📚 课程目录第3章异常检测核心概念

3、异常检测核心概念：异常类型（点异常、上下文异常、集体异常）、监督/半监督/无监督方法对比

在TinyML异常检测模型部署到Ethos-U NPU之前，必须首先建立对异常检测问题本身的清晰认知。异常检测（Anomaly Detection）的核心任务是识别数据中那些显著偏离正常行为模式的样本或模式。对于资源受限的嵌入式系统而言，理解异常的类型和对应的学习范式，直接决定了后续模型架构选择、数据标注策略、特征工程方向以及NPU上的算子映射方式。本章将系统梳理异常检测的三大类型与三种学习范式，并结合工业振动监测、设备温度监控等典型场景，为后续在Ethos-U上部署模型奠定理论基础。

上图展示了异常检测核心概念的整体框架。异常类型决定了我们如何定义“异常”，而学习范式决定了我们如何利用数据来训练模型。在TinyML场景下，这两者共同约束了模型在Ethos-U NPU上的实现方式。下面将逐一展开分析。

3.1 异常类型的本质与识别

3.1.1 点异常：最基础的异常形态

点异常（Point Anomaly）是指单个数据实例相对于整体数据分布呈现出显著偏离。在工业传感器数据中，一个突然的电压尖峰、一次意外的温度跳变，都是典型的点异常。这类异常的特点是：个体独立性——不需要参考前后数据，仅凭当前值即可判断异常。在Ethos-U部署中，点异常检测通常采用基于距离或密度的算法，如局部离群因子（LOF）或单类支持向量机（One-Class SVM），这些算法经过量化后可以高效映射为NPU上的矩阵运算。

判断点异常的核心方法是建立正常数据的统计边界。例如，对于电机振动信号，可以计算正常状态下的均值和标准差，当实时采集的振动幅值超过μ+3σ阈值时，判定为点异常。这种方法计算开销极小，非常适合在Cortex-M内核上配合Ethos-U实现实时检测。

实战要点：在Ethos-U上部署点异常检测时，建议将统计阈值计算放在MCU侧，而将特征提取（如FFT、小波变换）放在NPU侧。这样既利用了NPU的并行计算能力，又避免了频繁的MCU-NPU数据交互。

3.1.2 上下文异常：依赖场景的异常

上下文异常（Contextual Anomaly）是指数据值本身在全局范围内可能正常，但在特定上下文条件下却显得异常。最典型的例子是：室外温度在夏季白天达到35°C是正常的，但在冬季夜间出现35°C则是异常。上下文异常检测必须引入时间、位置、工况等上下文信息作为条件变量。

在TinyML场景中，上下文异常检测通常需要构建条件模型。例如，在预测性维护中，设备的正常振动频率会随转速变化，因此需要建立“转速-振动”联合分布模型。当实际振动值偏离该联合分布时，即使振动绝对值在正常范围内，也会被判定为上下文异常。实现上，可以使用条件变分自编码器（CVAE）或基于LSTM的序列模型，但这些模型在NPU上的部署需要特别注意时序算子的支持情况。

异常类型	定义	典型场景	NPU部署难度
点异常	单点值显著偏离全局分布	电压尖峰、温度突变	低（统计方法）
上下文异常	在特定条件下值偏离条件分布	不同转速下的振动异常	中（需条件建模）
集体异常	一组数据点联合出现异常模式	传感器漂移、周期性干扰	高（需序列建模）

3.1.3 集体异常：序列与群体的异常模式

集体异常（Collective Anomaly）关注的是数据点集合的联合行为。单个数据点可能完全正常，但它们的组合模式却异常。例如，在连续时间段内，振动信号的频率逐渐漂移，每个时刻的幅值都在正常范围内，但整体趋势却表明设备正在劣化。集体异常检测在工业预测性维护中尤为重要，因为它能捕捉早期退化信号。

实现集体异常检测通常需要序列建模能力。在Ethos-U上，可以部署轻量级的时间卷积网络（TCN）或1D-CNN，通过滑动窗口提取时序特征。值得注意的是，Ethos-U对RNN/LSTM的支持有限，因此在实际部署中更推荐使用基于注意力机制或卷积的序列模型。集体异常检测的输入通常是固定长度的窗口数据，输出为异常得分或重构误差。

部署风险提示：集体异常检测模型往往需要较大的时序窗口（如256个采样点），这会显著增加NPU的SRAM占用。在Ethos-U55上，建议将窗口大小限制在128点以内，并优先使用深度可分离卷积来降低参数量。

3.2 监督/半监督/无监督学习范式对比

3.2.1 监督异常检测：依赖完整标注

监督异常检测将异常检测视为二分类问题，需要同时提供正常和异常样本的标签。在工业场景中，这意味着需要收集足够多的故障样本。监督方法的优势在于可以学习复杂的决策边界，准确率通常较高；但劣势也很明显——异常样本往往稀少且难以获取，导致类别不平衡问题严重。

在Ethos-U部署中，监督模型通常采用轻量级CNN或MLP结构。由于NPU对卷积和全连接层的优化较好，这类模型可以高效运行。但需要特别注意：训练时的数据增强和类别平衡策略会直接影响模型在NPU上的泛化能力。建议使用焦点损失（Focal Loss）或过采样技术来处理类别不平衡。

// 监督异常检测模型伪代码（训练阶段）
model = Sequential([
    Conv1D(16, kernel_size=3, activation='relu', input_shape=(128, 1)),
    MaxPooling1D(2),
    Conv1D(32, kernel_size=3, activation='relu'),
    GlobalAveragePooling1D(),
    Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

