课程导入：TinyML与无监督异常检测的背景、学习目标、课程整体框架
TinyML（微型机器学习）正在将人工智能从云端数据中心推向数十亿个微控制器（MCU）级别的边缘设备。当这些设备部署在工业电机、冷链运输、智能农业或可穿戴健康监测等场景中时，一个核心挑战随之浮现：异常检测。然而，现实中的工业故障往往是小概率事件——一台正常运转数年的压缩机可能只发生一次轴承磨损，一条生产线上的传感器可能从未记录过真正的“故障样本”。在这种“缺少故障样本”的约束下，传统的监督学习分类器几乎无从训练，而无监督异常检测则成为唯一可行的技术路径。本章作为整个课程的开篇，将系统梳理TinyML与无监督异常检测的融合背景、明确学习目标，并给出贯穿后续29章的整体框架。
1.1 TinyML与无监督异常检测的融合背景
核心原理：TinyML的本质是在资源极度受限的嵌入式设备上运行机器学习推理。与云端AI不同，TinyML设备通常只有几十KB的RAM和几百KB的Flash，这意味着模型参数量必须控制在数万到数十万级别，且推理延迟需在毫秒级。与此同时，工业物联网（IIoT）的部署环境往往具有以下特征：传感器持续产生高维时间序列数据（振动、温度、电流、压力等），但故障样本极其稀少——一台设备可能运行数年才出现一次异常，且异常模式不可预知。这种“正常数据丰富、故障数据稀缺”的分布形态，使得监督学习（需要大量正负样本）和半监督学习（需要少量标注异常）都难以落地。
无监督异常检测的核心假设是：正常数据具有某种内在的统计规律或结构特征，而异常数据会显著偏离这种规律。在TinyML场景中，这一假设被进一步强化——由于MCU上的传感器采样频率固定、工作环境相对稳定，正常数据的分布往往具有较好的可重复性。例如，一个安装在恒定转速电机上的加速度传感器，其振动频谱在健康状态下会呈现稳定的基频和谐波结构；当轴承出现磨损时，高频段的能量分布会发生偏移，这种偏移即使没有历史故障样本，也可以通过重构误差或密度估计被捕捉。
技术驱动因素：推动TinyML无监督异常检测发展的三大技术趋势包括：第一，微控制器算力的持续提升——ARM Cortex-M55等新一代MCU已集成DSP指令和硬件加速器，可以运行轻量级神经网络；第二，传感器成本的下降——MEMS加速度计、温湿度传感器等已降至数美元级别，使得多传感器监测成为可能；第三，边缘计算的需求——许多工业场景要求毫秒级响应（如电机堵转检测），无法容忍将数据上传云端再返回结果的延迟。
1.2 课程学习目标
完成本课程后，学习者应具备以下六项核心能力：
| 能力维度 | 具体描述 | 对应章节 |
|---|---|---|
| 数据理解 | 能够对传感器原始信号进行清洗、分段、特征提取，并判断数据是否满足无监督学习的分布假设 | 第2~4章 |
| 算法选型 | 根据硬件资源（RAM/Flash/算力）和数据类型（平稳/非平稳、单变量/多变量）选择合适的无监督算法 | 第5~9章 |
| 模型压缩 | 掌握量化、剪枝、知识蒸馏等轻量化技术，将模型压缩至MCU可运行的尺寸 | 第10~13章 |
| 工程部署 | 熟练使用TFLite Micro、CMSIS-NN等工具链完成模型到MCU的移植与优化 | 第14~18章 |
| 阈值策略 | 设计自适应阈值机制，平衡误报率与漏报率，应对概念漂移 | 第19~22章 |
| 系统思维 | 能够从端-边-云协同的角度设计完整的异常检测系统，并完成案例复盘 | 第23~30章 |
学习路径建议：本课程采用“理论→方法→实践→复盘”的递进结构。前四章聚焦数据基础，帮助学习者建立对传感器信号和特征工程的直觉；第五至九章深入各类无监督算法，从经典的统计方法（如高斯分布建模）到深度学习方法（如自编码器变体）；第十至十八章进入部署环节，重点解决“模型能跑但跑不动”的工程痛点；最后八章通过完整案例（如电机预测性维护、冷链物流监测）将前序知识串联，并讨论阈值调优、多传感器融合等进阶主题。
1.3 课程整体框架与学习路径
框架设计逻辑：本课程30章内容并非简单的知识罗列，而是围绕一条完整的工程链路展开：信号采集 → 数据预处理 → 特征工程 → 无监督建模 → 模型压缩 → MCU部署 → 阈值决策 → 系统集成 → 运维调优。每一章都对应这条链路中的一个或多个环节，且前后章节之间存在明确的依赖关系。
课程分为四个递进模块：
- 模块一（第1~4章）：基础与数据准备。除本章外，第2章讲解传感器选型与信号采集要点，第3章深入数据预处理（去噪、重采样、归一化），第4章系统介绍特征工程——这是无监督学习效果的上限所在。
