Edge Impulse的异常检测与预测维护
去年帮一家工厂做电机振动监测，现场PLC采集的数据送到云端分析，延迟大到让人崩溃——轴承已经磨出火星了，报警才姗姗来迟。后来把模型直接部署到STM32上，用Edge Impulse的异常检测引擎做实时推理，延迟从秒级降到毫秒级。今天聊聊这套工具链里最容易被低估的两个功能：异常检测和预测维护。
异常检测不是“分类”的变种
很多人以为异常检测就是“正常vs异常”的二分类，这是第一个坑。工业场景里异常模式千奇百怪，你永远不知道下一个故障长什么样。Edge Impulse的异常检测模块用的是无监督学习，只学正常数据的分布，任何偏离这个分布的行为都算异常。我调试电机数据时，正常振动频谱有固定的基频和倍频特征，模型学到的其实是“正常空间”的边界——超出边界就触发报警。
在Edge Impulse Studio里创建项目后，记得在“Impulse design”阶段勾选“Anomaly detection”块。这里有个细节：特征提取器建议用“Spectral features”，对旋转机械的振动信号特别敏感。我试过用“Raw data”直接喂，效果差到离谱，高频噪声全被当成异常了。
数据标注的潜规则
异常检测不需要标注“异常”样本，但正常样本的质量决定成败。采集正常工况数据时，要覆盖所有“正常”状态：空载、满载、不同转速、不同温度。我踩过最深的坑是只采集了25℃下的正常数据，结果夏天车间温度升到40℃，模型把热膨胀导致的微小振动偏移全判成异常——误报
