4、异常检测方法概览：基于统计、基于距离、基于重构、基于分类的方法，以及适合TinyML的轻量级算法选择
振动异常检测是预测性维护与设备状态监测的核心环节。在TinyML场景下，模型需要部署在内存以KB计、算力以MHz计的MCU上，因此异常检测算法的选择不能仅看准确率，更要综合考量计算复杂度、内存占用、实时性与鲁棒性。本章从四类主流异常检测方法出发，剖析其核心原理、适用边界与TinyML适配性，并给出轻量级算法选型决策框架。
上图展示了四类异常检测方法在TinyML场景下的整体框架。基于统计的方法假设正常数据服从某种分布；基于距离的方法依赖样本间的相似性度量；基于重构的方法通过模型对输入的还原能力判断异常；基于分类的方法则利用正常/异常样本的标签信息。四类方法各有优劣，下面逐一展开。
4.1 基于统计的方法：从分布假设到轻量阈值
核心原理
基于统计的异常检测假设正常振动数据服从某一概率分布（如高斯分布、泊松分布），异常样本则显著偏离该分布。在TinyML中，最常用的是均值-方差阈值法：对正常振动信号提取特征（如RMS、峰值、峭度），计算其均值μ与标准差σ，当新样本特征超出μ±kσ（通常k=3）时判定为异常。该方法计算量极小，仅需维护两个浮点数，非常适合MCU实时计算。
判断方法或操作流程
- 特征提取：从原始振动波形中提取时域特征（RMS、峰值因子、峭度）或频域特征（主频幅值、频带能量）。
- 离线训练：采集设备正常运转时的振动数据，计算特征均值μ与标准差σ。
- 阈值设定：根据3σ准则或业务容忍度设定上下限阈值。
- 在线检测：实时计算新样本特征，与阈值比较，超限即报警。
| 方法 | 计算量 | 内存占用 | 适用场景 | TinyML适配度 |
|---|---|---|---|---|
| 3σ阈值 | O(1) | 2个浮点数 | 平稳转速设备 | ★★★★★ |
| 概率密度估计 | O(n) | 需存储样本 | 分布复杂场景 | ★★☆☆☆ |
| 卡方统计量 | O(d²) | 协方差矩阵 | 多特征联合检测 | ★★★☆☆ |
案例拆解：风扇轴承早期磨损检测
某数据中心风扇在恒定转速下运行，初始振动RMS值为0.12g，标准差0.02g。部署3σ阈值模型后，设定报警阈值为0.18g。运行3个月后，RMS值缓慢上升至0.17g，未触发报警；第4个月某天RMS突增至0.25g，系统立即报警。经拆检发现轴承已出现明显磨损。复盘发现，缓慢漂移型故障用固定阈值容易漏报，后续引入滑动窗口均值更新策略，每24小时用最近7天数据重新计算μ和σ，使检测灵敏度提升40%。
4.2 基于距离的方法：几何空间中的离群点识别
核心原理
基于距离的方法将每个振动样本视为特征空间中的一个点，正常样本在空间中聚集紧密，异常样本则远离正常簇。TinyML中常用k近邻（kNN）距离和聚类中心距离两种简化形式。kNN方法计算新样本与训练集中k个最近邻的平均距离，超过阈值即判异常；聚类方法则先用K-Means等算法对正常样本聚类，再计算新样本到最近聚类中心的距离。
判断方法或操作流程
- 特征降维：对高维振动特征（如FFT频谱）进行PCA或自编码器降维，保留前2-5个主成分。
- 离线建模：用正常样本训练聚类模型（如K-Means，k=3~5），记录各簇中心坐标。
- 距离计算：在线计算新样本到最近簇中心的欧氏距离或马氏距离。
- 动态阈值：以训练集中所有样本到簇中心距离的95%分位数作为阈值。
实战场景：电机负载突变检测
某工业电机在正常工况下振动特征（1x频幅、2x频幅、RMS）形成紧密簇。部署基于K-Means（k=3）的距离检测模型后，当电机负载突然增加20%时，振动特征点迅速偏离原簇中心，距离从平均0.35跃升至1.82，超过阈值0.8，系统在200ms内完成报警。相比统计方法，距离方法对多特征联合变化更敏感，能捕捉到单一特征未超限但组合特征异常的情况。
4.3 基于重构的方法：自编码器与PCA的降维重构误差
核心原理
基于重构的方法利用模型对正常数据的"压缩-还原"能力。自编码器（AE）通过编码器将输入压缩到低维瓶颈层，再由解码器还原；PCA则通过线性投影实现类似功能。模型仅用正常样本训练，因此对正常数据重构误差小，对异常数据重构误差大。TinyML中常用线性自编码器（即PCA的神经网络实现）或小型深度自编码器（2-3层全连接）。
判断方法或操作流程
- 模型设计：输入层维度=特征维度（如32维FFT幅值），隐藏层维度=8~16，输出层=输入维度。
- 离线训练：用正常振动数据训练模型，最小化重构误差（MSE）。
- 阈值标定：计算训练集所有样本的重构误差，取99%分位数作为阈值。
- 在线推理：将新样本输入模型，计算重构误差，超过阈值即判异常。
