4、异常检测算法选型：统计方法（Z-score、IQR）、机器学习方法（孤立森林、One-Class SVM）、深度学习方法（Autoencoder、LSTM）的适用性
在Edge AI传感器异常检测项目中，算法选型直接决定了模型在算力受限设备上的推理效率、内存占用与检测精度。传感器数据通常具有强时序性、高噪声、非平稳等特点，且边缘设备往往只有MCU级别（数百KB内存）或轻量级MPU级别（数MB内存）的资源。本章从统计方法、机器学习方法、深度学习方法三个层次展开，分析各自的核心原理、适用边界、工程实现要点，并给出选型决策路径。
4.1 统计方法：Z-score与IQR的工程定位
核心原理
Z-score基于正态分布假设，通过计算数据点与均值的标准差倍数来衡量偏离程度。对于传感器采集的连续物理量（如温度、压力），若数据近似服从高斯分布，Z-score能快速识别出超过阈值（通常为3）的异常点。IQR（四分位距）则是一种非参数方法，通过计算第25百分位数（Q1）与第75百分位数（Q3）之间的差值，将超出[Q1-1.5×IQR, Q3+1.5×IQR]范围的数据判定为异常。IQR对偏态分布和离群值具有更好的鲁棒性，因为它不依赖均值和标准差。
在Edge AI场景中，统计方法的最大优势在于计算开销极低——仅需维护均值、方差或分位数等少量状态变量，适合在MCU上以滑动窗口方式实时更新。例如，在电机振动监测中，Z-score可以基于加速度计数据的RMS值计算，每次推理仅需几次乘加运算。
判断方法与操作流程
- 数据分布检验：使用Shapiro-Wilk或KS检验判断数据是否近似正态。若p>0.05，优先选择Z-score；否则使用IQR。
- 窗口设计：确定滑动窗口大小（如5秒窗口，采样率100Hz则窗口含500个点），窗口过小导致统计量不稳定，过大则延迟增加。
- 阈值标定：Z-score阈值通常取2.5~3.5，IQR乘数取1.5~3.0。需根据误报率与漏报率权衡，可通过历史数据ROC曲线确定。
- 状态更新：在边缘设备上采用递推公式更新均值和方差，避免存储全部历史数据。
案例拆解：工业风扇轴承温度监测
某工厂在风扇轴承处部署温度传感器，采样率1Hz，MCU为Cortex-M0+（64KB Flash，8KB RAM）。初始现象：轴承温度在正常工况下为45±3℃，但偶发润滑不良导致温度缓慢上升至55℃以上。
关键参数：窗口大小=300个样本（5分钟），Z-score阈值=3.0。实现时使用环形缓冲区存储最近300个温度值，每次新样本到达时计算均值与标准差。实际运行中，当温度从48℃爬升至52℃时，Z-score从1.2升至2.8，在达到阈值前约2分钟触发预警，成功避免轴承损坏。
风险与代价：统计方法无法捕捉缓慢漂移型异常（如温度每天上升0.1℃），因为均值会随之适应。复盘发现，若将窗口缩短至60秒，可提前5分钟预警，但误报率从0.5%升至2%。最终采用双窗口策略：长窗口（300秒）检测突变，短窗口（60秒）检测趋势。
常见误区与总结
- 误区一：直接对原始传感器值计算Z-score，忽略噪声影响。应先进行低通滤波（如移动平均）或提取特征（如RMS、峰值）。
- 误区二：IQR的1.5倍乘数并非万能。对于重尾分布，应增大乘数至2.0~3.0；对于轻尾分布，可适当减小。
- 误区三：统计方法假设数据独立同分布，但传感器数据通常具有自相关性。若自相关系数>0.5，应使用残差（实际值-预测值）而非原始值进行检测。
4.2 机器学习方法：孤立森林与One-Class SVM
核心原理
孤立森林（Isolation Forest）通过随机切分特征空间来隔离异常点。异常点通常位于稀疏区域，因此需要更少的切分次数即可被隔离。该算法构建多棵随机树，每棵树的路径长度越短，样本越可能是异常。One-Class SVM则试图在特征空间中找到一个超球面或超平面，将大部分正常样本包围在内，边界外的样本视为异常。其核函数（如RBF）可以处理非线性边界，但计算复杂度随样本量增加而显著上升。
