边缘AI与传感器异常检测基础
在工业4.0、智能驾驶、智慧医疗和可穿戴设备等场景中，传感器是物理世界与数字世界之间的桥梁。然而，传感器在长期运行中不可避免地会受到环境干扰、硬件老化、通信噪声或物理损伤的影响，导致采集数据出现漂移、突变、缺失或周期性异常。边缘AI的核心价值之一，就是在数据产生的源头附近完成异常检测，从而避免将海量原始数据全部回传云端所带来的带宽压力与响应延迟。本章将系统梳理边缘计算的基本概念、传感器数据类型及其特征，并明确异常检测的定义、典型应用场景与工程边界，为后续延迟预算优化奠定理论基础。
上图展示了从物理感知层到边缘计算层再到云端平台的完整数据链路。在边缘AI系统中，传感器数据首先在边缘节点完成预处理、特征提取和异常检测，仅将必要的摘要信息或告警上传云端。这种架构的核心优势在于：延迟敏感型决策（如设备急停、碰撞预警）可以在本地毫秒级完成，而云端则负责全局模型优化与长期趋势分析。理解这一分层逻辑，是后续优化延迟预算的前提。
2.1 边缘计算的核心概念与工程边界
2.1.1 边缘计算的本质定义
边缘计算并非简单地将服务器“变小”放到现场，而是一种分布式计算范式，其核心思想是将计算、存储和网络资源部署在数据源附近。根据ETSI（欧洲电信标准协会）的定义，边缘计算是在网络边缘侧提供IT服务环境和云计算能力，强调低延迟、高带宽、数据本地化和隐私保护。在传感器异常检测场景中，边缘节点通常承担以下三类职责：
- 数据接入与协议转换：传感器输出可能是模拟电压、I2C/SPI数字信号、CAN总线帧或工业以太网报文，边缘节点需要完成物理层到应用层的协议解析。
- 实时信号处理：包括滑动窗口滤波、FFT变换、小波去噪等，这些操作对CPU/FPGA/DSP的算力要求不同，直接影响延迟预算。
- 本地决策执行：当检测到异常时，边缘节点可直接触发执行器（如切断电源、发出声光报警），无需等待云端指令。
工程上需要区分“边缘节点”的硬件形态：从低功耗MCU（如STM32、ESP32）到高性能SoC（如Jetson Orin、RK3588），再到工业边缘网关（如树莓派+工业壳、PLC+AI模块）。不同硬件的能力差异决定了可承载的算法复杂度，也决定了延迟预算的分配策略。
2.1.2 边缘计算与云计算的协同分工
| 维度 | 边缘计算 | 云计算 |
|---|---|---|
| 响应延迟 | 1ms ~ 50ms | 100ms ~ 数秒 |
| 数据量处理 | 单节点MB/s级 | PB级聚合分析 |
| 网络依赖 | 弱依赖，可离线运行 | 强依赖，断网即失效 |
| 模型复杂度 | 轻量级（KB~MB级模型） | 大规模深度学习（GB级） |
| 典型任务 | 实时异常检测、设备控制 | 模型训练、全局趋势分析 |
| 隐私保护 | 原始数据不出本地 | 数据需上传至云端 |
在实际项目中，边缘与云端并非替代关系，而是协同关系。例如，边缘节点使用云端训练好的模型进行推理，同时将检测到的异常样本（而非全部数据）回传云端，用于模型迭代。这种“训练在云、推理在端”的模式，既保证了实时性，又持续提升了模型精度。
2.1.3 边缘AI的延迟预算构成
延迟预算（Latency Budget）是指从传感器数据产生到系统做出响应所允许的最大时间间隔。在异常检测场景中，延迟预算通常分解为以下四个部分：
- 采集延迟：传感器采样间隔、ADC转换时间、DMA传输时间。例如，一个10kHz采样率的加速度计，每采集一个样本需要0.1ms。
- 预处理延迟：滤波、去噪、重采样等操作消耗的时间。滑动平均滤波的延迟与窗口长度成正比。
- 特征提取与推理延迟：从预处理后的数据中计算特征（如RMS、峰值、频谱能量），并运行异常检测模型（如孤立森林、1D-CNN）的时间。
- 决策与执行延迟：判断结果输出、触发告警或执行器动作的时间。
2.2 传感器数据类型与信号特征
2.2.1 按物理量分类
传感器数据类型直接影响异常检测算法的选择。以下是边缘AI中最常见的四类传感器及其信号特征：
- 机械量传感器：加速度计、陀螺仪、位移传感器、压力传感器。信号特征为高频振动（10Hz~50kHz）、瞬态冲击、谐振峰。典型异常模式：轴承磨损导致的高频冲击能量增加、转子不平衡导致的1倍频幅值增大。
