基于自编码器的工业设备无监督异常检测：从特征工程到STM32嵌入式部署

1. 项目概述与核心价值

在燃气轮机这类高价值、高可靠性的工业心脏中，燃油泵的健康状况直接关系到整个动力系统的生死存亡。想象一下，一个微小的、不易察觉的早期故障，比如泵内微小的气蚀或轴承的初期磨损，如果未能被及时发现，最终可能导致推力骤降、燃烧不稳定，甚至灾难性的停机。然而，现实情况是，这类关键部件的真实故障数据极其稀缺，我们不可能为了训练一个模型而故意让昂贵的设备发生故障。这正是无监督异常检测技术大显身手的地方：我们不需要知道“坏”是什么样子，只需要教会模型“好”是什么样子。

这个项目，就是一次从理论到实践的深度探索。我们面对的是一个典型的工业级难题：如何利用有限且仅有正常工况数据的真实运行日志，为燃气轮机BLDC燃油泵构建一个可靠的“健康哨兵”，并最终将其塞进一个资源极其有限的STM32微控制器里，实现毫秒级的实时在线监测。这不仅仅是算法问题，更是一个系统工程问题，涉及到数据采集、特征工程、模型设计、阈值校准，以及最终的嵌入式部署。本文将详细拆解这个从数据集到部署的全栈式流水线，分享我们在特征设计、模型轻量化、阈值策略以及嵌入式实现上的实战经验与踩过的坑，希望能为从事工业设备状态监测和边缘AI落地的同行提供一份可复现的参考。

2. 核心思路与方案选型

2.1 为什么选择自编码器？

在众多无监督异常检测方法中，我们最终选择了自编码器（Autoencoder）作为核心模型，这背后是基于对问题特性和部署环境的综合考量。

首先，我们的核心约束是数据。我们拥有的是来自多台发动机、多年测试积累的真实运行数据，但其中绝大部分是正常工况，故障和近故障数据极少，且形态各异。传统的监督学习方法（如分类器）在此数据条件下基本不可行。像支持向量机（SVM）、随机森林等模型虽然也能用于异常检测（如One-Class SVM），但它们通常更侧重于找到一个能包裹住正常数据的边界，对于学习复杂、高维的正常行为“流形”（Manifold）的能力相对较弱。

自编码器的核心思想是通过一个“编码-解码”的过程，强迫网络学习输入数据的一个紧凑的、有意义的表示（即潜在空间）。在训练时，我们只用正常数据，让模型学会如何完美地重建正常样本。当输入一个异常样本时，由于其特征分布偏离了训练时学到的正常流形，解码器将无法准确重建它，从而产生较高的重建误差。这个误差值，就是我们判断异常的分数。

与PCA（主成分分析）这类线性降维方法相比，自编码器作为神经网络，具备强大的非线性映射能力。BLDC燃油泵是一个强耦合的电-机-液系统，其信号（电流、电压、转速）之间的关系是非线性的，且受负载、温度、油门瞬变等多种因素影响。一个浅层的非线性自编码器，能够更好地捕捉这种复杂动态下的正常行为模式。

2.2 为什么是“手工特征 + 轻量网络”的混合路线？

你可能会问，既然深度学习这么强大，为什么不直接把原始时间序列信号（比如电流波形）扔进一个一维卷积神经网络（1D-CNN）或长短时记忆网络（LSTM）里，让模型自动学习特征呢？这是一个非常好的问题，也是我们初期反复权衡的关键。

选择手工特征的核心原因在于部署场景和可解释性。

1. 计算资源与实时性：我们的目标是部署在STM32F4这类典型的工业MCU上。这类芯片主频通常在100-200MHz，内存以KB计。一个能直接处理高采样率原始信号的深度CNN或LSTM，其参数量和计算量对于MCU来说是难以承受的。手工特征将高维的、冗余的原始信号压缩成几十个有明确物理意义的标量（如均值、方差、能量、相关性），极大地降低了模型输入维度。
2. 低采样率的适配性：我们的数据采样率是25Hz，这对于捕捉电机高频谐波或振动细节来说是不够的。在这种“信息有限”的条件下，基于领域知识精心设计的手工特征，比让模型从“粗糙”的原始信号中盲目学习，往往能更稳定、更高效地提取出与故障相关的关键信息。例如，气蚀会导致压力脉动，进而引起电流信号的周期性波动和能量变化，这些信息可以通过计算信号的RMS、波峰因子和自相关特征来有效捕捉。
3. 可解释性与工程信任：在航空、能源等安全关键领域，模型的决策过程需要一定的可解释性。当系统报警时，工程师如果能追溯到是“电流信号的波峰因子突然升高”或“转速微分方差异常增大”，会比看到一个神秘的“神经元激活值”更有信心去排查问题。手工特征建立了模型输出与物理现象之间的桥梁。

