2、异常检测基础：异常类型与常见应用场景
在进入 TinyML 异常检测模型的算法细节之前，必须先建立对“异常”本身的系统性认知。异常检测并非简单的“非正常即异常”的二值判断，而是需要根据数据形态、时间上下文、群体行为等多维度信息，定义什么是“偏离预期”。在资源受限的嵌入式设备上，异常检测的挑战尤为突出：传感器数据噪声大、存储与算力有限、标注样本稀缺。因此，理解异常的类型学分类与典型应用场景，是选择 Autoencoder 或 One-Class SVM 等模型架构、设计特征工程流程、设定报警阈值的前提。本章将系统梳理异常检测的基础概念，为后续模型实战打下坚实的理论基础。
2.1 异常类型的核心原理与判断方法
异常检测的核心原理建立在“正常行为模式”的建模之上。在 TinyML 场景中，由于设备端无法存储大量历史数据，通常采用“离线训练、在线推理”的模式：在云端或边缘服务器上利用历史数据训练模型，然后将模型压缩部署到 MCU（微控制器）上。理解异常类型，直接决定了模型输入的特征维度、时间窗口长度以及损失函数的设计。
2.1.1 点异常（Point Anomaly）
点异常是最直观的异常类型，指单个数据实例相对于整体数据分布呈现显著偏离。在嵌入式传感器数据中，点异常通常表现为：振动传感器在稳定运行中突然出现一个远超正常幅度的尖峰；温度传感器读数在几毫秒内跳变 20°C；电流传感器捕获到瞬间的浪涌。这类异常往往对应着物理冲击、电磁干扰、传感器故障或瞬时过载。
判断方法：点异常检测通常采用基于距离或密度的方法。在 TinyML 中，最常用的是固定阈值法（如超过均值±3σ）或 One-Class SVM 的决策边界。Autoencoder 模型通过重构误差来识别点异常——如果输入数据经过编码-解码后的重构误差超过预设阈值，则判定为异常。需要注意的是，点异常检测对数据噪声敏感，需要先进行滑动平均或中值滤波预处理。
2.1.2 上下文异常（Contextual Anomaly）
上下文异常（也称条件异常）是指数据点在全局分布中处于正常范围，但在特定上下文（时间、空间、环境条件）下却显得不合逻辑。例如：在夜间 2 点，智能家居的功耗突然从 5W 升至 200W——这个功耗值在白天属于正常范围，但在深夜时段却高度异常；可穿戴设备检测到用户在静坐时心率飙升至 150bpm，虽然 150bpm 在运动时正常，但在静息状态下却是危险信号。
判断方法：上下文异常检测必须引入时间或空间上下文特征。在 TinyML 实现中，常见做法是使用滑动窗口提取时序特征（如均值、方差、斜率、频域能量），并将这些特征与当前环境变量（如时间戳、温度、设备状态）拼接作为模型输入。Autoencoder 的变体——序列自编码器（Sequence Autoencoder）或 LSTM-Autoencoder——能够学习时间依赖关系，从而捕捉上下文异常。One-Class SVM 也可以在高维特征空间中处理上下文信息，但需要谨慎设计核函数。
2.1.3 集体异常（Collective Anomaly）
集体异常是指一组数据点单独看都正常，但作为一个整体序列却呈现出异常模式。例如：工业设备振动信号中出现一段持续 2 秒的振荡衰减波形，每个采样点的幅值都在正常范围内，但整体波形形态与正常运行时的平稳信号完全不同；智能家居中多个传感器（门窗、红外、摄像头）在短时间内产生一系列看似正常但逻辑上矛盾的事件序列。
判断方法：集体异常检测需要分析序列的全局结构。在 TinyML 中，通常采用以下策略：一是提取序列级特征（如频谱质心、过零率、样本熵），将整个窗口作为输入；二是使用卷积自编码器（Conv-Autoencoder）学习局部模式；三是采用基于距离的序列比对方法（如动态时间规整 DTW），但计算量较大，需在 MCU 上做近似优化。集体异常是三种类型中最难检测的，因为需要模型具备“记忆”能力，而 TinyML 设备的内存往往只有几十 KB。
