4. 灵敏度调整策略：静态阈值法、动态自适应阈值法、机器学习辅助阈值法

聊到堵转检测的灵敏度，说白了就是怎么定那个「触发线」。线定高了，电机都卡死半天了你还没报警，这叫漏报；线定低了，负载稍微波动一下它就乱叫，这叫误报。我这些年调过的项目，十有八九的坑都出在这个平衡点上。

这一章咱们就掰开揉碎，把三种主流的阈值设定策略讲透。从最基础的静态阈值，到能自动跟着工况跑的动态自适应，再到最近开始冒头的机器学习辅助方案。每种方法我都会结合实战经验，告诉你它适合什么场景、有什么坑。

4.1 静态阈值法：最朴素但最可靠的基础方案

静态阈值法，就是给电流、转速或者功率设一个固定值。超过它就判堵转，没超过就正常跑。听起来简单吧？但就是这种简单的方法，在工业现场占了至少六成以上的应用。

我习惯把静态阈值分成两类：绝对阈值和相对阈值。

静态阈值法的实现代码也很直接。下面是一个基于电流采样的例子：

/* 静态阈值法堵转检测 */
#define STALL_CURRENT_THRESHOLD  3.5f   /* 堵转电流阈值，单位A */
#define STALL_TIME_THRESHOLD_MS  200    /* 持续堵转时间阈值，单位ms */

uint8_t StallDetect_Static(float phase_current, uint32_t timestamp_ms)
{
    static uint32_t stall_start_time = 0;
    static uint8_t  stall_flag = 0;
    
    if (phase_current > STALL_CURRENT_THRESHOLD)
    {
        if (stall_flag == 0)
        {
            stall_start_time = timestamp_ms;
            stall_flag = 1;
        }
        else if ((timestamp_ms - stall_start_time) > STALL_TIME_THRESHOLD_MS)
        {
            return 1;   /* 确认堵转 */
        }
    }
    else
    {
        stall_flag = 0; /* 电流回落，清除标志 */
    }
    
    return 0;
}

4.2 动态自适应阈值法：让阈值跟着工况跑

静态阈值搞不定的场景，说白了就是负载变化太大。比如工业机器人，空载时电流才2A，抓起工件瞬间冲到8A。你要是把阈值设在6A，空载堵转漏报；设在4A，抓工件时误报。怎么办？让阈值自己学会「看情况」。

动态自适应阈值法的核心思路就一句话：用最近一段时间的电流统计量，实时更新阈值。我常用的方案是滑动窗口均值加上一个偏移量。

具体做法分三步：

1. 维护一个滑动窗口，比如存最近100个电流采样值
2. 计算窗口内的统计量，最常用的是均值 + 标准差
3. 动态生成阈值：阈值 = 均值 + K × 标准差

这里的K值很关键。K太小，阈值太敏感，容易误报；K太大，阈值太迟钝，容易漏报。我一般从K=3开始试，然后根据现场反馈微调。

/* 动态自适应阈值法 - 滑动窗口实现 */
#define WINDOW_SIZE     100
#define K_FACTOR        3.0f

typedef struct {
    float buffer[WINDOW_SIZE];
    int   index;
    float sum;
    float sum_sq;
} SlidingWindow;

void Window_Update(SlidingWindow *win, float new_val)
{
    float old_val = win->buffer[win->index];
    win->buffer[win->index] = new_val;
    win->index = (win->index + 1) % WINDOW_SIZE;
    
    win->sum    += (new_val - old_val);
    win->sum_sq += (new_val*new_val - old_val*old_val);
}

float Window_GetThreshold(SlidingWindow *win)
{
    float mean = win->sum / WINDOW_SIZE;
    float variance = (win->sum_sq / WINDOW_SIZE) - (mean * mean);
    float std = sqrtf(variance > 0 ? variance : 0);
    
    return mean + K_FACTOR * std;
}

动态自适应阈值法有几个参数需要调：

4.3 机器学习辅助阈值法：当规则搞不定时，让数据说话

说实话，大部分场景用动态自适应就够了。但有些工况实在太复杂——比如电梯门机，负载随门的位置、速度、温度、磨损程度都在变。你写规则写到吐血，还是会有漏网之鱼。这时候就该考虑机器学习辅助了。

注意我说的是「辅助」，不是「替代」。机器学习在堵转检测里的角色，是帮你找到一个更精准的阈值边界，而不是完全取代传统的检测逻辑。

我常用的做法是：提取特征 → 训练分类器 → 输出动态阈值系数。

特征一般选这几个：

• 电流的均值、峰值、有效值
• 电流的上升速率（di/dt）
• 转速的波动幅度
• 功率因数角的变化

分类器我推荐用轻量级的，比如决策树或逻辑回归。别一上来就上神经网络，嵌入式平台扛不住。下面是一个用逻辑回归做阈值辅助决策的伪代码：

/* 机器学习辅助阈值 - 逻辑回归示例 */
/* 特征向量: [电流均值, 电流峰值, di/dt, 转速波动] */

float features[4];
float weights[4] = {0.35, 0.25, 0.20, 0.20};  /* 训练得到的权重 */
float bias = -1.2f;

float StallProbability(float *feat)
{
    float z = bias;
    for (int i = 0; i < 4; i++)
        z += weights[i] * feat[i];
    
    /* Sigmoid函数，输出0~1的概率值 */
    return 1.0f / (1.0f + expf(-z));
}

/* 使用概率值动态调整阈值 */
float GetAdaptiveThreshold(float base_threshold, float *features)
{
    float prob = StallProbability(features);
    /* 概率高时降低阈值，提高灵敏度 */
    return base_threshold * (1.0f - 0.3f * prob);
}

4.4 三种策略的对比与选型建议

说了这么多，到底该用哪种？我整理了一个对比表，方便你快速决策：