工业异常分类基础：异常类型与常见工业场景
在工业设备状态监测与预测性维护中，异常检测的首要任务不是“如何检测”，而是“检测什么”。工业数据中的异常形态千差万别：一个轴承的振动幅值可能在某个瞬间突然飙升，也可能在连续数小时内缓慢漂移；一台电机的电流可能在启动阶段出现规律性尖峰，也可能在某个工况切换后持续偏离基线。如果不对异常类型进行系统分类，后续的特征工程、模型选型和阈值设定都将失去依据。本章从异常数据的统计形态出发，建立点异常、上下文异常与集合异常的分类框架，并结合振动、温度、电流三大典型工业场景，剖析其数据特点与部署约束，为后续基于STM32Cube AI的端侧模型设计奠定数据认知基础。
2.1 异常类型的核心原理与判断方法
2.1.1 点异常：瞬时突变的统计学本质
点异常（Point Anomaly）指单个数据实例相对于整体数据分布呈现显著偏离。在工业时序数据中，点异常通常表现为幅值突变、脉冲尖峰或瞬时超限。其数学本质是样本点落在全局分布的高拒绝域之外，例如超过均值±3σ或超出箱线图的1.5倍四分位距。点异常检测的核心假设是“正常数据服从某种稳定分布”，因此适用于设备稳态运行场景。
判断点异常的操作流程通常包括：第一步，采集设备正常运行时的基线数据，计算均值、标准差或分位数；第二步，设定检测阈值（如3σ或99.7%置信区间）；第三步，对实时数据流逐点比较，若超出阈值则触发报警。在STM32Cube AI部署中，点异常检测适合使用轻量级统计模型或单类支持向量机，模型输入可以是原始振动幅值、温度读数或电流瞬时值。
2.1.2 上下文异常：工况耦合下的条件偏离
上下文异常（Contextual Anomaly）是指数据点在特定上下文（如时间窗口、工况状态、负载区间）下表现异常，但在全局分布中可能并不突出。例如，电机在低速重载时温度升高是正常现象，但如果同样工况下温度比历史同期高出15°C，则属于上下文异常。其核心在于“条件正常性”——必须结合工况标签或时间上下文来判断。
判断上下文异常需要构建条件基线：首先对工况进行分段（如转速区间、负载等级），然后在每个工况段内建立正常行为模型（如温度-时间曲线、振动-转速映射）。检测时，将当前样本与对应工况的基线比较，计算残差或偏离度。在嵌入式部署中，上下文异常检测通常需要维护一个滑动窗口（如5秒窗口）和工况识别模块，对STM32的内存和算力提出更高要求。
2.1.3 集合异常：群体模式的系统性偏移
集合异常（Collective Anomaly）指一组连续数据点作为一个整体呈现异常模式，而单个点可能完全正常。典型例子包括：振动频谱中多个谐波分量同时抬升、电流三相波形出现对称性破坏、温度序列在长时间内呈现单调漂移。集合异常往往对应设备退化、部件松动或系统级故障，是预测性维护最关注的异常类型。
集合异常的判断方法包括：频域分析（FFT后观察频谱包络变化）、多通道相关性分析（如振动X/Y/Z轴相关性矩阵）、时序模式匹配（如动态时间规整）。在STM32Cube AI中，集合异常通常需要先提取窗口级特征（如频谱质心、谐波能量比、多轴相关系数），再输入分类器或自编码器进行模式识别。
| 异常类型 | 数学特征 | 典型检测方法 | 嵌入式部署难度 |
|---|---|---|---|
| 点异常 | 单点偏离全局分布 | 3σ阈值、IQR、孤立森林 | 低（单点计算） |
| 上下文异常 | 条件分布偏离 | 滑动窗口残差、工况条件基线 | 中（需窗口+工况识别） |
| 集合异常 | 群体模式偏移 | 频谱分析、相关性矩阵、自编码器 | 高（需特征融合+批量处理） |
2.2 常见工业场景的数据特点与异常表现
2.2.1 振动场景：高频冲击与频谱演化
振动数据是旋转机械状态监测最丰富的信息源。工业振动传感器（如压电式加速度计）通常以10kHz~50kHz采样率采集，每个数据点包含加速度值。振动数据的核心特点包括：非平稳性（转速变化导致频率成分漂移）、高动态范围（正常振动幅值可能为0.1g，故障冲击可达10g以上）、多频成分叠加（工频、倍频、边频带、固有频率）。
振动场景中的异常类型覆盖全部三类：点异常表现为瞬时冲击（如轴承滚动体通过缺陷时的脉冲）；上下文异常表现为特定转速下的共振幅值异常升高；集合异常表现为频谱中多个谐波分量同时抬升或出现新的边频带族。在STM32Cube AI部署中，振动数据通常需要先做FFT或小波包分解，提取频域特征后再送入神经网络，这对MCU的浮点运算能力提出较高要求。
2.2.2 温度场景：慢变过程与热惯性
温度数据在工业设备中具有显著不同的时间尺度。温度传感器（热电偶、RTD）采样率通常为0.1Hz~1Hz，数据呈现强自相关性和热惯性——当前温度值高度依赖过去几分钟甚至几小时的热历史。温度数据的核心特点包括：大时间常数（设备热容导致温度变化滞后于工况变化）、环境耦合（环境温度波动叠加在设备发热上）、缓慢漂移（设备退化导致散热效率下降）。
