边缘计算基础：边缘设备类型、边缘与云端的区别、边缘AI的典型应用场景
在构建Edge AI设备闭环异常检测系统之前，我们必须先厘清“边缘”这一概念的具体内涵。边缘计算并非简单的“小云”，而是一种在物理上靠近数据源（传感器、摄像头、工业控制器等）进行数据处理、分析和存储的分布式计算范式。对于异常检测项目而言，边缘设备的选型直接决定了数据采集的精度、推理延迟的上限以及部署环境的适应性。本章将系统梳理边缘设备的分类、边缘与云端的核心差异，以及边缘AI在工业与商业场景中的典型落地路径，为后续章节的模型部署与硬件选型奠定基础。
上图展示了边缘计算与云端协同的典型架构。在异常检测场景中，传感器和摄像头负责采集原始信号，MCU/MPU或NPU加速单元在本地完成初步的特征提取和推理判断，边缘网关负责协议转换与数据汇聚，而云端则承担模型训练、历史数据存储和全局策略优化。这种分层架构的核心价值在于：将实时性要求高的推理任务留在边缘，将计算密集型训练任务放在云端，形成“端-边-云”协同的闭环。
2.1 边缘设备类型与选型依据
边缘设备的形态极其多样，从微控制器（MCU）到工业PC，再到带有专用AI加速芯片的智能网关，其计算能力、功耗、成本和环境适应性差异巨大。在Edge AI异常检测项目中，设备选型需要综合考虑算力需求、功耗预算、接口类型、工作温度范围以及长期可靠性。
核心原理：边缘设备的算力分层
根据处理能力和应用场景，边缘设备可分为四个层级：
- 传感器级（MCU）：如STM32、ESP32、RP2040，主频通常在几十MHz到240MHz，内存在KB级别。适合执行简单的阈值判断、FFT频谱分析或轻量级决策树模型。功耗极低（mW级），可电池供电。
- 应用处理器级（MPU）：如树莓派、Jetson Nano、RK3588，主频1.5-2.5GHz，内存2-8GB。可运行Linux系统，支持TensorFlow Lite、ONNX Runtime等推理框架，适合处理摄像头图像、振动波形等中等复杂度数据。
- AI加速级（NPU/GPU）：如Intel Movidius、Google Coral、Jetson Orin，集成专用神经网络加速单元，算力可达1-100 TOPS。适合运行CNN、LSTM等深度学习模型，实现实时视频异常检测或高频振动分析。
- 工业控制器级（PLC/RTU）：如西门子S7-1500、施耐德M580，主要执行逻辑控制，但新型号开始集成AI功能块。适合与现有工业自动化系统无缝集成，但AI算力相对有限。
判断方法：选型决策矩阵
在实际项目中，我们建议从以下五个维度进行量化评估：
| 评估维度 | MCU方案 | MPU方案 | NPU/GPU方案 |
|---|---|---|---|
| 算力需求 | <0.1 TOPS | 0.5-2 TOPS | 4-100 TOPS |
| 典型功耗 | 0.1-1W | 3-10W | 10-60W |
| 推理延迟 | <5ms | 10-50ms | 5-20ms |
| 开发复杂度 | 低（裸机/RTOS） | 中（Linux） | 高（需要交叉编译） |
| 环境适应性 | 工业级-40~85℃ | 商业级0~70℃ | 需加散热设计 |
对于旋转机械的振动异常检测，如果采样频率为20kHz，每帧1024点，使用MCU进行FFT和频域特征提取即可满足需求；但如果需要同时分析多通道振动信号并运行CNN模型，则必须选择带NPU的MPU方案。
2.2 边缘与云端的核心区别
理解边缘与云端的差异，不能仅停留在“距离远近”的层面。两者在架构哲学、数据处理模式、网络依赖性和运维方式上存在本质区别。对于异常检测系统，这些差异直接影响系统的实时性、可靠性和隐私边界。
核心原理：五个关键维度对比
- 延迟特性：云端处理需要数据经过网络传输，单次往返延迟通常在50-200ms（4G/5G网络），而边缘设备本地推理延迟可控制在1-10ms。对于高速旋转机械的喘振检测，200ms的延迟意味着设备可能已经损坏。
- 带宽消耗：一个工业摄像头每秒产生约50MB数据，如果全部上传云端，每月流量成本高达数千元。边缘计算只上传异常片段或特征向量，可将带宽消耗降低90%以上。
