2. 边缘计算与AI基础

在边缘AI传感数据预处理的学习路径中，理解边缘计算与人工智能的基础概念是后续所有工程实践的前提。本节围绕边缘计算定义、边缘AI架构、传感器类型、数据采集流程与边缘部署约束五个核心知识点展开，帮助读者建立从“数据产生”到“模型推理”的完整认知框架。

一、边缘计算的定义与价值

边缘计算（Edge Computing）是指在靠近数据源或用户终端的网络边缘侧，就近提供计算、存储与网络服务的分布式计算范式。与传统的“终端采集—云端处理”模式不同，边缘计算将部分或全部计算任务下沉到网关、边缘服务器、嵌入式设备等靠近现场的节点上执行。

其核心价值体现在三个方面：低时延，数据无需长途传输到云端，响应时间从数百毫秒降至毫秒级；低带宽，原始数据在本地完成过滤与压缩，仅上传关键特征或事件；高可靠与隐私保护，即使网络中断，本地推理仍可运行，敏感数据不必离开现场。

二、边缘AI架构

边缘AI（Edge AI）是将人工智能模型部署在边缘设备上执行推理的技术体系。典型的边缘AI架构自下而上可分为四层：

• 感知层：由各类传感器、摄像头、麦克风等组成，负责原始信号采集。
• 边缘节点层：包括MCU、SoC、边缘网关、NPU加速卡等，承担数据预处理、特征提取与模型推理。
• 边缘管理层：负责设备管理、模型下发、OTA升级、日志与监控。
• 云中心层：完成大规模模型训练、数据标注、全局优化与知识沉淀。

下图展示了边缘AI架构中数据流与模型流的协同关系：

三、传感器类型与数据特征

边缘AI系统所处理的传感数据种类繁多，不同传感器输出的数据形态、采样率与预处理方式差异显著。常见类型包括：

四、数据采集流程

从物理信号到可供AI模型使用的数据，边缘侧的数据采集流程通常包含以下环节：

1. 信号感知：传感器将物理量转换为模拟电信号。
2. 模数转换：通过ADC将模拟信号量化为数字序列，需关注采样率与量化位数。
3. 数据缓冲：利用环形缓冲区或DMA机制暂存数据，避免丢帧。
4. 预处理：执行滤波、去噪、归一化、分帧、特征提取等操作。
5. 推理输入：将预处理后的张量送入模型执行推理。
6. 结果输出：输出分类、检测或回归结果，触发本地决策或上传云端。

以下是一个典型的边缘数据采集与预处理伪代码示例：

# 边缘节点数据采集与预处理流程
import numpy as np
from scipy import signal

def edge_pipeline(sensor_stream, fs=16000):
    # 1. 环形缓冲读取一帧数据
    frame = sensor_stream.read_frame(size=1024)
    
    # 2. 带通滤波去除工频与高频噪声
    b, a = signal.butter(4, [50, 4000], btype='band', fs=fs)
    filtered = signal.filtfilt(b, a, frame)
    
    # 3. 归一化到 [-1, 1]
    normalized = filtered / (np.max(np.abs(filtered)) + 1e-8)
    
    # 4. 分帧加窗，提取MFCC特征
    mfcc = extract_mfcc(normalized, fs=fs, n_mfcc=13)
    
    # 5. 送入TFLite模型推理
    result = interpreter.invoke(mfcc)
    return result

五、边缘部署约束与误区复盘

边缘设备与云端服务器在资源上存在数量级差异，部署AI模型时必须正视以下约束：

• 算力受限：MCU主频通常为几十到几百MHz，NPU算力在0.5～10 TOPS之间，无法运行大型Transformer。
• 内存受限：RAM常在几十KB到几MB，模型参数量与中间激活值必须严格控制。
• 功耗受限：电池供电设备要求毫瓦级功耗，需采用事件驱动与休眠唤醒机制。
• 存储受限：Flash容量有限，模型需量化压缩，日志需滚动覆盖。
• 环境约束：宽温、振动、电磁干扰等工业现场条件对硬件可靠性提出更高要求。

复盘一个典型工业振动监测场景：某电机故障诊断系统原方案将原始振动数据全部上传云端，带宽占用高且告警延迟达3秒。改为边缘方案后，在网关侧完成FFT与包络谱计算，仅上传特征向量与异常标志，带宽降低95%，告警延迟降至200毫秒以内，同时模型通过OTA定期从云端更新，实现了精度与实时性的平衡。

掌握边缘计算与AI基础，是后续学习传感数据滤波、特征工程、模型量化与部署优化的基石。只有在理解架构分层、数据流向与资源约束的前提下，才能设计出真正可落地的边缘AI预处理方案。