| 模型 | 参数量 | 推理计算量 | 重构能力 | MCU可行性 |
|---|---|---|---|---|
| 线性AE（PCA） | d×h | O(d×h) | 线性特征 | 高 |
| 2层全连接AE | d×h+h×d | O(2×d×h) | 非线性特征 | 中高 |
| 卷积AE | 较大 | 高 | 局部特征 | 低 |
案例拆解：齿轮箱断齿故障的早期预警
某减速齿轮箱正常运行时，振动频谱以啮合频率及其谐波为主。采集1024点FFT幅值作为输入特征（32维），训练一个隐藏层16节点的自编码器。正常样本重构误差均值0.02，阈值设为0.05。当齿轮出现微小裂纹时，高频分量发生变化，重构误差升至0.11，系统提前72小时预警。相比统计方法（RMS未超限），重构方法能捕捉频谱形状的细微变化。但代价是模型训练需要较多样本（约5000组正常数据），且MCU上需存储权重矩阵（32×16+16×32=1024个浮点，约4KB）。
4.4 基于分类的方法：监督学习与一类分类
核心原理
基于分类的方法分为两类：一类是传统二分类（正常vs异常），需要大量标注数据；另一类是一类分类（One-Class Classification），仅用正常样本训练，如One-Class SVM、隔离森林。TinyML中更常用后者，因为异常样本难以获取且种类多样。隔离森林通过随机切分特征空间，异常样本更容易被孤立，路径长度更短。
判断方法或操作流程
- 数据准备：仅需正常振动数据，提取特征并标准化。
- 模型训练：训练隔离森林（树数量50~100，每棵树深度限制8~10）或One-Class SVM（RBF核）。
- 异常评分：隔离森林输出异常分数（0~1），SVM输出到超平面的距离。
- 阈值设定：用验证集正常样本的分数分布确定阈值。
实战场景：泵阀气蚀检测
某水泵在气蚀初期产生高频冲击振动。采集正常数据2000组，训练隔离森林（100棵树，深度8）。部署后，气蚀初期异常分数从0.35升至0.78（阈值0.6），成功预警。对比发现，统计方法需RMS超限15%才报警，而隔离森林在RMS仅超限5%时即捕获异常，提前量约3小时。但隔离森林对特征分布漂移敏感，设备转速变化时需重新训练。
4.5 TinyML轻量级算法选择决策框架
核心原理
算法选择需综合评估四个维度：内存预算、计算实时性、检测灵敏度、鲁棒性。TinyML设备通常具备以下约束：Flash 256KB~1MB，RAM 16~256KB，CPU主频 80~240MHz，单次推理时间需控制在10ms内。
决策流程
- 评估特征维度：若特征维度≤8，统计方法即可；若>8，考虑距离或重构方法。
- 评估异常类型：若为幅值突变型，统计方法有效；若为频谱形状变化，重构方法更优；若为组合特征异常，距离或隔离森林更合适。
- 评估内存余量：RAM<32KB时，仅考虑统计或距离方法；RAM≥64KB时，可部署小型自编码器或隔离森林。
- 评估实时性：若需1kHz采样率下逐样本检测，统计方法（O(1)）是唯一选择；若可接受10ms窗口批量处理，其他方法均可。
| 约束条件 | 推荐算法 | 典型内存 | 推理时间(80MHz MCU) |
|---|---|---|---|
| RAM≤16KB, 特征≤4 | 3σ阈值 | 0.1KB | <0.1ms |
| RAM≤32KB, 特征≤8 | K-Means距离 | 1KB | 0.5ms |
| RAM≤64KB, 特征≤32 | 线性自编码器 | 4KB | 2ms |
| RAM≤128KB, 特征≤64 | 隔离森林(100棵树) | 8KB | 3ms |
案例拆解：无线振动传感器节点算法选型
某工业无线传感器节点采用Cortex-M4 80MHz MCU，RAM 64KB，Flash 256KB，电池供电，需每5分钟采集一次振动数据（1024点，采样率10kHz），并通过BLE上传结果。初始方案采用自编码器（隐藏层32节点），模型推理时间3.2ms，内存占用12KB，满足要求。但实际部署后发现，电池续航从预期6个月降至3个月，因为每次推理需唤醒MCU并加载权重。优化方案：改用K-Means距离检测（k=4，特征降维至6维），推理时间0.8ms，内存占用2KB，电池续航恢复至5.5个月。检测准确率仅下降2%（从97%降至95%），但功耗降低60%。
总结复盘
四类异常检测方法各有适用边界：统计方法适合简单场景、资源极度受限；距离方法在中等特征维度下表现均衡；重构方法能捕捉复杂模式但需较多内存；分类方法（隔离森林）灵敏度高但需注意分布漂移。实际TinyML项目中，建议采用"两级检测"策略：第一级用统计方法做快速粗筛，第二级用距离或重构方法做精确判断。这种组合既能保证实时性，又能提升检测精度，且总内存占用可控制在10KB以内。