3、异常检测概述：异常检测的定义、类型（点异常、上下文异常、集合异常）、应用场景（工业预测性维护、可穿戴设备、环境监测）

在传感器数据分析和TFLite Micro部署的语境下，异常检测（Anomaly Detection）是识别数据中偏离正常行为模式的关键技术。与分类或回归任务不同，异常检测通常面对的是极度不平衡的数据集——正常样本占据绝大多数，而异常样本稀少且形态未知。本章将系统阐述异常检测的核心定义、三大类型（点异常、上下文异常、集合异常），并结合工业预测性维护、可穿戴设备、环境监测三个典型场景，剖析其技术选型与工程落地要点。理解这些基础概念，是后续设计TFLite Micro模型架构、选择特征工程策略和部署推理管线的先决条件。

上图展示了传感器异常检测从数据采集到决策响应的完整工程链路。在实际TFLite Micro部署中，这条链路会被压缩到极低功耗的MCU上，因此每个环节都需要针对资源约束进行优化。下面我们逐一深入探讨。

3.1 异常检测的定义与核心原理

异常检测（Anomaly Detection）是指在数据集中识别出不符合预期行为模式的数据点、序列或集合的过程。在传感器数据领域，异常通常对应设备故障、环境突变、人体生理异常或外部干扰等事件。其核心假设是：正常数据具有某种可学习的统计规律或结构特征，而异常数据则显著偏离这种规律。

从数学角度看，异常检测可以形式化为一个无监督或半监督学习问题。给定正常样本集合 \(X_{normal}\)，目标是学习一个函数 \(f(x)\)，使得对于正常样本 \(x \in X_{normal}\)，\(f(x)\) 输出较低异常分数；而对于异常样本 \(x'\)，\(f(x')\) 输出较高异常分数。在TFLite Micro场景中，由于MCU的Flash和RAM通常只有几十KB到几百KB，模型必须足够轻量，常见方案包括：

• 基于统计的方法：如高斯分布拟合、Z-score、IQR（四分位距）等，计算简单，适合单变量或低维特征。
• 基于距离/密度的方法：如K近邻、局部异常因子（LOF），但计算复杂度较高，在MCU上需谨慎使用。
• 基于重构误差的方法：如自编码器（Autoencoder），通过压缩-重构过程学习正常模式，重构误差大则视为异常。TFLite Micro支持量化后的自编码器模型。
• 基于预测误差的方法：如LSTM预测下一个时间点，预测误差超过阈值则报警。

3.2 异常检测的三大类型

根据异常的表现形式，传感器数据异常可分为三类：点异常、上下文异常和集合异常。理解这三者的区别，直接决定了特征提取方式和模型设计策略。

类型	定义	传感器数据示例	检测难点	适用模型
点异常（Point Anomaly）	单个数据点相对于整体分布显著偏离	温度传感器瞬间跳变到150°C（正常范围20-80°C）	阈值设定需适应动态基线	Z-score、IQR、单类SVM
上下文异常（Contextual Anomaly）	在特定上下文（时间/空间/条件）下异常，但数值本身可能正常	夜间工厂振动值略高于白天，但白天该值正常；或电机在低速时电流偏高	需要引入上下文特征（时间戳、工况参数）	条件变分自编码器、带时间特征的决策树
集合异常（Collective Anomaly）	一组数据点联合出现异常，但单个点可能正常	连续10秒的振动信号呈现周期性脉冲，而每个脉冲幅值正常	需要序列建模或窗口级特征	LSTM、Transformer、时序卷积网络

3.2.1 点异常：最基础的检测形式

点异常是最直观的异常类型，通常由传感器故障、瞬时冲击或测量错误引起。在工业振动监测中，一个加速度计突然输出一个远超正常范围的峰值，就是典型的点异常。检测点异常的核心是建立正常数据的分布模型。例如，对电机轴承的振动加速度有效值（RMS）进行监测，假设正常RMS值服从均值为0.5g、标准差为0.1g的高斯分布，则当RMS超过0.8g（即3σ）时，可判定为点异常。

在TFLite Micro上实现点异常检测时，通常采用滑动窗口内的统计量计算。例如，每采集100个原始样本，计算其均值、峰值和方差，然后与预设阈值比较。这种方法的优点是计算量极小，适合在中断服务程序中实时执行。

