3、无监督学习核心概念：无监督学习与监督/半监督学习的区别，为何在缺少故障样本时选择无监督

TinyML 设备（如振动传感器、电机控制器、可穿戴健康监测器）在实际部署中面临一个极为现实的困境：故障样本极其稀缺，甚至为零。设备在正常工况下运行数月，可能只积累了几十秒的异常数据，而正常数据却以 GB 计。在这种数据分布严重失衡的情况下，监督学习（Supervised Learning）和半监督学习（Semi-Supervised Learning）往往难以落地，而无监督学习（Unsupervised Learning）则成为唯一可行的建模路径。本章将系统梳理三类学习范式的本质区别，并深入剖析为何在“无故障样本”这一约束下，无监督异常检测是 TinyML 场景中的最优解。

3.1 核心原理：三种学习范式的本质差异

要理解为何在 TinyML 异常检测中选择无监督学习，首先需要厘清监督学习、半监督学习和无监督学习在数据需求和建模目标上的根本区别。监督学习假设训练数据包含完整的输入-输出对，即每个样本都有明确的标签（正常/故障）。模型通过最小化预测标签与真实标签之间的误差来学习决策边界。在工业异常检测中，这意味着需要收集足够多的故障样本，并标注其故障类型和严重程度。然而，TinyML 设备通常部署在关键基础设施或生产线上，故障本身是低概率事件，且一旦发生往往立即导致停机或损坏，很难在受控条件下采集到多样化的故障数据。

半监督学习则处于两者之间，它利用少量标注数据（通常是故障样本）和大量未标注数据（通常是正常数据）进行训练。常见的半监督异常检测方法包括 PU Learning（Positive-Unlabeled Learning），即只使用正样本（正常）和未标注数据（可能包含少量故障）来训练分类器。这种方法在理论上可行，但在 TinyML 场景中面临两个现实问题：第一，即使只有 1-2 个故障样本，这些样本也可能无法代表所有故障模式（如轴承磨损、齿轮断裂、润滑失效等），导致模型对未见过的故障类型失效；第二，TinyML 设备的计算资源极其有限（通常为 Cortex-M4 或 RISC-V 内核，内存仅几十 KB），复杂的半监督算法难以在设备端实时运行。

无监督学习则完全摒弃了对标签的依赖。它仅使用正常数据来学习数据的“正常模式”，然后将任何偏离该模式的新样本判定为异常。其核心假设是：正常数据在特征空间中形成紧凑的簇或流形，而异常数据则远离这些簇或流形。在 TinyML 中，这一假设通常成立，因为设备在稳定工况下的振动信号、温度曲线或电流波形具有高度的重复性和规律性。无监督学习的优势在于：正常数据极易获取（设备一上电就开始产生），无需人工标注，且模型可以持续在线更新以适应缓慢的工况漂移。

对比维度	监督学习	半监督学习	无监督学习
训练数据需求	正常 + 故障，且需标注	正常 + 少量故障标注	仅正常数据
故障样本要求	覆盖所有故障类型	至少 1 个代表性故障	完全不需要
模型复杂度	高（需学习复杂边界）	中（需处理标签噪声）	低（只需拟合正常分布）
TinyML 适配性	差（内存/算力不足）	较差（算法复杂）	优（轻量级算法多）
在线更新能力	需重新标注训练	需维护标签库	可增量学习
典型算法	SVM、随机森林、CNN	PU Learning、自训练	自编码器、孤立森林、K-means

3.2 判断方法：如何根据数据条件选择学习范式

在实际的 TinyML 项目启动阶段，工程师应首先进行数据可用性审计，以确定当前数据条件下最适合的学习范式。审计过程分为三步：第一步，统计正常数据和故障数据的样本量。如果故障样本为 0，直接选择无监督学习；如果故障样本少于 10 个且无法覆盖多种故障模式，仍建议使用无监督学习，但需结合专家规则进行辅助验证。第二步，评估故障样本的代表性。如果故障样本来自实验室模拟而非真实现场，其分布可能与实际故障差异较大，此时监督学习模型容易过拟合到模拟故障特征，导致现场误报率升高。第三步，考虑标注成本。在 TinyML 场景中，标注数据需要专业工程师逐条查看波形或频谱，成本极高，而正常数据的采集和清洗则相对简单。