- 模块二（第5~9章）：无监督算法核心。第5章从统计方法入手（Z-score、MAD、KDE），第6章介绍基于距离的方法（LOF、孤立森林），第7章覆盖单类分类器（One-Class SVM、SVDD），第8章深入自编码器及其变体（AE、VAE、MemAE），第9章讨论时序建模（LSTM-AE、TCN）。
- 模块三（第10~18章）：TinyML部署工程。第10章介绍模型量化原理，第11章讲解TFLite Micro工具链，第12章覆盖CMSIS-NN优化，第13章讨论内存管理技巧，第14章解决实时性问题，第15章讲解功耗优化，第16章涉及多传感器同步，第17章讨论固件OTA更新，第18章总结部署中的常见陷阱。
- 模块四（第19~30章）：系统实战与进阶。第19章深入阈值自适应策略，第20章讲解概念漂移检测，第21章讨论多模态融合，第22章介绍联邦学习在TinyML中的应用，第23~25章分别给出电机监测、冷链物流、可穿戴设备三个完整案例，第26章讲解系统可靠性设计，第27章讨论安全与隐私，第28章介绍自动化调参工具，第29章进行性能基准测试，第30章总结最佳实践与未来趋势。
1.4 案例拆解：从零构建一个电机振动异常检测原型
为了帮助学习者建立对课程内容的整体感知，这里给出一个贯穿全课程的简化案例——基于STM32L4的电机轴承异常检测原型。该案例将在后续章节中逐步深化，此处仅展示整体流程。
背景与约束：某工厂有一台额定转速为3000 RPM的异步电机，驱动冷却水泵。电机轴承已运行18个月，工厂希望在不更换设备的前提下，通过加装振动传感器实现早期故障预警。硬件约束为：STM32L4系列MCU（80 MHz主频，128 KB RAM，1 MB Flash），ADXL345三轴加速度计（采样率3200 Hz），电池供电（要求平均功耗低于5 mW）。关键约束是：工厂没有历史故障数据，只有电机正常运转时的振动数据。
初始方案设计：
- 数据采集（第2~3章）：以3200 Hz采样率采集电机壳体振动信号，每次采集2秒（6400个采样点），每10分钟采集一次。连续采集一周，获得约1000个正常样本。
- 特征提取（第4章）：对每个样本提取时域特征（RMS、峰值因子、峭度）和频域特征（频谱重心、特定频带能量比），最终形成12维特征向量。
- 无监督建模（第5~9章）：使用孤立森林算法训练正常行为模型。选择该算法的原因是：内存占用小（仅需保存树结构）、对高维特征不敏感、无需假设数据分布。
- 模型压缩（第10~13章）：将孤立森林转换为决策路径集合，使用8位整数量化树节点阈值，模型大小从原始的45 KB压缩至12 KB。
- MCU部署（第14~18章）：使用TFLite Micro加载量化后的模型，推理时间约3.2 ms，满足实时性要求。
- 阈值设定（第19~22章）：在正常样本上计算异常分数，取99.5%分位数作为初始阈值。后续根据误报情况动态调整。
结果与复盘：原型系统运行两周后，在第11天检测到异常分数持续超过阈值。停机检查发现轴承滚道出现轻微点蚀，与检测结果吻合。该案例验证了无监督异常检测在缺少故障样本时的有效性。但复盘也发现两个问题：一是初始阈值偏严格，导致前三天出现两次误报（后经分析是电机启动瞬间的冲击信号所致）；二是单轴振动信号对早期微弱故障不敏感，后续考虑增加电流信号进行多模态融合。
1.5 常见误区与学习心态
误区一：认为无监督学习不需要数据。实际上，无监督异常检测对正常数据的质量和覆盖度要求极高。如果正常数据中混入了少量异常样本（如传感器偶发干扰），模型会将这些异常也学习为“正常”，导致漏报。因此，数据清洗在无监督场景中比监督场景更为关键。
误区二：盲目追求复杂模型。在TinyML场景中，一个简单的基于阈值的统计模型（如马氏距离）往往比一个深度自编码器更实用。复杂模型不仅占用更多资源，还可能在小样本训练集上过拟合，导致泛化能力下降。课程中会反复强调“奥卡姆剃刀”原则：在满足精度要求的前提下，优先选择最简单的模型。
误区三：忽视时间维度。许多工业信号是时间序列，而异常可能表现为时序依赖的突变（如逐渐恶化的趋势）。如果仅提取静态特征（如RMS值），可能无法捕捉缓慢演变的故障。本课程将在第9章专门讨论时序建模方法，并在第20章讲解概念漂移检测。
误区四：将异常检测等同于分类问题。分类问题有明确的类别边界，而异常检测的边界是模糊的——正常与异常之间往往存在过渡区域。因此，评估指标不应仅使用准确率，而应关注AUC-ROC、F1-score、误报率与漏报率的权衡曲线。
学习心态建议：本课程涉及嵌入式系统、信号处理、机器学习三个领域的交叉知识，学习曲线较为陡峭。建议采用“螺旋式学习”策略：第一遍快速浏览全部章节建立整体认知，第二遍针对薄弱环节精读并动手实践，第三遍回到案例章节进行综合演练。每章后的练习题和项目作业是巩固知识的关键，请务必独立完成。