4、传感器异常检测原理：阈值判断、变化率检测、滑动窗口滤波、简单机器学习方法在边缘端的应用

在GD32边缘告警系统中，传感器数据是决策的源头。然而，传感器本身可能因老化、漂移、瞬时干扰、物理损坏或环境突变而产生异常读数。如果直接将未经处理的原始数据用于告警判断，极易造成误报或漏报。本章围绕传感器异常检测的四种核心方法展开：阈值判断、变化率检测、滑动窗口滤波以及轻量级机器学习方法。这些方法按计算复杂度递增排列，分别适用于不同资源约束和可靠性要求的场景。理解每种方法的原理、适用边界和组合策略，是构建稳健边缘告警系统的关键。

4.1 核心原理：从数据到告警的决策链路

传感器异常检测的本质，是从时间序列数据中识别出与正常行为模式显著偏离的样本或片段。在边缘端（如GD32微控制器），这一过程受限于有限的CPU主频、RAM和Flash资源，因此不能直接照搬云端的大规模统计模型。边缘端异常检测的决策链路通常包含四个环节：数据采集与预处理 → 特征提取 → 异常判定 → 告警决策。其中，特征提取环节决定了检测方法的类型——阈值判断直接使用原始值或简单统计量，变化率检测使用一阶差分，滑动窗口滤波使用局部统计特征，而轻量级机器学习则使用多维特征向量。

一个关键的设计原则是分层检测：先用计算量最小的阈值判断快速过滤掉明显异常，再用变化率检测捕捉缓变型故障，最后用滑动窗口滤波和机器学习处理噪声干扰下的复杂异常。这种分层策略既保证了实时性，又兼顾了检测精度。例如，在工业温度监控中，温度瞬间超过85℃可以直接触发告警（阈值判断），温度在10秒内上升超过5℃可能预示设备过热（变化率检测），而温度在噪声背景下缓慢漂移则需要滑动窗口滤波或机器学习才能识别。

4.2 阈值判断：最直接但需精细设计的告警门限

阈值判断是边缘端最基础、最常用的异常检测方法。其原理简单：设定一个或多个门限值，当传感器读数超出门限范围时判定为异常。但在实际工程中，阈值判断的设计远非“设一个数”那么简单，需要解决三个核心问题：阈值如何确定、如何避免临界抖动、如何处理多阈值场景。

阈值确定通常有三种途径：一是依据传感器数据手册的最大额定值（如温度传感器最高承受125℃）；二是依据历史正常运行数据的统计分布（如均值±3σ）；三是依据业务规则（如机房温度超过28℃需告警）。在GD32平台上，阈值通常存储在Flash中，可通过远程配置更新，避免每次修改都重新编译固件。

临界抖动是阈值判断最常见的痛点。当传感器读数在阈值附近波动时，系统会频繁地在“正常”和“异常”状态之间切换，导致告警风暴。解决方案是引入迟滞比较：设定两个阈值——进入异常状态的阈值（如高温85℃）和恢复正常状态的阈值（如低温75℃）。这样，只有当温度从正常区穿越85℃时才触发告警，从异常区回落到75℃以下才解除告警，中间10℃的迟滞区间有效避免了抖动。

// 迟滞阈值结构体
typedef struct {
    int16_t high_trigger;   // 进入异常阈值
    int16_t low_release;    // 恢复正常阈值
    uint8_t state;          // 0=正常, 1=异常
} hyst_threshold_t;

// 判断逻辑
uint8_t check_hysteresis(hyst_threshold_t *ht, int16_t sample) {
    if (ht->state == 0) {
        if (sample >= ht->high_trigger) {
            ht->state = 1;
            return 1;  // 触发告警
        }
    } else {
        if (sample <= ht->low_release) {
            ht->state = 0;
            return 0;  // 恢复正常
        }
    }
    return ht->state;  // 保持当前状态
}

多阈值场景则涉及告警分级。例如，温度超过80℃为一级告警（提示关注），超过90℃为二级告警（现场检查），超过100℃为三级告警（紧急停机）。在GD32中，可以通过枚举定义告警级别，并在中断服务程序或主循环中根据当前温度值匹配对应的告警等级。需要注意的是，多阈值判断应使用分级比较而非多个独立的if语句，以减少分支跳转带来的延迟。

