1. 课程导入

欢迎来到《Edge AI时序数据缺失值处理与异常检测》课程。在正式开始技术细节之前，我们需要先建立共同的认知框架：什么是Edge AI？什么是时序数据？为什么这两者的结合会带来独特的数据处理挑战？本章作为全课程的基石，将系统性地梳理这些核心概念，明确学习目标与课程结构，并深入剖析边缘场景下时序数据面临的真实困境。只有理解了"为什么"，后续的"怎么做"才有意义。

1.1 学习目标与课程结构

核心原理：从问题出发的学习路径

本课程并非单纯的理论堆砌，而是围绕一条清晰的主线展开：边缘设备上的时序数据，如何在不完美的现实条件下，依然能够支撑可靠的智能决策？ 这条主线贯穿三个层次：第一层是认知层，理解Edge AI与时序数据的基本属性；第二层是方法层，掌握缺失值处理与异常检测的核心算法；第三层是工程层，学会在资源受限的硬件上部署与优化这些算法。

完成本章及后续全部内容后，学习者应当能够达到以下目标：

• 概念理解：准确描述Edge AI的架构特征、时序数据的本质属性，以及两者结合时产生的独特问题。
• 技术掌握：熟练运用至少3种缺失值填补方法和3种异常检测算法，并理解其适用边界。
• 工程实践：能够在典型的边缘硬件（如ARM Cortex系列、ESP32、Jetson Nano）上，使用C/C++或MicroPython实现轻量级的数据处理流水线。
• 系统思维：能够针对具体的工业或消费级场景，设计完整的数据质量保障方案，并评估其性能与代价。

判断方法或操作流程：课程模块导航

全课程共30章，分为五个渐进式模块。下表展示了各模块的核心主题与学习重点，帮助你在学习过程中建立全局观：

1.2 Edge AI与时序数据的基本概念

核心原理：定义与边界

Edge AI（边缘人工智能） 指的是在靠近数据源头的网络边缘侧（如传感器、网关、嵌入式设备）直接运行机器学习或深度学习模型，而非将数据全部上传至云端处理。其核心动机在于降低延迟、保护隐私、节省带宽，并支持离线运行。典型的Edge AI设备包括工业PLC、智能摄像头、可穿戴手环、车载计算单元等。

时序数据（Time Series Data） 是按照时间顺序排列的观测值序列，相邻数据点之间存在时间相关性。与普通静态数据不同，时序数据具有三个关键属性：时间顺序性（顺序不可打乱）、自相关性（当前值受历史值影响）、趋势与季节性（长期变化与周期性波动）。在边缘场景中，时序数据通常以固定采样率（如1Hz、100Hz）从传感器持续产生。

当Edge AI与时序数据结合时，产生了一个核心矛盾：边缘设备资源有限，但时序数据的处理往往需要记忆历史信息。这要求算法必须在"轻量"与"有效"之间取得平衡。例如，一个简单的滑动窗口均值填补方法在边缘设备上运行良好，但面对长时间连续缺失时效果不佳；而LSTM模型虽然精度高，但参数量大，难以直接部署在MCU上。

判断方法或操作流程：识别边缘时序数据的关键特征

在实际项目中，判断一个场景是否属于"Edge AI时序数据处理"范畴，可以依据以下流程进行快速评估：

1. 数据产生位置：数据是否在物理世界的边缘节点产生（而非云端数据库）？
2. 实时性需求：从数据产生到决策响应，是否要求毫秒级或秒级延迟？
3. 网络条件：边缘设备与云端之间的网络是否稳定、带宽是否有限？
4. 数据形态：数据是否以时间序列形式持续到达，且顺序敏感？
5. 资源约束：设备是否受限于功耗、内存、算力，无法运行大模型？

如果以上五个问题的答案多为"是"，那么该场景就是本课程关注的核心对象。

案例拆解或实战场景：工业旋转机械的振动监测

让我们通过一个具体场景来加深理解。假设某工厂在关键旋转设备（如离心泵）上安装了加速度传感器，以2kHz的采样率采集振动信号，用于预测性维护。该系统的架构如下：

• 边缘节点：STM32H7系列MCU，内置Cortex-M7内核，主频480MHz，RAM 1MB，Flash 2MB。
• 数据流：传感器 → 模拟前端 → ADC → DMA → 内存环形缓冲区 → 特征提取 → 异常检测模型 → 告警/上传。
• 约束条件：设备功耗限制在1W以内；无法持续向云端传输原始波形（带宽不足）；要求故障检测延迟不超过100ms。

在这个场景中，工程师面临两个典型问题：一是传感器偶尔因电磁干扰或接触不良产生数据缺失（表现为零值或NaN），二是设备早期故障表现为振动信号中的微弱异常模式。如果简单地将缺失数据置零，会严重干扰后续的频域特征计算；如果将所有原始数据上传云端处理，则无法满足实时性要求。这正是本课程要解决的核心问题——在MCU上完成缺失值的在线填补与异常模式的实时识别。

常见误区或总结复盘