在Edge AI中，孤立森林更适合多变量传感器融合场景（如同时监测振动、温度、电流），因为它天然支持多维特征且无需标签数据。One-Class SVM的推理阶段需要计算核函数，在ARM Cortex-A系列处理器上可实时运行，但在MCU上可能因浮点运算密集而受限。
判断方法与操作流程
| 维度 | 孤立森林 | One-Class SVM |
|---|---|---|
| 训练数据量 | 需要1000+样本 | 需要500+样本 |
| 特征维度 | 支持10~50维 | 支持2~20维（高维易过拟合） |
| 推理计算量 | O(log n) 树遍历 | O(n_sv) 支持向量计算 |
| 内存占用 | 每棵树约几KB | 支持向量数量决定，可能数百KB |
| 可解释性 | 可输出异常分数 | 仅输出0/1标签 |
案例拆解：数控机床刀具磨损检测
某数控机床在主轴电机上安装三轴加速度计（采样率2kHz）和电流传感器（采样率100Hz）。目标：检测刀具磨损导致的切削力异常。初始现象：刀具正常磨损时振动RMS缓慢上升，但突发崩刃时会产生高频冲击。
特征工程：从原始信号中提取8个特征——三轴振动RMS、峰值因子、峭度、电流均值、电流标准差、主轴转速。使用滑动窗口（1秒）计算特征，形成8维特征向量。
模型训练：采集正常加工数据2000个窗口，训练孤立森林（树数=100，每棵树采样256个样本）。在边缘设备（i.MX RT1062，Cortex-M7 @600MHz）上，推理时间约0.8ms/窗口，内存占用约120KB。
结果对比：孤立森林在崩刃发生后0.5秒内触发报警，而One-Class SVM（RBF核）延迟1.2秒，且误报率高出3倍。原因是SVM对高维稀疏特征敏感，而孤立森林的随机切分策略更适合该场景。
复盘经验：模型每班次（8小时）需用新数据增量更新，否则刀具正常磨损会导致特征分布漂移，误报率上升。最终采用每周离线重训一次，并保留最近两周数据。
风险提示：One-Class SVM在边缘设备上部署时，若支持向量数量超过5000，推理延迟可能超过10ms，且Flash占用超过1MB。建议在训练时使用早停或剪枝策略限制支持向量数量。
4.3 深度学习方法：Autoencoder与LSTM
核心原理
Autoencoder通过编码器将输入压缩为低维潜变量，再由解码器重建输入。训练目标是最小化重建误差，正常样本的重建误差较小，而异常样本因不符合训练分布，重建误差显著增大。LSTM（长短期记忆网络）则通过门控机制捕捉时间序列的长程依赖，可用于预测下一个时间点的值，预测误差作为异常分数。
在Edge AI中，深度学习方法通常需要硬件加速（如NPU、DSP）或模型量化（INT8）才能在嵌入式设备上实时运行。Autoencoder适合处理多通道传感器数据（如6轴IMU+温度+压力），LSTM则更适合具有明显时间模式的信号（如呼吸波、心跳波）。
判断方法与操作流程
- 数据准备：收集至少1周的正常运行数据，划分训练/验证集。异常数据仅用于测试，不参与训练。
- 模型设计：Autoencoder的编码器维度通常为输入维度的1/4~1/2；LSTM层数1~2层，隐藏单元数32~128。
- 量化部署：使用TensorFlow Lite或ONNX Runtime进行INT8量化，验证量化后精度损失<5%。
- 阈值设定：在验证集上计算重建误差/预测误差的95%或99%分位数作为阈值。
案例拆解：可穿戴设备心电异常监测
某可穿戴设备使用单导联ECG传感器（采样率250Hz），MCU为Cortex-M4F（512KB Flash，128KB RAM）。目标：实时检测心律失常（如早搏、房颤）。
模型选择：采用1D-CNN Autoencoder，输入为2秒窗口（500个采样点），编码器为3层卷积（滤波器数32/64/128），潜变量维度16。模型参数量约45K，INT8量化后大小约45KB。
部署优化：使用CMSIS-NN库加速卷积运算，推理时间约3.2ms/窗口，功耗增加15mW。在连续48小时佩戴测试中，对早搏的召回率达92%，误报率0.8次/小时。