// 伪代码：基于Z-score的点异常检测
float mean = 0.0f, std = 0.0f;
for (int i = 0; i < WINDOW_SIZE; i++) {
    mean += buffer[i];
}
mean /= WINDOW_SIZE;
for (int i = 0; i < WINDOW_SIZE; i++) {
    std += (buffer[i] - mean) * (buffer[i] - mean);
}
std = sqrt(std / WINDOW_SIZE);
float z_score = (current_sample - mean) / std;
if (z_score > THRESHOLD) {
    // 触发异常报警
}

3.2.2 上下文异常：结合工况与环境信息

上下文异常在工业设备中尤为常见。例如，一台泵在低速运转时，其振动幅值正常为2mm/s；但在高速运转时，正常幅值应为5mm/s。如果高速运转时振动幅值只有2mm/s，虽然数值本身在低速时是正常的，但在高速工况下却是异常的。这种异常需要结合转速、负载、温度等上下文信息才能准确识别。

检测上下文异常的关键在于构建条件模型。一种实用方法是将上下文变量（如转速、环境温度）作为模型的额外输入特征。在TFLite Micro部署中，可以将转速编码为one-hot向量或归一化数值，与振动特征拼接后输入一个小型MLP。另一种方法是使用条件自编码器，其中编码器和解码器都接收上下文变量作为条件输入。

3.2.3 集合异常：捕捉时序模式突变

集合异常关注的是数据序列中一段连续区间的联合异常行为。例如，在可穿戴设备的心率监测中，单个心跳间隔（RR间期）可能在正常范围内，但如果连续10个RR间期呈现逐渐缩短的趋势，则可能预示心律失常。集合异常检测需要模型具备时序建模能力。

在资源受限的TFLite Micro环境中，常用的集合异常检测方案包括：

1. 滑动窗口+统计特征：提取窗口内的均值、方差、过零率、频谱能量等，然后输入分类器。
2. 1D-CNN：使用因果卷积或膨胀卷积，对窗口内序列进行特征提取，输出异常概率。
3. TinyLSTM：将LSTM单元数量控制在8-16个，输入窗口长度为32-64，量化后模型大小可控制在20KB以内。

集合异常检测的难点在于窗口长度的选择。窗口太短可能无法捕捉完整的异常模式；窗口太长则增加延迟和内存占用。通常需要根据信号的周期性和异常事件的持续时间来调整。

3.3 应用场景深度解析

异常检测在传感器数据领域有三大核心应用场景：工业预测性维护、可穿戴设备健康监测、环境监测。每个场景对检测精度、实时性、功耗和硬件资源的要求各不相同。

3.3.1 工业预测性维护：从被动维修到主动预防

在工业旋转机械（如电机、泵、压缩机）中，异常检测的目标是在设备发生严重故障前提前预警，避免非计划停机。典型的传感器包括加速度计（振动）、温度传感器、电流互感器。预测性维护的核心价值在于将维修成本从紧急抢修（高成本）转变为计划维护（低成本）。

案例拆解：电机轴承退化检测

某工厂的传送带驱动电机（功率7.5kW，转速1450rpm）安装了加速度计（采样率2kHz）和温度传感器（采样率1Hz）。初始阶段，振动加速度有效值（RMS）稳定在0.4g，温度稳定在65°C。运行3个月后，振动RMS缓慢上升至0.6g，温度升至70°C，但仍在设备厂商规定的报警阈值（RMS≤0.8g，温度≤80°C）之内。

采用基于自编码器的异常检测模型，输入特征为每10秒窗口的振动RMS、峰值、频域能量（0-500Hz、500-1000Hz、1000-2000Hz三个频段）以及温度值。模型在正常数据上训练，重构误差阈值为0.05。当RMS达到0.6g时，重构误差已超过0.08，触发预警。维护人员检查发现轴承存在轻微点蚀，及时更换轴承，避免了2周后可能发生的抱死事故。

该案例的关键参数与决策过程如下表：

参数/指标	正常状态	预警状态	故障状态
振动RMS (g)	0.4	0.6	0.9
温度 (°C)	65	70	78
自编码器重构误差	0.02	0.08	0.15
频域能量占比(1-2kHz)	15%	25%	40%