| 异常类型 | 定义 | 典型特征 | 适用模型 | TinyML 实现难度 |
|---|---|---|---|---|
| 点异常 | 单点偏离全局分布 | 幅值突变、尖峰 | 阈值法、Autoencoder、One-Class SVM | 低（适合 MCU） |
| 上下文异常 | 在特定上下文中偏离 | 时间/空间条件依赖 | LSTM-Autoencoder、带上下文特征的 SVM | 中（需时序建模） |
| 集体异常 | 群体序列模式异常 | 序列形态、频谱变化 | Conv-Autoencoder、序列比对 | 高（需较大内存） |
2.2 常见应用场景深度拆解
异常检测在 TinyML 领域的应用横跨工业、医疗健康、智能家居三大方向。每个场景对异常类型、实时性、功耗、精度要求各不相同，这直接影响了模型架构和部署策略的选择。
2.2.1 工业预测维护（Predictive Maintenance）
工业预测维护是 TinyML 异常检测最成熟的应用领域。在旋转机械（电机、泵、风机）上部署加速度计和温度传感器，通过分析振动频谱和温度趋势，提前数小时甚至数天预测轴承磨损、齿轮断裂、转子不平衡等故障。
关键数据与指标：振动传感器采样率通常为 1kHz-10kHz，在 MCU 上需要做 FFT（快速傅里叶变换）提取频域特征。常用的特征包括：RMS 值（振动能量）、峰值因子（冲击特征）、频带能量（如 1x 转频、2x 转频的幅值）。温度传感器采样率较低（1Hz），但需要长时间趋势分析。
模型选择：对于旋转机械，Autoencoder 在频域特征上表现优异。将 FFT 后的频谱（如 256 个频点）作为输入，训练一个 256-64-16-64-256 结构的自编码器。正常数据的重构误差较小，而故障初期的频谱变化会导致重构误差显著上升。One-Class SVM 也常用于此场景，但需要将频域特征归一化到 [0,1] 区间，并选择合适的核函数（通常用 RBF 核）。
背景与约束：某工厂的 5kW 三相异步电机，转速 1450rpm，轴承型号 6205。部署 STM32L4 系列 MCU（主频 80MHz，RAM 64KB），外接 ADXL345 加速度计（量程 ±16g，采样率 3.2kHz）。目标是在轴承故障恶化前 48 小时发出预警。
初始现象：电机正常运行时的振动 RMS 值为 0.8g，频谱中 1x 转频（24.2Hz）幅值 0.5g，无明显边带。
关键输入数据：连续采集 10 秒振动数据，做 1024 点 FFT，取前 128 个频点作为特征向量。正常样本 500 组，故障样本（人为注入外圈裂纹）50 组。
分析判断过程：训练 Autoencoder（128-32-8-32-128），正常样本重构误差均值 0.02，标准差 0.005。设定阈值为均值+5σ=0.045。当轴承出现早期裂纹时，频谱在 1x 转频两侧出现边带（24.2Hz±15.3Hz），重构误差升至 0.12，超过阈值。
实际操作步骤：① 在 MCU 上实现滑动窗口 FFT（每 0.5 秒计算一次）；② 将 128 维频域特征输入训练好的 Autoencoder；③ 计算重构误差并与阈值比较；④ 连续 3 次超阈值则触发报警。
结果对比：传统阈值法（RMS>1.5g）在故障前 12 小时才报警，而 Autoencoder 方法提前 52 小时报警。代价是模型推理耗时 18ms，功耗增加 2.3mA，在可接受范围内。
复盘经验：Autoencoder 对频域特征的微小变化敏感，但需要定期用新数据微调模型（每季度一次），否则设备老化会导致误报率上升。
2.2.2 可穿戴设备（Wearable Devices）