- 数据主权与隐私：医疗设备、军事装备或涉及商业机密的生产数据，往往不允许离开本地网络。边缘计算确保敏感数据在本地闭环处理，仅上传脱敏后的统计信息。
- 网络依赖性：云端方案在断网时完全失效，而边缘设备即使与云端断开连接，仍能独立完成异常检测和本地告警。这一特性在矿山、海上平台等网络不稳定场景中至关重要。
- 模型更新机制：云端训练模型后，通过OTA方式下发到边缘设备。边缘设备需要具备模型版本管理和回滚能力，避免因模型更新导致误报率上升。
判断方法：何时选择边缘，何时选择云端
我们总结了一个“3-3-3”判断法则：
- 3个必须边缘的场景：实时控制闭环（如安全联锁）、数据隐私敏感（如人脸识别）、网络不可靠（如移动设备）。
- 3个适合云端的场景：模型训练与迭代、跨设备全局统计分析、需要海量历史数据的深度挖掘。
- 3个边缘+云端协同的场景：边缘做实时推理，云端做模型再训练；边缘做数据预处理，云端做复杂特征工程；边缘做本地告警，云端做故障根因分析。
2.3 边缘AI的典型应用场景
边缘AI在异常检测领域的应用已经非常成熟，覆盖了从预测性维护到质量检测的多个方向。理解这些场景有助于我们明确项目需求边界，避免“为了AI而AI”的过度设计。
核心原理：三大主流场景
- 预测性维护（PdM）：通过振动、温度、电流等传感器数据，利用边缘AI模型预测设备剩余寿命（RUL）。典型应用包括电机轴承磨损检测、齿轮箱点蚀识别、泵气蚀诊断。边缘设备实时计算时域特征（RMS、峰值因子、峭度）和频域特征（边频带能量），当特征偏离基线时触发预警。
- 视觉质量检测：在生产线末端部署边缘视觉系统，通过工业相机采集产品图像，利用CNN模型检测表面缺陷（划痕、凹陷、污渍）。边缘设备需要具备高帧率处理能力（30-60 FPS），并能在强光、粉尘等恶劣环境下稳定运行。
- 声学异常检测：利用麦克风阵列采集设备运行声音，通过边缘AI识别异常声音模式。该场景对麦克风阵列的同步采样和波束成形算法要求较高，适合在环境噪声可控的室内场景部署。
案例拆解：电机轴承故障的端到端检测
我们以一个实际的电机轴承故障检测项目为例，展示边缘AI的完整落地流程。
项目背景与约束：某化工厂的循环水泵电机（功率75kW）频繁发生轴承故障，平均每3个月损坏一次，每次停机损失约8万元。工厂要求在不改变现有电气柜结构的前提下，增加一套低成本监测系统，误报率低于5%，漏报率低于1%。
初始现象与目标：电机振动值在故障前一周才开始明显上升，传统振动传感器无法提前预警。项目目标是在故障前14天发出预警，为计划性停机留出时间。
关键输入数据与参数：选用三轴加速度传感器（量程±16g，灵敏度100mV/g），采样频率25.6kHz，每10分钟采集一组数据（每组2秒）。边缘设备选用STM32H743（Cortex-M7，480MHz），通过FFT计算频谱，提取1kHz-5kHz频段的边频带能量作为特征。
分析判断过程：初期使用固定阈值（边频带能量超过基值的3倍）进行判断，但误报率高达15%。后引入滑动窗口基线（过去24小时的中位数），并增加温度补偿系数，将误报率降至4.2%。
实际操作步骤：
- 在电机轴承座垂直和水平方向各安装一个加速度传感器，使用磁吸底座固定。
- 边缘设备通过SPI接口读取传感器数据，每10分钟执行一次FFT（1024点，汉宁窗）。
- 计算特征：边频带能量E_sideband = Σ|X(f)|²，其中f∈[f_r×N±f_r]，f_r为转频，N为谐波次数。
- 与基线比较，若E_sideband > 3×中位数(E_sideband_24h)，则触发预警。
- 预警信息通过Modbus TCP发送至DCS系统，同时本地LED闪烁。
结果对比：系统运行6个月后，成功提前12天预警一次轴承外圈故障，经停机检查确认故障属实。期间共产生3次误报，均发生在电机启动瞬间（因启动电流冲击导致振动突变），后通过增加“启动后30秒内不检测”的屏蔽逻辑消除。
风险与代价：传感器磁吸底座在高温环境下可能退磁，需每季度检查；STM32的FFT计算占用CPU约40%，无法同时运行其他任务，需合理规划任务调度。
复盘经验：固定阈值方案在工况波动时失效，必须引入自适应基线；边缘设备的算力虽然有限，但通过精心设计的特征工程，仍能实现接近深度学习的检测效果。