- 热学量传感器：热电偶、热敏电阻、红外测温。信号特征为慢变（0.1Hz~10Hz）、热惯性大。典型异常：电机绕组温度缓慢上升、散热风扇失效导致的温度突变。
- 电学量传感器：电流互感器、电压传感器、功率计。信号特征为工频50Hz基波叠加谐波。典型异常：电机堵转导致电流骤增、绝缘老化导致漏电流增大。
- 光学/环境传感器：光电传感器、激光雷达、温湿度计。信号特征多样，可能包含空间信息。典型异常：镜头污染导致光强衰减、烟雾传感器误报。
2.2.2 按数据格式分类
| 数据格式 | 典型采样率 | 单样本大小 | 边缘处理难点 |
|---|---|---|---|
| 标量时间序列 | 1Hz ~ 1kHz | 4~8字节 | 趋势漂移检测 |
| 高频波形 | 10kHz ~ 100kHz | 16位/样本 | FFT计算量大 |
| 多维向量 | 100Hz ~ 1kHz | 3轴×16位 | 坐标变换与融合 |
| 图像/点云 | 30fps ~ 100fps | 数百KB~数MB | 需GPU/NPU加速 |
在边缘AI项目中，高频波形数据（如振动、电流）是最具挑战性的类型。以3轴加速度计为例，采样率25.6kHz、每样本16位，每秒产生约153.6KB数据。若连续采集1分钟，数据量达9MB。如果直接上传云端，不仅占用带宽，而且网络抖动会破坏数据的时序完整性。因此，边缘节点必须对原始波形进行实时特征提取，仅上传特征值（如峰值、峭度、频带能量），将数据量压缩至原来的1/1000以下。
2.2.3 传感器数据的时间特性
理解传感器数据的时间特性是设计延迟预算的基础。数据可分为三类：
- 稳态信号：均值、方差基本不变，如恒温环境下的温度读数。异常表现为均值漂移或方差增大。
- 周期信号：具有明显基频和谐波，如旋转机械的振动信号。异常表现为谐波成分变化、边频带出现。
- 瞬态/冲击信号：持续时间短、幅值大，如锤击、碰撞。异常检测需要高采样率和大动态范围。
2.3 异常检测的定义与典型应用场景
2.3.1 异常检测的数学定义与分类
异常检测（Anomaly Detection）是指在数据中识别出不符合预期模式或分布的数据点、序列或事件。在传感器场景中，异常通常分为三类：
- 点异常（Point Anomaly）：单个数据点显著偏离正常范围。例如，温度传感器突然从60°C跳变到120°C。
- 上下文异常（Contextual Anomaly）：在特定上下文中异常，但在全局中正常。例如，电机启动时的电流尖峰是正常的，但在稳定运行阶段出现同样尖峰则异常。
- 集合异常（Collective Anomaly）：一组连续数据点共同表现异常，但单个点可能正常。例如，振动信号中连续出现的冲击脉冲序列。
从算法角度，异常检测方法可分为三类：
- 基于统计的方法：假设数据服从某种分布（如高斯分布），计算数据点偏离均值的标准差倍数。适用于单变量、稳态过程。
- 基于距离/密度的方法：如K近邻、LOF（局部离群因子），适用于多维特征空间。
- 基于机器学习/深度学习的方法：包括孤立森林、One-Class SVM、自编码器、LSTM预测误差等。适用于复杂非线性关系。
在边缘AI中，选择算法时需考虑模型大小、推理延迟和内存占用。例如，孤立森林模型可以压缩到几百KB，在MCU上运行一次推理仅需几毫秒；而LSTM模型通常需要数MB存储，更适合在边缘网关或SoC上运行。
2.3.2 典型应用场景与延迟要求
| 应用场景 | 传感器类型 | 典型异常 | 延迟要求 | 边缘算力需求 |
|---|---|---|---|---|
| 工业旋转机械监测 | 加速度计、电流 | 轴承磨损、不对中 | <20ms | 中（FFT+特征） |
| 预测性维护（电机） | 温度、振动、电流 | 绝缘老化、润滑失效 | <100ms | 低（阈值+趋势） |
| 智能驾驶碰撞预警 | 毫米波雷达、IMU | 前方障碍物突变 | <10ms | 高（深度学习） |
| 可穿戴健康监测 | PPG、ECG | 心律失常、血氧下降 | <1s | 低（轻量ML） |
| 结构健康监测 | 应变片、位移 | 裂缝扩展、共振 | <50ms | 中（频域分析） |