因此，我们采取了“领域知识驱动特征工程 + 轻量自编码器进行非线性表征学习”的混合策略。特征工程负责将原始信号转化为信息密度更高、更适用于异常检测的表示；自编码器则负责在这个特征空间中，学习正常工况的复杂边界。这种分工，在资源受限和需要可靠性的边缘场景下，被证明是务实且高效的。

2.3 嵌入式优先的设计哲学

整个项目的设计是“由终至始”的。我们从一开始就明确了最终目标：在STM32上实现1Hz更新率的实时推理。这决定了技术栈的每一个选择：

• 模型规模：编码器-解码器结构必须极其轻量，最终我们采用了48 -> 32 -> 16 -> 8 -> 16 -> 32 -> 48的全连接网络，总参数量仅约4500个。
• 推理确定性：必须避免随机性操作（如Dropout），确保在任何一次运行时，相同的输入产生完全相同的输出。这对于安全监控至关重要。
• 量化部署：必须支持从训练时的FP32（32位浮点数）到部署时的INT8（8位整数）量化，以极大减少模型体积和加速计算。
• 阈值策略：不能依赖在线学习或复杂的优化算法。必须使用一个固定的、基于统计的阈值，配合简单的持久性判断逻辑（如连续K次超限才报警），来保证系统的确定性和低延迟。

这套哲学使得我们的方案与那些追求在大型服务器上刷高离线指标的研究截然不同。我们牺牲了一点理论上限的精度，换来了在真实嵌入式环境中稳定、可靠、可复现的运行能力。

3. 数据与特征工程：从原始信号到异常敏感向量

3.1 数据集构建：真实世界的复杂性与挑战

我们使用的数据集源于真实的燃气轮机测试台，包含了多台发动机、跨越数年的BLDC燃油泵运行日志。总共18个日志文件，累计运行时间近3小时。数据通过UART以25Hz的速率采集，包含相位电流、供电电压、转速（RPM）、驱动器温度和油门指令等关键变量。

这个数据集有几个显著特点，也代表了工业场景的典型挑战：

1. 数据稀缺：总数据量不大，故障数据更是凤毛麟角。这要求我们的算法必须非常“数据高效”。
2. 真实性高：所有数据，包括近故障和故障数据，都来自真实的测试运行，而非实验室注入的模拟故障。这包含了真实的噪声、干扰和系统耦合效应，生态效度高。
3. 工况复杂：数据覆盖了稳态、油门阶跃、气蚀、局部堵塞等多种场景，反映了真实的运行包线。

注意：处理这类工业时序数据，首要任务是检查数据完整性。我们遇到了少量的UART丢包和时间戳漂移。对于个别缺失点，采用前向填充插值；对于连续丢包严重的片段，则果断舍弃，避免脏数据污染特征。数据的清洁是后续所有工作的基石。

3.2 特征设计：48维特征向量的构建逻辑

我们以5秒为一个时间窗口（125个数据点），以1秒为步长滑动（80%重叠），为每个窗口计算48个手工特征。这5秒的窗口长度是经过深思熟虑的：太短（如<2秒）无法捕捉气蚀、压力脉动等慢动态过程；太长（如>10秒）则会平滑掉瞬态异常，降低检测的时间分辨率。5秒是一个平衡点，既能覆盖多个机械/电气周期，又能保持对异常事件的快速响应能力。