一个实用的判断准则是：当故障样本数量少于特征维度的 10 倍时，监督学习模型极易过拟合。例如，若使用 32 维的频域特征（如 FFT 频谱的 32 个频段能量），则至少需要 320 个故障样本才能训练一个稳定的分类器。而大多数 TinyML 项目在初期根本无法提供如此规模的故障数据。相比之下，无监督学习只需正常数据即可完成模型训练，且正常数据的采集可以自动化进行——设备在出厂前或安装后的调试阶段即可大量收集。

3.3 案例拆解：电机轴承故障检测中的范式选择

某工业物联网公司开发了一款基于 TinyML 的电机状态监测器，部署在工厂车间的传送带电机上。设备使用加速度计采集振动信号，采样率 4 kHz，每次采集 256 个样本（64 ms），提取时域和频域特征共 24 维。项目初期，团队希望训练一个监督学习模型来区分正常、轴承磨损、转子不平衡和齿轮故障四类状态。然而，在为期 3 个月的现场数据收集中，他们只获得了 2 次轴承磨损故障（均发生在夜间无人值守时段，数据由设备自动保存），其余故障类型完全没有出现。

团队面临的关键约束是：故障样本仅有 2 个，且无法确认是否覆盖所有故障模式。如果强行使用监督学习，模型会将这 2 个样本作为“标准故障模式”，导致对转子不平衡等未见过的故障完全失效。更严重的是，由于故障样本过少，模型在训练时会将正常数据中的噪声误判为故障特征，造成极高的误报率。

最终团队选择了无监督学习方案：使用自编码器（Autoencoder）对正常振动信号进行重构。模型结构为 24-12-6-12-24 的全连接网络，参数量约 800 个，量化后仅占用 3.2 KB Flash 和 1.5 KB RAM，完全满足设备端部署要求。训练数据为 10,000 条正常振动样本（覆盖不同负载和转速工况），训练目标是最小化重构误差。部署后，团队设定了动态阈值——以训练集重构误差的 99.5 百分位数作为初始阈值，并在设备运行过程中每 24 小时更新一次阈值以适应当前工况。

在后续 6 个月的运行中，设备成功检测到 1 次轴承早期磨损（重构误差超过阈值 3.2 倍），并提前 72 小时发出预警，避免了电机烧毁。同时，误报率控制在每月 0.3 次，远低于监督学习方案在模拟测试中的 2.1 次/月。复盘时团队发现，如果当初采用半监督学习（将 2 个故障样本作为正样本），模型会过度关注这 2 个样本的特定频率特征，反而忽略了更普遍的异常模式。无监督学习通过“学习正常、检测偏离”的策略，天然具备对未知故障的泛化能力。

3.4 常见误区与总结复盘

在无监督异常检测的实践中，工程师常陷入以下误区：误区一：认为无监督学习不需要数据预处理。实际上，无监督模型对特征尺度极其敏感，如果不对原始振动信号进行归一化或标准化，自编码器的重构误差会被幅值较大的特征主导，导致小幅度但关键的异常被淹没。正确的做法是使用 Z-score 标准化或 Min-Max 归一化，并在训练和推理时使用相同的预处理参数。

误区二：忽略工况变化对“正常模式”的影响。电机在不同转速、负载下的振动特征差异显著，如果只用单一工况的正常数据训练模型，在工况切换时会产生大量误报。解决方案是采用工况条件化建模——根据转速或负载信号将数据分为多个子集，为每个子集训练独立的无监督模型，或者将工况参数作为自编码器的额外输入。

误区三：阈值设定过于静态。设备运行数月后，由于机械磨损、环境温度变化等因素，正常数据的分布会缓慢漂移。如果阈值固定不变，模型会逐渐失效。建议采用滑动窗口动态阈值——每 N 个样本更新一次阈值，使用最近 M 个正常样本的重构误差分布来确定新的阈值。

误区四：认为无监督学习不需要验证。虽然无监督学习不需要标签训练，但必须使用少量已知故障样本（即使只有 1-2 个）来验证模型的检测能力。如果连一个故障样本都没有，至少应通过注入合成异常（如添加随机脉冲、频率偏移）来测试模型的敏感性。

总结而言，在 TinyML 缺少故障样本的场景中，无监督学习不仅是可行的选择，更是最稳健的工程方案。它通过建模正常数据的分布规律，将异常检测问题转化为“偏离度评估”问题，从而规避了故障样本稀缺的根本矛盾。工程师在实施时，应重点关注特征工程、工况适应性和动态阈值设计，并始终保留人工复核通道，以确保系统在真实工业环境中的可靠性。