可穿戴设备（智能手表、健康手环、医疗贴片）是 TinyML 异常检测的另一大战场。这类设备对功耗和内存要求极为苛刻（通常使用 Cortex-M4 内核，主频 64MHz，RAM 16-32KB），但异常检测的实时性要求较高（如跌倒检测需在 1 秒内响应）。
核心应用：① 心率异常监测：检测房颤、心动过速、心动过缓；② 跌倒检测：通过加速度计和陀螺仪识别跌倒事件；③ 睡眠呼吸暂停：通过血氧饱和度（SpO2）和心率变异性（HRV）判断呼吸暂停。这些应用主要涉及点异常和上下文异常。
模型部署策略：由于内存限制，可穿戴设备通常采用轻量级 Autoencoder（如 32-8-32 结构）或 One-Class SVM（支持向量数量控制在 50 以内）。关键优化手段包括：将模型参数量化为 int8（精度损失 <1%）、使用 CMSIS-NN 库加速推理、采用事件驱动架构（仅在数据变化超过阈值时才唤醒模型）。
2.2.3 智能家居（Smart Home）
智能家居场景中的异常检测覆盖设备能耗监测、入侵检测、水管泄漏、燃气泄漏等。与工业场景不同，智能家居的数据源更加多样（智能电表、门窗传感器、温湿度计、摄像头），且网络连接不稳定，需要在本地完成大部分推理。
典型应用：① 能耗异常：通过智能电表数据识别电器故障或用户忘关设备；② 入侵检测：通过 PIR（被动红外）传感器和门窗磁簧的时序模式识别非法闯入；③ 水管泄漏：通过流量传感器检测微小持续水流。这些场景中，集体异常（如多个传感器的事件序列）和上下文异常（如夜间活动模式）较为常见。
模型选择：对于能耗异常，One-Class SVM 在统计特征（均值、方差、峰度）上表现良好；对于入侵检测，需要分析事件序列的时序逻辑，适合使用轻量级 LSTM 或基于规则的 Autoencoder。智能家居设备通常有 Wi-Fi 模块，可以将部分计算卸载到网关，但为了隐私和可靠性，本地推理仍是首选。
| 应用场景 | 主要异常类型 | 传感器类型 | 采样率 | 典型 MCU 资源 | 推荐模型 |
|---|---|---|---|---|---|
| 工业预测维护 | 点异常、上下文异常 | 加速度计、温度、电流 | 1kHz-10kHz | RAM 64KB，Flash 256KB | Autoencoder（频域） |
| 可穿戴设备 | 点异常、上下文异常 | 加速度计、PPG、ECG | 25Hz-100Hz | RAM 16KB，Flash 128KB | 轻量 Autoencoder、SVM |
| 智能家居 | 上下文异常、集体异常 | 电表、PIR、磁簧、流量 | 0.1Hz-10Hz | RAM 32KB，Flash 256KB | One-Class SVM、规则+Autoencoder |
2.3 常见误区与总结复盘
在 TinyML 异常检测项目的实际落地中，工程师常陷入以下误区，导致模型效果不佳或部署失败。
误区二：在 MCU 上直接跑原始波形。 原始振动波形数据量巨大（10kHz × 16bit = 160kbps），MCU 无法实时处理。必须先在设备端做特征提取（FFT、统计特征），将数据压缩到几十维再输入模型。
误区三：忽略时间上下文。 很多工程师将 Autoencoder 当作纯静态模型，输入只有当前时刻的特征。但在上下文异常场景中，必须引入时间窗口（如过去 5 秒的均值、趋势斜率），否则模型无法区分“正常的高值”和“异常的突变”。
总结复盘：异常检测基础是 TinyML 模型设计的“第一性原理”。点异常适合快速部署和验证，上下文异常需要时序建模能力，集体异常则需要更复杂的序列分析。在实际项目中，建议遵循以下流程：① 明确异常类型（通过数据可视化初步判断）；② 选择合适的特征提取方法（时域/频域/时频域）；③ 根据 MCU 资源选择模型（优先考虑 Autoencoder，因为其推理简单、内存占用可控）；④ 设定合理的阈值（使用验证集计算 ROC 曲线）；⑤ 部署后持续监控误报率，建立反馈闭环。