从上表可以看出，不同场景对延迟的敏感度差异巨大。智能驾驶碰撞预警要求10ms内完成从感知到决策的全链路，而可穿戴健康监测允许1秒级延迟。这直接影响边缘节点的硬件选型和算法设计——前者可能需要专用NPU加速，后者仅需MCU即可胜任。
2.3.3 案例拆解：工业风机轴承异常检测
下面通过一个具体案例，展示边缘AI异常检测的完整工程链路。
背景与约束：某化工厂的冷却风机（功率45kW，转速1480rpm）需要7×24小时连续运行。轴承故障是导致非计划停机的主要原因。工厂要求在不增加网络带宽的前提下，实现轴承早期故障预警，且从数据采集到触发报警的延迟不超过30ms。
初始现象与目标：风机正常运行时，振动速度有效值（RMS）约为2.3mm/s。目标是在轴承出现初期磨损（RMS达到3.5mm/s）时即发出预警，避免发展为抱死事故。
关键输入数据与参数：
- 传感器：IEPE压电式加速度计，灵敏度100mV/g，采样率25.6kHz，量程±50g。
- 边缘节点：STM32H743（Cortex-M7，480MHz），外接16位ADC。
- 处理窗口：1024点（对应40ms数据），步进512点（50%重叠）。
- 特征：频段能量（1kHz~5kHz）、峰值因子、峭度。
分析判断过程：轴承早期故障的特征是高频冲击振动（特征频率约2.3kHz），但幅值较小。单纯使用RMS阈值（3.5mm/s）无法在早期发现异常，因为此时RMS仅从2.3升至2.8mm/s。因此，采用频段能量比作为主要判据：计算1kHz~5kHz频段能量占总能量的比例。正常时该比例约为8%，当轴承磨损加剧时，该比例会升至15%以上。
实际操作步骤：
- 在STM32上实现1024点FFT，计算频段能量比。FFT耗时约1.2ms（使用CMSIS-DSP库）。
- 设置双阈值：预警阈值（频段能量比>12%）和报警阈值（频段能量比>18%）。
- 当连续3个窗口（约60ms）超过预警阈值时，触发黄色预警；当任一窗口超过报警阈值时，触发红色报警并输出继电器信号。
- 每10秒将特征值（频段能量比、RMS、峰值因子）通过Modbus TCP上传至PLC，用于云端趋势分析。
结果对比：在轴承实际磨损过程中，该系统在故障前7天发出预警，而传统RMS阈值方法在故障前2天才报警。提前预警为工厂赢得了5天的备件采购和计划停机窗口，避免了非计划停机造成的约50万元损失。
风险与代价：该方案的主要风险是频段能量比对转速波动敏感。当风机转速从1480rpm降至1200rpm时，特征频率偏移，可能导致误报。为此，增加了转速监测（通过光电传感器），根据转速动态调整频段范围。
复盘经验：边缘AI异常检测的关键不在于算法多复杂，而在于特征选择是否匹配物理机理。频段能量比之所以有效，是因为它直接对应轴承故障的物理特征——高频冲击能量增加。此外，延迟预算的分配需要精确测量：本案例中，采集+FFT+特征计算+判断的总耗时约8ms，远小于30ms的预算，因此还有余量增加更复杂的滤波算法。
2.4 常见误区与设计复盘
2.4.1 误区一：盲目追求高采样率
高采样率虽然能捕捉更多细节，但会带来三方面问题：数据量增大导致存储和传输压力、FFT计算量增大导致延迟增加、功耗上升。在边缘AI中，采样率应依据信号最高频率确定（奈奎斯特定理），并留出1.5~2倍裕量。例如，轴承故障特征频率为2.3kHz，采样率设为10kHz即可，无需25.6kHz。
2.4.2 误区二：忽略数据的时间对齐
在多传感器融合场景中，不同传感器的采样时钟可能不同步。例如，振动传感器采样率25.6kHz，而温度传感器采样率1Hz。如果直接拼接特征向量，会导致时间错位。解决方案是使用时间戳同步机制，或采用异步特征融合策略。
2.4.3 误区三：将云端算法直接移植到边缘
云端可以运行200层的ResNet，但边缘MCU可能只有几百KB内存。直接移植会导致内存溢出或推理延迟超标。正确做法是进行模型压缩（量化、剪枝、蒸馏），或改用轻量级算法（如决策树、规则引擎）。
2.4.4 设计复盘清单
- 是否明确了传感器信号的物理特性（频率范围、动态范围、噪声底）？
- 是否根据延迟预算选择了合适的处理窗口和步进？
- 是否在边缘节点上预留了足够的计算余量（CPU负载不超过70%）？
- 是否设计了异常样本的本地缓存机制，以便后续云端分析？
- 是否考虑了传感器老化或漂移导致的阈值失效问题？