从这个案例可以看出，传统单阈值报警（RMS≤0.8g）无法在早期发现退化趋势，而基于重构误差的异常检测能够捕捉到特征之间的非线性关联变化，从而提前预警。

3.3.2 可穿戴设备：实时生理异常监测

可穿戴设备（如智能手表、医疗贴片）中的异常检测面临更严格的功耗和算力限制。典型传感器包括光学心率传感器（PPG）、加速度计（用于活动识别）、皮肤电导传感器。异常检测的目标包括：心律失常（如房颤）、跌倒检测、睡眠呼吸暂停等。

以跌倒检测为例，其本质是一个集合异常检测问题。正常行走时，加速度计三轴信号的合成幅值（SVM）在1g-2g之间波动；跌倒时，SVM会先出现一个短暂的零重力（<0.5g）阶段，随后出现一个巨大的冲击峰值（>3g）。仅靠单点阈值检测容易误报（如跳跃、快速下蹲也会产生类似信号），因此需要结合时序上下文。

在TFLite Micro上部署的典型方案是：使用一个窗口长度为2秒（采样率50Hz，共100个样本）的1D-CNN模型，输入为三轴加速度数据，输出为跌倒概率。模型量化后大小约15KB，推理时间约10ms，在Cortex-M4F上运行功耗仅增加2mA。为了降低误报率，还可以加入后处理逻辑：连续3个窗口中有2个窗口输出概率>0.8，才触发报警。

3.3.3 环境监测：分布式节点上的轻量检测

环境监测网络通常部署大量低功耗传感器节点，监测空气质量（PM2.5、CO₂）、水质（pH、浊度）、气象参数（温度、湿度、气压）等。这些节点往往由电池供电，需要运行数月甚至数年，因此异常检测算法必须极度节能。

环境数据的异常通常表现为缓慢漂移或突发污染事件。例如，某河流水质监测站点的溶解氧（DO）传感器正常值为6-8mg/L，若连续3小时低于4mg/L，则可能发生污染事件。这里既涉及上下文异常（夜间DO自然降低，但不应低于5mg/L），也涉及集合异常（持续低值而非瞬时波动）。

在资源受限的LoRa节点上，一种实用的方案是采用轻量级在线学习：使用EWMA（指数加权移动平均）更新正常基线，当新样本偏离基线超过3倍标准差时，触发事件上报。该算法仅需维护两个浮点数（均值和方差），内存占用小于100字节，非常适合MCU实现。

// 基于EWMA的轻量级异常检测
float ewma_mean = 6.5f;  // 初始基线
float ewma_var = 0.5f;
float alpha = 0.1f;      // 平滑系数
float current_do = read_sensor();
// 更新基线
ewma_mean = alpha * current_do + (1 - alpha) * ewma_mean;
ewma_var = alpha * (current_do - ewma_mean) * (current_do - ewma_mean) + (1 - alpha) * ewma_var;
// 异常判断
float threshold = 3.0f * sqrt(ewma_var);
if (fabs(current_do - ewma_mean) > threshold) {
    report_anomaly(current_do);
}

3.4 常见误区与总结复盘

在设计和部署传感器异常检测系统时，工程师常犯以下错误，需要特别注意规避：

• 误区一：忽略数据分布漂移。传感器会随温度、湿度、老化等因素发生漂移，导致正常数据的分布随时间变化。如果模型在固定阈值下运行，误报率会逐渐升高。解决方案是引入周期性重校准或在线自适应更新。
• 误区二：只关注单点异常。许多工业故障是渐进式的，单点数值可能始终在正常范围内，但趋势或组合特征已经异常。应结合趋势特征（如斜率、加速度）和多元特征进行综合判断。
• 误区三：在MCU上部署过重模型。有些团队试图将完整的LSTM或Transformer部署到MCU上，导致Flash和RAM溢出。实际上，通过特征工程（如提取频域能量、统计量）可以大幅降低模型复杂度，用简单的MLP或决策树即可达到良好效果。
• 误区四：忽视标注数据的稀缺性。异常检测通常缺乏足够的异常样本用于监督训练。应优先采用无监督或半监督方法，利用大量正常数据训练基线模型，然后通过人工规则或少量标注样本进行阈值校准。