3. 异常检测概述

异常检测（Anomaly Detection）是Edge AI（边缘人工智能）落地中最具商业价值的技术方向之一。在工业现场、家庭环境和随身设备中，传感器持续产生高维时间序列数据，而“异常”往往意味着设备故障、安全威胁或健康风险。与云端集中式处理不同，Edge AI要求在资源受限的MCU或嵌入式Linux平台上实时完成异常识别，这对算法的计算复杂度、内存占用和鲁棒性提出了严苛要求。本章将系统梳理异常检测的核心概念，深入剖析三类基本异常模式，并围绕工业预测性维护、智能家居和可穿戴设备三大典型场景，讨论检测难点与工程应对策略。

异常检测的本质是“对正常行为的建模”与“对偏离行为的量化”。在Edge AI场景中，我们不仅要回答“是否异常”，还要回答“异常程度如何”以及“是否需要立即响应”。这要求算法具备可解释性、低延迟和自适应能力。

3.1 异常检测的核心原理与数学基础

异常检测的核心原理可以概括为：建立正常行为的概率分布或距离度量，将偏离该分布的样本判定为异常。从统计视角看，异常是“由不同机制产生的数据点”，其生成过程与正常数据存在显著差异。在传感器数据中，正常行为通常表现为平稳的统计特性（均值、方差、频谱）或稳定的时序模式（周期性、趋势性）。

常用的数学工具包括：

• 统计阈值法：基于均值±k倍标准差（如3σ原则），适用于单变量高斯分布假设。
• 距离度量法：欧氏距离、马氏距离、动态时间规整（DTW）距离，用于衡量样本与正常簇中心的偏离程度。
• 密度估计法：核密度估计（KDE）、局部离群因子（LOF），捕捉局部密度突变。
• 预测误差法：使用ARIMA、LSTM等模型预测下一时刻值，将预测残差作为异常分数。

在Edge AI中，我们更倾向于轻量级方法：滑动窗口统计、指数加权移动平均（EWMA）、基于直方图的密度估计等。这些方法计算量小，适合在MCU上实时运行。

3.2 异常类型的深入剖析

理解异常类型是设计检测算法的前提。不同类型的异常需要不同的特征提取方式和判定策略。

3.2.1 点异常（Point Anomaly）

点异常是指单个数据点相对于整体分布出现显著偏离。例如，工业振动传感器在正常运行时输出0.1~0.3g的加速度值，突然出现一个5.2g的尖峰，这可能是轴承碎裂或碰撞事件。点异常检测相对简单，但容易受噪声干扰，需要设置合理的阈值和去抖机制。

3.2.2 上下文异常（Contextual Anomaly）

上下文异常是指数据点在特定上下文中异常，但在全局范围内可能正常。例如，智能家居中的功耗传感器：夜间2点功耗突然从5W升至200W，这可能是异常（如电器故障），但同样的200W功耗在白天做饭时段完全正常。上下文异常检测必须考虑时间窗口、周期性模式和环境变量。

3.2.3 集合异常（Collective Anomaly）

集合异常是指一组连续数据点作为一个整体表现出异常模式，但单个点可能都在正常范围内。例如，可穿戴设备的心率传感器：连续30秒心率从70bpm缓慢爬升至120bpm，每个点都在正常范围（60~100bpm）之外，但整体趋势异常，可能预示心律失常。集合异常检测需要分析序列的形态特征，如趋势、斜率、频谱变化。

3.3 检测难点与工程挑战

在Edge AI环境中，异常检测面临比云端更复杂的挑战，这些难点直接影响算法选型和系统设计。

3.3.1 标注稀缺与类别不平衡

工业设备90%以上的时间处于正常运行状态，异常样本可能只占0.01%甚至更少。这导致监督学习难以直接应用，必须依赖半监督或无监督方法。工程上常用的策略是：使用正常数据训练自编码器或One-Class SVM，将重构误差作为异常分数。

3.3.2 非平稳性与概念漂移

传感器数据往往随工况变化而漂移。例如，机床在切削不同材料时振动基线不同；智能家居在冬夏季节的温湿度基线不同。如果模型不更新，误报率会随时间急剧上升。解决方案包括：滑动窗口自适应阈值、在线学习算法（如增量式孤立森林）、定期模型重训练。

