4. 特征工程与降维
TinyML振动异常检测的板级验证环节中，原始加速度计或麦克风采集到的信号往往包含大量冗余信息。若直接将高维原始波形送入MCU上的轻量级模型，不仅会耗尽有限的Flash与RAM资源，还会因噪声干扰导致误判率上升。特征工程的核心目标是将一段时域波形转化为一组具有物理意义、对异常敏感且计算开销可控的数值向量。本章将围绕时域特征、频域特征以及特征选择与降维方法展开，帮助你在板级资源约束下构建高效、鲁棒的振动特征管道。
上图展示了从原始振动信号到TinyML模型部署的完整特征工程链路。在板级验证阶段，我们需要同时关注特征提取的计算开销与特征向量的判别能力。下面将从时域特征、频域特征、特征选择与降维三个层面展开详细讲解。
4.1 时域特征：均值、方差与峰值
时域特征直接对采样点序列进行统计计算，具有计算简单、物理意义明确的优点，非常适合在MCU上实时运行。对于一段长度为N的振动信号x[n]，常用时域特征包括：
- 均值（Mean）：反映信号的直流分量或静态偏移。在旋转机械中，均值异常可能暗示轴心偏移或传感器安装松动。
- 方差（Variance）：衡量信号波动程度，即振动能量在时域的体现。方差突然增大通常对应冲击、摩擦或部件松动。
- 峰值（Peak）：窗口内最大绝对值，对瞬时冲击敏感，但易受噪声干扰，常与均方根值结合使用。
- 峭度（Kurtosis）：描述信号分布形态的陡峭程度，正常轴承振动近似高斯分布（峭度≈3），出现故障时峭度显著升高。
- 波形因子（Form Factor）：RMS与整流平均值的比值，用于区分不同类型的振动波形。
在板级实现时，需要注意均值计算会引入直流偏置，若传感器输出含有直流分量，应在特征提取前进行去均值处理。方差计算需要两次遍历数据（先求均值再求方差），在内存受限的MCU上可采用Welford在线算法，只需单次遍历即可同时更新均值和方差。
4.2 频域特征：FFT与频谱能量
频域特征通过快速傅里叶变换（FFT）将时域信号转换到频域，能够揭示振动信号的频率成分分布。对于旋转机械，不同故障类型（如轴承内圈故障、外圈故障、齿轮断齿）会在特定频率处产生特征峰值。常用频域特征包括：
- FFT频谱：直接输出各频率分量的幅值或功率谱密度。在板级实现时，通常使用基-2 FFT算法，要求采样点数N为2的幂次（如256、512、1024）。
- 频谱能量（Spectral Energy）：对指定频带内的幅值平方求和，反映该频带的振动强度。例如，轴承故障特征频率附近的能量占比是重要指标。
- 主频幅值（Dominant Frequency Amplitude）：频谱中最大幅值对应的频率及其幅值，用于监测转速变化或共振现象。
- 谱质心（Spectral Centroid）：频谱的“重心”频率，反映信号频率分布的集中趋势。
- 频带能量比：将频谱划分为低频（0-1kHz）、中频（1-5kHz）、高频（5-10kHz）等子带，计算各子带能量占总能量的比例。
在TinyML场景中，FFT计算是主要开销。以1024点FFT为例，Cortex-M4内核运行CMSIS-DSP库的FFT函数大约需要2-5ms，功耗约10-20mW。若采样率为4kHz，窗口长度为1024点，则每256ms可完成一次FFT计算，满足大多数工业振动监测的实时性要求。
| 特征类型 | 计算复杂度 | 物理意义 | 板级适用性 |
|---|---|---|---|
| 均值 | O(N) | 直流偏置、静态偏移 | 极高，单次遍历 |
| 方差 | O(N) | 振动波动程度 | 高，Welford算法 |
| 峰值 | O(N) | 瞬时冲击强度 | 高，需注意噪声 |
| 峭度 | O(N) | 分布形态异常 | 中，需乘方运算 |
| FFT频谱 | O(N log N) | 频率成分分布 | 中，需CMSIS-DSP库 |
| 频谱能量 | O(N) | 频带振动强度 | 高，FFT后累加 |