温度场景中的异常以上下文异常和集合异常为主。例如，同一负载下电机绕组温度比历史基线高8°C，属于上下文异常；连续一周内温度基线逐步抬升，属于集合异常（趋势性漂移）。点异常在温度数据中较少见，除非发生冷却系统突然失效。在嵌入式部署中，温度异常检测通常采用指数加权移动平均（EWMA）或残差监控，计算量小，适合在STM32低功耗模式下长期运行。
2.2.3 电流场景：电气特征与工况耦合
电流数据直接反映电机的电气状态和机械负载。工业电流传感器采样率通常为1kHz~10kHz，可捕获工频（50/60Hz）及其谐波。电流数据的核心特点包括：强周期性（工频分量占主导）、工况敏感性（负载变化导致电流幅值大幅波动）、多物理量耦合（电流谐波与机械故障存在映射关系，如转子断条引发2倍滑差频率边带）。
电流场景中的异常类型丰富：点异常表现为启动电流尖峰或瞬时短路脉冲；上下文异常表现为特定负载下的三相电流不平衡度超标；集合异常表现为谐波频谱中特定阶次分量持续增长（如5次、7次谐波异常）。在STM32Cube AI中，电流数据通常先计算三相电流的dq变换或Park变换，提取基波幅值、相位和谐波畸变率，再输入分类模型。
| 场景 | 典型采样率 | 主要异常类型 | 关键特征 | MCU资源需求 |
|---|---|---|---|---|
| 振动 | 10-50kHz | 点异常、集合异常 | RMS、峰值、频谱质心、包络谱 | 高（需FFT） |
| 温度 | 0.1-1Hz | 上下文异常、集合异常 | 温升速率、热平衡偏差、EWMA残差 | 低 |
| 电流 | 1-10kHz | 点异常、上下文异常、集合异常 | 三相不平衡度、谐波畸变率、dq轴分量 | 中（需谐波分析） |
2.3 案例拆解：电机轴承退化中的多类型异常识别
某工厂一台55kW异步电机驱动离心泵，转速2970rpm，振动传感器安装于驱动端轴承座，采样率25.6kHz，同时采集电机U相电流（采样率5kHz）。设备运行约3年后，维护团队发现振动RMS值从1.2mm/s缓慢上升至2.8mm/s，但尚未超过报警阈值（4.5mm/s）。
初始现象与目标：振动RMS持续上升但未超限，维护团队希望提前判断轴承状态，避免非计划停机。关键输入数据包括：连续30天的振动时域波形、电流波形、设备负载率（通过流量计间接获取）。
分析判断过程：首先对振动数据做FFT，发现频谱中在轴承外圈故障特征频率（BPFO=107.3Hz）处出现明显峰值，且边频带宽度随负载变化。进一步对电流数据做频谱分析，在电流频谱中发现了BPFO对应的调制边带（频率为50Hz±107.3Hz），确认机械故障已影响电气信号。此时，振动RMS虽未超限，但BPFO幅值已从初始的0.02g上升至0.35g，属于集合异常（频谱模式系统性偏移）。同时，在负载率超过80%时，BPFO幅值比负载率60%时高出40%，属于上下文异常（特定工况下的异常放大）。
实际操作步骤：① 提取振动频谱中BPFO及其2倍频、3倍频幅值作为特征；② 计算电流频谱中50Hz±BPFO边带幅值；③ 按负载率分段建立基线模型；④ 设定BPFO幅值超过基线2倍或电流边带幅值超过0.05A为预警条件。最终在振动RMS达到3.5mm/s时触发预警，安排停机检修，发现轴承外圈已出现直径约3mm的剥落坑。
结果与复盘：通过多类型异常联合分析，比单纯RMS阈值提前约11天预警。代价是需要额外存储30天频谱数据用于基线建模，且需人工标注负载率。复盘经验：单一统计指标（RMS）会掩盖频域中的早期故障特征，必须结合集合异常和上下文异常进行综合判断。
2.4 常见误区与总结复盘
误区一：将所有异常都当作点异常处理。许多工程师习惯设置固定阈值，对任何超限值报警。但工业数据中大量故障表现为上下文异常或集合异常，固定阈值会导致漏报（如缓慢漂移）或误报（如工况切换时的正常波动）。
误区二：忽略工况变化对数据分布的影响。设备在不同负载、转速下的正常数据分布差异巨大。如果不进行工况分段，直接训练全局模型，模型将无法区分“正常的高负载状态”和“异常的轻负载故障状态”。
误区三：在MCU上直接运行原始数据级深度学习模型。STM32的算力和内存有限，直接输入原始振动波形（25.6kHz采样）训练CNN是不现实的。正确做法是先在MCU上完成特征提取（如FFT、统计特征），再将低维特征输入轻量级模型。
误区四：忽视数据的时间对齐和同步。多传感器数据（振动、温度、电流）必须时间对齐才能进行联合分析。在STM32Cube AI项目中，建议使用DMA+定时器实现多通道同步采集，并在软件层打时间戳。