上规避了数据泄露风险。第三，工业控制场景要求毫秒级响应，云端往返延迟（通常50-200ms）无法满足安全联锁要求。第四，在网络不稳定或断网环境下，本地推理依然可以持续工作。
| 应用领域 | 监测对象 | 典型异常类型 | MCU选型参考 | 关键约束 |
|---|---|---|---|---|
| 工业预测性维护 | 电机振动、轴承温度 | 磨损、不对中、松动 | STM32L4系列 | 实时性<10ms，功耗<1mW |
| 可穿戴健康监测 | 心电信号、血氧、运动 | 心律失常、跌倒、呼吸暂停 | nRF52840 | 续航>7天，RAM<64KB |
| 智能家居安全 | 门窗磁、红外、电流 | 非法入侵、电器故障 | ESP32-S3 | 成本敏感，Wi-Fi共存 |
| 环境传感网络 | 温湿度、气体浓度 | 传感器漂移、泄漏 | RP2040 | 电池供电，采样率低 |
以工业电机预测性维护为例，传统方案是在电机附近部署振动传感器，通过有线或无线方式将数据上传至工厂服务器进行分析。这种方案存在三个痛点：一是布线成本高，改造老旧产线困难；二是数据量庞大，一台电机以2kHz采样率、16位精度工作，每天产生约345MB数据，云端处理成本高昂；三是故障响应延迟，从数据采集到分析结果返回通常需要数秒，无法满足紧急停机需求。采用TinyML方案后，在电机旁部署一颗集成加速度计的MCU（如STM32L4+LSM6DSO），本地运行一个参数量约5K的Autoencoder模型，即可实时输出异常分数，并在检测到异常时直接触发继电器动作。
三、课程目标与能力模型
完成本课程学习后，学习者应具备以下四项核心能力：
- 算法原理理解能力：深入理解Autoencoder的欠完备瓶颈设计、重构误差计算、One-Class SVM的核函数选择与超参数调优，能够解释不同算法在特定数据分布下的表现差异。
- 模型轻量化能力：掌握模型量化（训练后量化、量化感知训练）、权重剪枝、知识蒸馏等模型压缩技术，能够将原本需要数MB存储的模型压缩至数百KB以内。
- 嵌入式部署能力：熟练使用TensorFlow Lite for Microcontrollers、CMSIS-NN等部署工具链，能够完成模型转换、算子映射、内存规划、中断服务程序集成等全流程工作。
- 系统调优能力：能够根据具体硬件资源（Flash/RAM/算力）和业务需求（实时性/准确率/功耗），在算法精度与资源消耗之间做出合理权衡，并设计完整的异常响应机制。
四、科学学习路径与章节导航
本课程共30章，按照“基础理论 → 算法详解 → 工程优化 → 综合实战”四个阶段递进设计。前5章聚焦基础概念与开发环境搭建；第6-15章深入讲解Autoencoder、One-Class SVM、孤立森林等核心算法及其TinyML适配；第16-25章围绕模型压缩、量化部署、实时操作系统集成等工程主题展开；最后5章通过工业、医疗、智能家居等完整项目案例，帮助学习者将所学知识融会贯通。
在学习过程中，建议采用“螺旋式上升”的策略：第一遍快速浏览全部章节，建立整体认知；第二遍针对重点算法（如Autoencoder）进行精读并动手实验；第三遍回到工程优化章节，解决实际部署中遇到的问题。每章末尾的“常见误区”模块总结了前人踩过的坑，务必仔细阅读。
五、常见误区与学习复盘
根据过往教学经验，初学者在TinyML异常检测学习中容易陷入以下五个典型误区：
- 误区一：忽视数据预处理。传感器原始数据往往包含噪声、缺失值和量纲差异，直接送入模型会导致训练不收敛或推理结果失真。正确的做法是先进行滑动窗口分割、归一化（如Z-score）、去噪滤波等预处理步骤。
- 误区二：模型过大导致无法部署。在PC上训练好的模型动辄几十MB，直接部署到MCU必然失败。需要从一开始就考虑模型容量约束，采用“小模型+充分特征工程”的策略。
- 误区三：混淆“异常检测”与“分类”。异常检测通常只有正常数据可用于训练（或正常数据占主导），这与需要全部类别标注的分类任务有本质区别。One-Class方法正是为此设计。
- 误区四：忽略实时性验证。在PC上推理耗时1ms不代表在MCU上也能达到同样性能。必须使用计时器实测单次推理延迟，并考虑中断响应、数据搬运等额外开销。
- 误区五：缺乏系统性的阈值选择方法。异常检测的最终输出是异常分数，需要设定阈值来判定是否报警。阈值过高会漏报，过低会误报。应使用验证集上的ROC曲线或F1分数来科学选择阈值。