课程导入：TinyML与传感器异常检测的概述、课程目标、学习路径与前置知识要求
TinyML（微型机器学习）是边缘计算与嵌入式系统交叉领域中最具工程落地价值的技术方向之一。它旨在让机器学习推理在毫瓦级甚至微瓦级功耗的微控制器（MCU）上运行，从而摆脱对云端算力和网络连接的依赖。在工业预测性维护、可穿戴健康监测、智能楼宇环境感知等场景中，传感器产生的时序数据往往蕴含着设备退化、环境突变或运行异常的关键线索。然而，受限于MCU的Flash（通常256KB~2MB）和RAM（通常32KB~512KB）资源，我们无法直接部署大型深度网络，而需要采用轻量化模型、量化感知训练以及高效的异常评分策略。本课程聚焦于传感器异常评分与告警阈值调参这一核心工程环节——即如何从原始传感器信号中提取特征、计算异常分数，并设定一个既能及时告警又不会频繁误报的阈值边界。
上图展示了本课程的核心技术链路：传感器数据经过预处理、特征提取和异常评分后，最终由阈值决策模块输出告警信号。其中，异常评分与阈值调参是决定系统实用性的关键环节——评分算法决定了异常的可分性，而阈值则直接决定了误报与漏报的平衡点。在后续章节中，我们将逐一深入这些模块的工程实现细节。
1.1 TinyML与传感器异常检测的工程定位
核心原理：TinyML并非简单地将深度学习模型压缩到MCU上，而是一种系统性的设计方法论。它要求开发者从数据采集的物理层开始，就考虑后续的模型推理和阈值决策。传感器异常检测通常采用两种技术路线：一种是基于重构误差的自动编码器（Autoencoder），另一种是基于特征分布的统计过程控制（SPC）。前者适合捕捉复杂的非线性模式，但需要较大的RAM存储中间激活值；后者计算量小、可解释性强，更适合资源受限的MCU。在实际工程中，我们往往采用混合方案——在MCU上运行轻量级特征提取（如均值、方差、峰值因子、频谱能量），然后通过马氏距离或极值理论（Extreme Value Theory）计算异常分数。
判断方法：选择异常检测算法时，需要评估以下指标：
- 计算复杂度：每窗口所需的乘加运算次数（MACs），MCU的算力通常在10~100 MMACs/s。
- 内存占用：模型参数、中间特征图、滑动窗口缓冲区的总RAM需求。
- 可解释性：异常分数是否能够映射到物理含义（如振动能量突增、温度梯度异常）。
- 鲁棒性：对噪声、传感器漂移、温度变化的容忍度。
1.2 课程目标与学习路径
本课程共30章，分为四大模块。第一模块（第1~5章）聚焦基础概念与数据准备；第二模块（第6~15章）深入异常评分算法；第三模块（第16~25章）专攻阈值调参与自适应机制；第四模块（第26~30章）涵盖系统集成、测试验证与案例复盘。完成本课程后，学员将具备以下能力：
- 独立设计面向MCU的传感器异常检测流水线，合理分配Flash/RAM资源。
- 掌握至少5种异常评分算法（包括基于距离、密度、重构误差、概率模型和时序预测的方法），并能根据数据特性选择最合适的算法。
- 熟练运用静态阈值、动态阈值、分位数阈值和基于极值理论的阈值设定方法，并理解每种方法的适用场景。
- 能够通过A/B测试和混淆矩阵分析，量化评估误报率（FPR）与漏报率（FNR）之间的权衡。
- 具备现场部署和远程调参的能力，能够处理数据漂移和概念漂移问题。
| 学习阶段 | 核心内容 | 实践项目 | 产出物 |
|---|---|---|---|
| 基础期（1~5章） | 传感器信号特性、数据采集与清洗、特征工程基础 | 使用STM32F407读取IMU数据并计算统计特征 | 特征提取C代码库 |
| 算法期（6~15章） | 异常评分算法原理与实现 | 在Arduino Nano上部署Autoencoder异常检测 | 异常评分模块 |
| 调参期（16~25章） | 阈值设定、自适应机制、多指标融合 | 基于ESP32的工业电机振动监测阈值调优 | 阈值调参工具链 |
| 实战期（26~30章） | 系统集成、低功耗优化、现场部署 | 电池供电的无线传感器节点完整方案 | 可量产的产品原型 |
1.3 前置知识要求与学习工具准备
前置知识：学员需要具备以下基础：
- 嵌入式C语言编程：能够熟练操作GPIO、ADC、定时器、DMA等外设，理解中断优先级和实时性约束。
- 基本信号处理：了解采样定理、傅里叶变换、数字滤波（FIR/IIR）的基本概念。
- 机器学习基础：理解训练集/验证集/测试集划分、过拟合、正则化等概念，不要求深入数学推导。
- Python数据分析：能够使用NumPy、Pandas、Matplotlib进行离线数据分析和可视化。
工具链准备：本课程推荐以下开发环境：
硬件平台：
- 主控：STM32L4系列（Cortex-M4F，80MHz，512KB Flash，160KB RAM）
- 传感器：BMI160（IMU）、SHT30（温湿度）、MAX4466（麦克风）
- 调试器：ST-Link V2
软件工具：
- 编译链：arm-none-eabi-gcc 10.3+ / STM32CubeIDE 1.13+
- 算法验证：Python 3.9 + TensorFlow Lite Micro 2.12
- 数据采集：串口终端（PuTTY）+ CSV记录脚本
- 可视化：Jupyter Notebook + Plotly1.4 案例拆解：工业风机轴承早期故障检测
为了帮助学员建立直观认识，我们以一个典型的工业场景为例。某工厂的排风机配备了三轴加速度传感器（采样率2kHz，量程±16g），MCU为STM32L431（80MHz，64KB RAM）。初始现象是：风机在正常运行时的振动加速度RMS值为0.8~1.2 m/s²，但某天开始出现间歇性尖峰，峰值达到3.5 m/s²，持续约200ms后消失。传统阈值告警（设定RMS超过2.0 m/s²）在尖峰出现时触发，但每次触发后设备又恢复正常，导致维护人员产生"狼来了"效应。
分析判断过程：我们采集了24小时的连续数据，发现尖峰出现的频率从最初的每小时2次逐渐增加到每小时15次。通过频谱分析，尖峰对应的频率成分集中在2.3kHz附近，与轴承外圈故障特征频率（BPFO）吻合。此时，单纯依赖RMS阈值已经无法区分"瞬时冲击"和"持续劣化"。我们改用短时能量（窗口50ms）和峰值因子（Peak Factor）作为异常评分特征，并采用EWMA（指数加权移动平均）对异常分数进行平滑。
实际操作步骤：
- 在MCU上实现滑动窗口（256点），计算每个窗口的RMS、峰值、峰值因子和频带能量（通过Goertzel算法提取2.3kHz附近能量）。
- 使用正常工况下采集的10000个窗口数据，计算每个特征的均值和标准差，建立马氏距离模型。
- 设定初始阈值为马氏距离的99.9%分位数（对应误报率约0.1%）。
- 部署后观察一周，发现误报率实际为0.3%，主要原因是风机在不同负载下的振动基线不同。于是引入负载电流作为辅助变量，对阈值进行分段线性校正。
结果对比：采用新方案后，系统在轴承完全失效前18小时发出了预警（此时RMS仍低于2.0 m/s²，但马氏距离已超过阈值）。相比原方案，提前预警时间从0小时提升至18小时，误报次数从每周7次降至每周0.5次。