4.3 特征选择与降维方法
原始特征集可能包含数十个特征，但并非所有特征都对异常检测有贡献。冗余特征不仅增加计算负担，还可能导致模型过拟合。特征选择与降维的目标是在保持判别能力的前提下，最小化特征维度。常用方法分为三类：
- Filter（过滤法）：基于统计指标（如相关系数、互信息、方差阈值）独立评估每个特征，不依赖具体模型。计算简单，适合板级快速筛选。例如，剔除方差接近零的常数特征，或删除与目标变量相关系数低于0.1的特征。
- Wrapper（包装法）：通过训练模型评估特征子集的性能，如递归特征消除（RFE）。精度较高但计算开销大，适合离线训练阶段使用，不适用于板级在线运行。
- Embedded（嵌入法）：在模型训练过程中自动进行特征选择，如决策树的特征重要性、L1正则化。训练完成后可直接输出特征权重，便于部署时只保留权重非零的特征。
降维方法中，主成分分析（PCA）是最常用的线性降维技术。PCA通过正交变换将原始特征投影到新的坐标系，保留方差最大的主成分。在TinyML场景中，PCA通常离线计算变换矩阵，然后在MCU上仅执行矩阵乘法即可完成降维。例如，将20维特征降至5维，只需存储一个20×5的变换矩阵（约400字节），计算量仅为100次乘加运算。
4.4 案例拆解：电机轴承故障检测的特征管道优化
某工业电机监测项目需要部署TinyML模型到STM32L4系列MCU（192KB RAM，1MB Flash），检测轴承早期故障。初始方案提取了12个特征（5个时域+7个频域），模型为两层全连接神经网络，但板级验证时发现以下问题：
- 内存占用超标：12个特征加上模型权重共占用约8KB RAM，接近MCU可用内存上限。
- 推理延迟过高：每次推理需要约35ms，无法满足50ms的实时监测周期要求。
- 误报率偏高：在正常工况下，由于特征冗余导致模型对微小噪声过度敏感。
优化过程如下：
- 特征筛选：使用Filter方法计算每个特征与故障标签的互信息，剔除互信息低于0.05的4个特征（包括均值、波形因子、谱质心、高频能量比）。
- PCA降维：对剩余8个特征进行PCA分析，发现前3个主成分累计方差贡献率达92%。将特征维度降至3维，变换矩阵仅需3×8=24个浮点数（96字节）。
- 模型简化：将神经网络输入层从12维改为3维，隐藏层节点从32减至16，模型参数量减少约70%。
- 定点量化：将PCA变换矩阵和模型权重量化为Q15格式，推理过程全部使用整数运算。
优化后，内存占用降至2.1KB，推理延迟降至8ms，误报率从4.2%降至1.8%。更重要的是，由于特征维度降低，模型在MCU上的功耗从12mW降至5mW，电池供电场景下续航时间延长一倍以上。
4.5 常见误区与总结复盘
在板级特征工程实践中，工程师常陷入以下误区：
- 过度追求特征数量：认为特征越多模型越准，忽略了MCU的资源限制。实际上，特征维度超过10个后，精度提升趋于饱和，而内存和功耗开销线性增长。
- 忽略采样率与窗口长度的匹配：FFT的频率分辨率等于采样率除以窗口长度。若采样率4kHz、窗口256点，频率分辨率为15.6Hz，可能无法区分相邻的故障特征频率。应根据目标故障频率范围合理选择窗口长度。
- 直接使用浮点特征：在无FPU的低端MCU上，浮点运算会消耗大量CPU周期。应优先使用定点格式或CMSIS-DSP库的优化函数。
- 忽视特征的时间稳定性：振动信号具有非平稳特性，单一窗口的特征可能波动较大。建议采用滑动窗口并计算多个窗口的特征均值，提高稳定性。
总结本章要点：时域特征适合快速粗筛，频域特征能揭示故障机理，特征选择与降维是板级部署的关键优化步骤。在实际项目中，应遵循“先离线分析、后板级验证”的流程：在PC端使用完整数据集进行特征分析和模型训练，确定最优特征子集后，再移植到MCU上进行定点化实现和实时验证。通过合理的特征工程，TinyML振动异常检测模型可以在资源受限的硬件上实现高精度、低延迟的可靠运行。