3.2.2 半监督异常检测：仅需正常数据

半监督异常检测是最适合TinyML场景的范式。它假设训练数据全部来自正常工况，模型学习正常数据的分布特征，在推理时通过重构误差或距离度量来识别异常。这种范式的核心优势在于：无需收集异常样本，这在工业现场极具实用价值，因为故障数据往往难以获取。

常见的半监督方法包括自编码器（AE）、变分自编码器（VAE）和生成对抗网络（GAN）。在Ethos-U上，自编码器是最实用的选择，因为其编码器-解码器结构可以拆分为两个子网络，分别映射到NPU的不同执行阶段。重构误差的计算可以在MCU侧完成，从而减少NPU的额外开销。

经验分享：在部署半监督自编码器时，建议将编码器输出维度控制在16-32维之间。过高的维度会增加解码器的计算量，而过低的维度会导致重构误差无法有效区分正常与异常。在Ethos-U55上，一个128维输入、32维瓶颈的自编码器，推理延迟可控制在5ms以内。

3.2.3 无监督异常检测：无标注的探索

无监督异常检测不依赖任何标签，通过数据的内在结构发现异常。聚类方法（如K-Means、DBSCAN）和基于距离的方法（如LOF）是典型代表。在TinyML场景中，无监督方法通常用于数据探索阶段，帮助工程师理解数据分布，为后续选择监督或半监督方法提供依据。

无监督方法在NPU上的部署面临挑战：聚类算法通常需要迭代计算，且难以直接映射为神经网络算子。因此，在实际部署中，更常见的做法是使用自编码器+聚类的混合方案：先用自编码器提取低维特征，再在特征空间中进行聚类。这样既利用了NPU的特征提取能力，又保持了无监督的灵活性。

3.3 学习范式选择与NPU部署的匹配策略

3.3.1 选择决策流程

在Ethos-U项目启动时，选择合适的学习范式需要遵循以下决策流程：

评估数据标注情况：如果已有大量标注数据（包括正常和异常），优先考虑监督方法；如果只有正常数据，选择半监督方法；如果完全没有标注，先进行无监督探索。
分析异常类型：点异常适合简单的统计或浅层模型；上下文异常需要条件建模；集体异常需要序列模型。
评估NPU资源：检查Ethos-U的MAC阵列大小、SRAM容量和算子支持列表。复杂的序列模型可能无法在低端Ethos-U55上运行。
考虑量化影响：监督模型通常对量化更敏感，因为决策边界可能很尖锐；半监督模型的重构误差对量化相对鲁棒。

3.3.2 典型部署案例：工业电机振动监测

以工业电机振动监测为例，说明学习范式的选择过程。项目背景：需要在一条生产线的10台电机上部署异常检测系统，每台电机安装一个三轴加速度传感器，采样频率为2kHz，Ethos-U55 NPU负责推理。

初始约束：只有正常运行数据，故障数据需要数月才能积累；每台电机的振动特征存在差异；要求误报率低于1%。

方案选择：由于只有正常数据，选择半监督自编码器方案。具体步骤如下：

数据预处理：对振动信号进行带通滤波（10Hz-1kHz），去除直流分量。
特征提取：计算每个时间窗口（128点）的RMS、峰值因子、频谱质心等特征。
模型训练：在MCU侧使用CMSIS-NN库训练一个3层自编码器，输入为8维特征向量，瓶颈层为2维。
NPU部署：将自编码器转换为TFLite格式，使用Vela编译器优化，映射到Ethos-U55。
阈值设定：在正常数据上计算重构误差的99.9%分位数作为异常阈值。

结果对比：部署后，系统在3个月的运行中成功检测到2起轴承早期磨损故障，误报率为0.7%。相比传统固定阈值方法，误报率降低了60%。

风险与代价：半监督方法无法检测训练数据中未出现的正常工况变化。例如，当电机更换新轴承后，振动特征发生变化，可能导致误报。解决方案是定期用新数据微调模型，或引入在线学习机制。

3.4 常见误区与总结复盘

3.4.1 误区一：忽视异常类型的区分

很多工程师在项目初期不区分异常类型，直接套用通用的异常检测算法。这会导致模型性能不佳。例如，使用点异常检测方法处理集体异常，会漏掉缓慢漂移的故障信号。正确的做法是：先通过可视化分析（如t-SNE、时序图）确定异常类型，再选择匹配的算法。

3.4.2 误区二：盲目追求复杂模型

在Ethos-U上部署时，模型复杂度与检测性能需要平衡。一个包含数百万参数的深度网络可能在GPU上表现优异，但在NPU上可能无法满足实时性要求。建议遵循“最小有效模型”原则：从简单模型开始，逐步增加复杂度，直到满足性能指标。

3.4.3 误区三：忽略量化对异常检测的影响

INT8量化会引入信息损失，对于重构误差类指标影响尤为明显。在部署前，必须使用Vela编译器进行量化感知训练（QAT），并在目标硬件上验证量化后的检测性能。建议在量化前后分别计算AUC指标，确保性能下降不超过2%。

学习范式	数据需求	模型复杂度	NPU部署建议	典型应用
监督	正常+异常标注	中-高	使用深度可分离卷积	已知故障模式检测
半监督	仅正常数据	低-中	自编码器结构	未知故障发现
无监督	无标注	低	特征提取+聚类	数据探索、预筛选

3.4.4 总结复盘

本章的核心要点可以归纳为：异常类型决定了检测策略，学习范式决定了数据利用方式，而NPU部署约束决定了模型实现形式。在实际项目中，建议按照以下流程推进：首先进行数据探索，明确异常类型；然后评估数据标注情况，选择学习范式；接着设计轻量级模型，进行量化感知训练；最后在Ethos-U上验证性能，并根据实际运行数据持续优化。记住，在TinyML场景中，简单、鲁棒、低功耗往往比追求极致准确率更重要。