4.3 变化率检测：捕捉缓变型故障的有效手段

阈值判断只能发现“已经超标”的异常，而许多故障在发展到超标之前，会表现出明显的趋势性变化。例如，轴承磨损会导致振动幅值缓慢增大，电源老化会导致输出电压缓慢下降。变化率检测通过计算相邻采样点之间的差值（一阶差分）或单位时间内的变化斜率，能够在异常发展到临界值之前提前预警。

变化率检测的核心参数是差分窗口和变化率阈值。差分窗口决定了计算变化率的时间跨度——窗口过短容易受噪声影响，窗口过长则响应迟钝。在GD32上，通常使用环形缓冲区存储最近N个采样点，每次新数据到达时计算当前值与N个采样点之前的值之差，再除以时间间隔得到变化率。例如，温度采样周期为1秒，差分窗口为10秒，则变化率 = (当前温度 - 10秒前温度) / 10。

变化率检测的一个典型应用是传感器失效预判。以压力传感器为例，正常工作时压力值在设定范围内波动，变化率较小；当传感器隔膜破裂时，压力值会瞬间跌落，变化率极大；当传感器堵塞时，压力值变化率趋近于零。通过同时监测值、变化率和变化率的方差，可以区分“正常波动”、“突变故障”和“传感器僵死”三种状态。

4.4 滑动窗口滤波：在噪声中提取真实信号

滑动窗口滤波是边缘端最实用的信号预处理技术，它通过在一个固定大小的窗口内对数据进行统计计算，平滑随机噪声、保留趋势信息。常用的滑动窗口滤波方法有三种：滑动平均滤波、滑动中值滤波和指数移动平均（EMA）。

滑动平均滤波计算窗口内所有采样点的算术平均值，能有效抑制高斯白噪声，但对脉冲型异常（如尖峰干扰）敏感——一个极端值会显著拉高平均值。滑动中值滤波取窗口内所有采样点的中位数，对脉冲噪声有极好的抑制效果，但计算量稍大（需要排序）。指数移动平均则赋予近期数据更高的权重，对趋势变化的响应更快，且只需存储一个状态变量，非常适合资源受限的GD32平台。

在GD32上实现滑动窗口滤波时，需要注意内存管理。如果窗口大小为N，使用环形缓冲区存储N个采样点，每次新数据到来时覆盖最旧的数据，并维护一个累加和（用于滑动平均）或排序数组（用于中值滤波）。对于滑动平均，还可以使用“累加和 - 移出值 + 移入值”的增量更新方式，将计算复杂度从O(N)降为O(1)。

滑动窗口滤波的窗口大小选择是一个权衡问题。窗口越大，噪声抑制越强，但信号延迟越大，对真实异常的响应越慢。一个实用的调参方法是：先根据信号的采样频率和噪声特性估算噪声的周期，窗口至少覆盖2-3个噪声周期；再根据系统对告警延迟的要求，确定窗口上限。例如，采样频率为10Hz，噪声主要来自50Hz工频干扰，则窗口应至少覆盖0.5秒（即5个采样点），但考虑到工频干扰是周期性的，滑动平均窗口取10个采样点（1秒）效果更好。

4.5 轻量级机器学习：边缘端的智能异常识别

当传感器数据呈现非线性、多模态或维度间关联复杂时，传统的阈值和滤波方法难以准确识别异常。此时，可以在边缘端部署轻量级机器学习模型。但GD32这类MCU的算力远不及云端服务器，因此需要选择模型复杂度低、推理速度快、内存占用小的算法。常用的边缘端异常检测ML方法包括：K近邻（KNN）、决策树/随机森林和孤立森林。

KNN的原理是：对于一个待检测样本，计算其与训练集中所有样本的距离，取最近的K个邻居，如果这K个邻居中大多数属于“正常”类别，则判定为正常，否则为异常。KNN无需训练过程（惰性学习），但推理时需要遍历全部训练样本，计算量较大。在GD32上，可以通过特征降维（如只使用2-3个关键特征）和训练集裁剪（只保留代表性样本）来控制计算量。

决策树则通过一系列“if-then-else”规则对样本进行分类，推理时只需从根节点开始逐层判断，计算量极小。在GD32上，决策树可以预先训练好，将树结构转换为嵌套的switch-case或查找表，实现O(树深度)的推理复杂度。例如，一个用于电机故障检测的决策树可能包含如下规则：

if (振动幅值 > 5.0 mm/s) {
    if (温度变化率 > 2.0 ℃/s) {
        判定：轴承严重磨损
    } else {
        判定：转子不平衡
    }
} else {
    if (电流 > 15.0 A) {
        判定：负载异常
    } else {
        判定：正常
    }
}