对比LSTM方案：LSTM（2层，隐藏单元64）参数量120K，量化后120KB，推理时间8.5ms，但可检测更复杂的房颤模式（召回率95%）。最终因Flash空间不足，选择Autoencoder方案，并将房颤检测降级为云端二次分析。
经验提醒：深度学习方法在边缘部署时，务必先做模型剪枝和量化。实测表明，INT8量化后推理速度提升3~5倍，内存占用减少4倍，但需在目标设备上重新校准阈值，因为量化误差可能导致重建误差分布偏移。
4.4 选型决策矩阵与工程实践建议
| 评估维度 | 统计方法 | 孤立森林 | One-Class SVM | Autoencoder | LSTM |
|---|---|---|---|---|---|
| 内存占用 | <1KB | 50-200KB | 100KB-1MB | 50-500KB | 100KB-1MB |
| 推理延迟（@100MHz MCU） | <0.1ms | 0.5-2ms | 1-10ms | 2-20ms | 5-50ms |
| 训练数据需求 | 100+样本 | 1000+样本 | 500+样本 | 10000+样本 | 10000+样本 |
| 多变量支持 | 弱（需降维） | 强 | 中 | 强 | 强 |
| 时序建模 | 无 | 无 | 无 | 弱（需窗口） | 强 |
| 可解释性 | 高 | 中 | 低 | 低 | 低 |
| 典型场景 | 温度/压力阈值 | 多传感器融合 | 小样本异常检测 | 高维信号重建 | 强时序模式 |
选型决策流程
- 第一步：评估边缘设备算力。若Flash<64KB且RAM<16KB，直接选择统计方法。
- 第二步：分析数据特性。若特征维度>5且存在非线性关系，优先孤立森林；若数据具有明显周期性，考虑LSTM。
- 第三步：检查训练数据量。若正常样本<1000，避免使用深度学习方法。
- 第四步：验证实时性要求。若检测延迟需<10ms，排除LSTM；若需<1ms，仅统计方法可行。
- 第五步：进行量化部署测试，在目标硬件上测量实际推理时间和内存峰值。
综合案例：智能工厂空压机预测性维护
某空压机配备4个传感器：排气温度（1Hz）、振动加速度（10kHz）、油压（10Hz）、电流（50Hz）。边缘网关采用Cortex-A53（四核1.5GHz，1GB RAM），需在本地完成异常检测并上报云端。
选型过程：首先，统计方法仅能检测温度/油压的突变，无法捕捉振动频谱的早期异常。其次，孤立森林在8维特征（温度均值、温度斜率、振动RMS、振动峰值、油压均值、电流均值、电流谐波、运行时长）上表现良好，但无法建模振动信号的时序模式。最终采用混合方案：
- 温度/油压使用IQR方法（窗口10分钟）检测缓慢漂移；
- 振动信号提取频谱特征后使用孤立森林（树数50）检测突发异常；
- 电流信号使用LSTM（2层，隐藏单元32）预测未来1秒值，残差超过阈值则报警。
结果：系统运行3个月，成功预警2次轴承磨损和1次阀片故障，误报率0.3次/天。LSTM模型量化后占用180KB，推理时间12ms，满足实时性要求。
常见误区与总结
- 误区一：盲目追求高精度算法而忽略边缘算力限制。实际项目中，统计方法解决80%的场景，机器学习解决15%，深度学习仅解决剩余5%的复杂场景。
- 误区二：将训练好的模型直接部署，不做量化校准。量化后阈值需重新标定，否则误报率可能翻倍。
- 误区三：忽略数据漂移。传感器老化、环境变化会导致特征分布偏移，需设计定期重训机制（如每周一次增量学习）。
- 误区四：只关注检测精度，不关注功耗。深度学习方法可能使设备功耗增加50%以上，需评估电池寿命影响。
总结而言，异常检测算法选型不是简单的精度对比，而是算力、内存、功耗、数据特性、实时性、可解释性等多维度的权衡。建议采用"统计方法兜底+机器学习增强+深度学习补充"的渐进式策略，在边缘设备上优先部署轻量级模型，将复杂模型保留在云端或网关层。实际工程中，混合方案往往比单一算法更可靠，且便于逐步升级迭代。