3.3.3 资源约束与实时性

Edge设备通常只有几百KB内存和几十MHz主频，无法运行复杂的深度学习模型。例如，STM32F4系列MCU只有192KB RAM，而一个LSTM模型动辄需要数MB参数。工程上需要采用模型量化、特征降维、轻量级算法（如决策树、随机森林的嵌入式版本）来满足实时性要求。

3.4 应用场景深度解析

异常检测在三大场景中具有不同的技术侧重点和业务价值，下面逐一展开。

3.4.1 工业预测性维护

工业场景是异常检测最成熟的应用领域。通过在旋转机械（电机、泵、压缩机）上部署加速度传感器和温度传感器，实时监测设备健康状态。核心挑战在于：早期故障信号微弱，往往淹没在正常振动和噪声中。工程实践中，通常采用频域特征（如FFT频谱的特定频带能量）而非时域原始值进行异常检测。

一个典型的案例是某化工厂的循环水泵预测性维护项目：

• 背景与约束：水泵转速3000rpm，振动传感器采样率20kHz，MCU为Cortex-M7，内存512KB，要求检测延迟小于100ms。
• 初始现象：设备在正常运行3个月后，振动幅值缓慢上升，但未超过厂家报警阈值（4.5mm/s）。
• 关键数据：采集到1kHz~5kHz频段的振动能量从0.02g²逐渐升至0.08g²，同时温度从65℃升至72℃。
• 分析判断：使用滑动窗口（窗口大小1024点，步长512点）计算频带能量，并采用EWMA平滑。设定自适应阈值为正常基线均值的3倍标准差。
• 实际操作：在Edge设备上实现FFT（256点）和频带能量计算，每50ms输出一个异常分数。当异常分数连续5次超过阈值时触发预警。
• 结果对比：提前7天检测到轴承早期磨损，避免了非计划停机。相比传统阈值法，误报率降低60%，提前预警时间从0天提升至7天。
• 风险与代价：初期因阈值设置过紧导致3次误报，后通过增加“连续N次超阈值”的去抖机制解决。
• 复盘经验：频域特征比时域特征更稳定；自适应阈值必须考虑工况变化；去抖机制是减少误报的关键。

3.4.2 智能家居

智能家居中的异常检测主要应用于安全监控（入侵检测）、设备故障（冰箱、空调）和能源管理。传感器类型包括门窗磁传感器、人体红外（PIR）、电流互感器（CT）和温湿度传感器。核心难点在于用户行为的高度个性化：每个家庭的作息规律不同，同一家庭在不同季节的行为模式也不同。

例如，智能电表检测“异常用电”时，需要区分“家庭成员加班导致的用电增加”和“线路漏电导致的持续电流”。这需要结合时间上下文（工作日vs周末、白天vs夜晚）和空间上下文（哪个房间的电器在运行）。

3.4.3 可穿戴设备

可穿戴设备（智能手表、健康手环）中的异常检测聚焦于生命体征监测：心率、血氧饱和度（SpO2）、皮肤温度、步态。这些数据具有强周期性（心率随运动变化）和个体差异性（静息心率60~100bpm）。检测难点在于：运动伪影干扰——用户跑步时心率自然升高，但算法可能误判为心动过速。

解决方案是引入多传感器融合：结合加速度计数据判断用户是否在运动，只有在静止状态下才触发心率异常报警。此外，可穿戴设备的电池容量有限（通常100~300mAh），算法必须极低功耗，通常采用事件驱动模式：仅在检测到潜在异常时才唤醒主处理器进行详细分析。

3.5 常见误区与总结复盘

在异常检测项目的实际落地中，工程师常犯以下错误，需要特别注意规避：

总结本章内容，异常检测的核心在于理解异常类型、匹配检测策略、应对工程挑战。在Edge AI场景中，我们强调“轻量、实时、自适应”三大原则。下表对比了不同异常类型在三大场景中的典型表现和推荐算法：