这48个特征分为四大类，每一类都旨在捕捉泵健康状态的某个特定方面：

3.2.1 时域统计特征这类特征描述信号的基本分布形态，对均值漂移、波动加剧等变化非常敏感。

• 中心趋势与离散度：均值、中位数、方差、标准差。例如，轴承磨损可能导致运行阻力矩缓慢增加，反映为电流均值的缓慢上升。
• 分布形状：偏度（衡量分布不对称性）、峰度（衡量分布尖锐程度）。健康信号的分布通常较为对称和稳定，而出现间歇性冲击（如轻微气蚀）时，偏度和峰度会发生变化。
• 极值与范围：最小值、最大值、峰峰值。这些特征对突发性的瞬态异常（如瞬间堵转）很敏感。
• 稳健统计：四分位距（IQR）。相比方差，IQR对 outliers 不敏感，能更稳健地衡量数据的离散程度。

3.2.2 幅值与能量特征这类特征与系统的能量状态和机械负荷直接相关。

• 均方根值：信号的有效值，直接反映了信号的平均功率。负载变化、效率下降都会导致RMS值的改变。
• 信号能量：窗口内所有样本值的平方和，是总体能量水平的度量。
• 波形指标：
  • 波峰因子：峰值与RMS值的比值。这个指标非常有用！对于正弦波，波峰因子约为1.414。当信号中出现冲击成分（如轴承点蚀、气蚀空泡溃灭）时，峰值会显著增大，导致波峰因子升高。
  • 波形因子：RMS值与绝对平均值的比值。
  • 峰值因子：峰值与绝对平均值的比值。 这些因子能有效区分不同类型的波形畸变，是旋转机械故障诊断中的经典特征。

3.2.3 动态与微分特征为了捕捉信号的瞬态行为和变化率，我们引入了基于一阶和二阶导数的特征。

• 微分均值与方差：计算信号差分序列的均值和方差。这能有效捕捉信号的“抖动”或“不平滑”程度。例如，控制器不稳定或液压脉动加剧时，电流的微分方差会增大。
• 过零率：信号穿过零点的频率。这在一定程度上反映了信号的频率成分。某些类型的故障可能导致特征频率成分的改变。
• 斜率指标：对转速和电流信号进行线性拟合，用斜率来表征其在窗口内的整体变化趋势。对于缓慢发展的故障（如渐进堵塞），这是一个潜在的前兆指标。

3.2.4 自相关与周期性特征BLDC电机和泵的运转具有内在的周期性（电周期、机械旋转周期）。故障会破坏这种周期性。

• 滞后自相关：计算信号与其自身滞后1个和2个样本的相关系数。健康信号通常具有较高的短期自相关性。当周期性被破坏（如转子不平衡加剧），自相关系数会下降。
• 归一化自相关能量：对自相关序列进行归一化后计算能量，用于量化周期性的强度。

3.2.5 特征标准化不同特征的量纲和数值范围差异巨大（例如，电流是安培级，转速是千转级）。直接输入网络会导致数值大的特征主导训练过程。我们采用Z-Score标准化：x_normalized = (x - μ_train) / σ_train。关键在于，均值μ和标准差σ必须且仅从训练集的正常数据中计算。绝对不能用包含异常的数据来计算这些参数，否则就会把异常信息“泄露”到预处理阶段，严重污染模型。

这48维特征向量，就像一个为BLDC燃油泵量身定制的“健康体检报告单”，从多个维度刻画了其运行状态。接下来，自编码器的任务就是学习这份“健康报告单”的正常模板。

4. 自编码器模型设计与训练策略

4.1 网络架构：浅层对称结构的权衡

我们的自编码器采用了经典的对称“沙漏”结构：

• 编码器：48 (输入) -> 32 -> 16 -> 8 (潜在空间)
• 解码器：8 -> 16 -> 32 -> 48 (重建输出)