孤立森林是一种专门用于异常检测的无监督方法，其核心思想是：异常样本在特征空间中通常分布稀疏，容易被随机划分的决策树“孤立”出来。在边缘端部署时，可以预先训练多棵孤立树，推理时计算样本在所有树中的平均路径长度，路径越短则异常可能性越高。孤立森林的优势在于无需标注数据，适合在线学习场景。

4.6 案例拆解：工业电机轴承温度异常检测

下面通过一个完整的案例，展示如何在GD32上组合使用上述四种方法，实现工业电机轴承温度的异常检测。

背景与约束：某工厂的电机轴承温度监测系统，使用NTC热敏电阻传感器，采样周期1秒。GD32F103主控，RAM仅20KB，Flash 128KB。要求：检测轴承温度异常，区分“瞬时过热”、“缓变过热”和“传感器故障”三种情况，告警延迟不超过30秒。

初始现象与目标：系统运行初期，仅使用阈值判断（温度>80℃告警），但频繁出现误报——电机启动瞬间温度冲击导致误告警，且无法提前预警轴承磨损引起的缓变过热。目标是将误报率降低50%，并提前10分钟预警缓变过热。

关键输入数据：采集了电机正常运行24小时的温度数据，统计结果：平均温度55℃，标准差3℃，最大瞬时温度72℃（启动冲击），正常变化率不超过0.5℃/s。

分析判断过程：

1. 阈值判断设计：设定高触发阈值85℃（高于正常波动上限），低释放阈值75℃（迟滞10℃），避免启动冲击导致的误报。
2. 变化率检测设计：差分窗口10秒，变化率阈值1.0℃/s（正常最大0.5℃/s的2倍），用于捕捉突发性过热。
3. 滑动窗口滤波：使用窗口大小为15秒的滑动平均滤波，抑制传感器噪声，同时保留温度趋势。
4. 轻量级ML：使用决策树模型，输入特征为：滤波后温度、10秒变化率、30秒温度方差。训练数据来自历史正常数据和模拟故障数据。

实际操作步骤：

// 主循环伪代码
while (1) {
    sample = read_temperature();           // 读取原始温度
    filtered = sliding_average(sample);    // 滑动窗口滤波
    rate = calc_rate(filtered);            // 计算变化率
    
    // 分层检测
    if (check_hysteresis(&ht, filtered)) {
        alarm(ALARM_LEVEL_3, "温度超标");
    } else if (rate > 1.0) {
        alarm(ALARM_LEVEL_2, "温度突变");
    } else if (decision_tree_predict(filtered, rate, variance)) {
        alarm(ALARM_LEVEL_1, "缓变异常");
    }
    delay(1000);
}

结果对比：部署后运行30天，误报次数从原来的平均每天3次降低到每3天1次，误报率降低约89%。成功提前12分钟预警了一次轴承润滑不良导致的缓变过热，避免了设备损坏。

风险与代价：滑动窗口滤波引入了15秒的延迟，导致对瞬时过热的响应时间从原来的1秒延长到16秒，但仍在30秒的告警延迟要求内。决策树模型占用Flash约2KB，RAM约200字节，在可接受范围内。

复盘经验：分层检测策略有效平衡了实时性和准确性。阈值判断作为最后一道防线，变化率检测捕捉快速异常，滑动滤波保证数据质量，ML模型识别复杂模式。四种方法不是替代关系，而是互补关系。

4.7 常见误区与总结复盘

在边缘端传感器异常检测的设计中，工程师常陷入以下误区，需要特别注意规避：

总结复盘：本章介绍的四种方法构成了边缘端传感器异常检测的完整工具箱。阈值判断是基础，变化率检测是补充，滑动窗口滤波是保障，轻量级机器学习是提升。在实际项目中，应根据传感器类型、故障模式、资源约束和告警要求，灵活选择和组合这些方法。一个经过良好设计的检测系统，应当具备快速响应、低误报率、可解释性和可维护性四个特征。在GD32平台上，通过合理的内存管理、中断优先级设计和低功耗策略，完全可以在资源受限的条件下实现可靠的边缘告警功能。