为什么选择这样的结构？

1. 8维潜在空间：这是一个经验性的选择。维度太高，模型容易记住噪声而非学习本质特征；维度太低，则可能无法充分表达正常模式的复杂性。8维在压缩信息（从48维到8维，压缩比6:1）和保留关键信息之间取得了良好平衡。我们通过实验发现，将潜在维度从8降至4会导致重建误差在正常数据上显著上升，说明信息损失过大；升至16则对最终异常检测性能提升不大，却增加了模型复杂度。
2. 全连接层：相比卷积层，全连接层参数量更大，但对于我们这种已经降维到48维的特征向量，其计算量是可接受的。全连接层的优势在于其全局感受野，可以捕捉特征之间的任意非线性关系，这对于我们手工设计的、彼此可能相关的特征集来说是合适的。
3. 激活函数：隐藏层使用ReLU激活函数，提供非线性能力且计算高效。输出层使用线性激活，因为我们的任务是回归（重建输入特征）。
4. 轻量化：总计约4500个参数，模型文件经INT8量化后小于10KB，运行时内存占用（包括中间张量）小于12KB。这在STM32F4（通常有192KB RAM）上绰绰有余。

4.2 训练细节与技巧

训练过程遵循无监督异常检测的标准流程，但有一些细节值得注意：

• 损失函数：使用均方误差作为损失函数。这是最直接的重建质量度量。
• 优化器：使用Adam优化器，初始学习率设为1e-3。Adam的自适应学习率特性使其在大多数情况下能快速稳定收敛。
• 早停法：这是防止过拟合的关键。我们监控验证集损失，如果连续15个epoch验证损失没有下降，则停止训练，并回滚到验证损失最小的模型权重。我们的数据集不大，模型容量也小，早停能有效避免模型过度拟合训练集中的特定噪声模式。
• 批大小：设置为64。在资源允许的情况下，较大的批大小能使梯度估计更稳定，有助于收敛。
• 数据划分：绝对禁止随机划分！由于我们采用80%重叠的滑动窗口，相邻窗口的数据高度相关。如果随机划分，会导致极其严重的数据泄露——测试集中的数据模式早已在训练集中出现过了。正确的做法是按日志文件或运行场景进行划分。例如，将某几次发动机测试的所有窗口用于训练，另外几次完全不同的测试用于验证和测试。这样才能真实评估模型的泛化能力。

我们在Google Colab（Tesla T4 GPU）上进行了训练，平均耗时约38秒，执行了约247个epoch后早停。训练损失和验证损失都平滑下降并趋于稳定，表明模型已经学会了正常数据的有效表示。

4.3 重建误差：异常分数的计算

模型训练好后，对于任何一个新的输入特征向量x，自编码器会输出其重建向量x_hat。我们计算两者之间的均方误差作为异常分数：Anomaly_Score = MSE(x, x_hat) = mean( (x_i - x_hat_i)^2 )

这个分数的物理意义很直观：模型试图“回忆”并重建它学到的正常模式。如果输入本身就很正常，重建起来很容易，误差就小；如果输入是异常的（特征分布偏离了正常流形），模型就会“不知所措”，重建误差自然变大。

我们离线评估了模型在正常、近故障和故障数据上的重建误差分布：

• 正常数据：MSE均值在0.1左右，分布非常集中。
• 近故障数据：MSE均值跃升至10.68左右，比正常高两个数量级。
• 故障数据：MSE均值超过7.0e4，出现极端的重尾分布，有些窗口的误差高达1e7。

这种数量级上的巨大差异，为设置一个有效的检测阈值提供了清晰的基础。

5. 阈值校准与决策逻辑：从连续分数到二元报警

5.1 阈值选择：统计学与工程学的结合

有了异常分数，如何决定“多高才算异常”？这是一个关键且容易出错的环节。我们探索了多种离线阈值选择方法：

1. 高斯假设法：假设正常数据的重建误差服从高斯分布，阈值设为T = μ + kσ，其中k通常取2.5到3.5。这种方法简单，但前提是误差分布确实接近高斯。
2. 百分位法：直接取正常数据重建误差的某个高位百分位数（如95th, 99th, 99.5th）作为阈值。这种方法不依赖于分布假设，更稳健。
3. 基于ROC曲线的离线分析：当我们有一些带标签的（近）故障数据用于评估时，可以计算不同阈值下的真阳性率和假阳性率，绘制ROC曲线，并根据业务需求（如容忍的假阳性率）或Youden指数等指标选择一个最优阈值。

在我们的离线分析中，基于正常训练数据，我们得到了一个阈值T_offline = 0.7263。这个值大约是正常数据MSE均值的8倍，但远低于近故障数据的最小MSE。它在离线评估中表现良好。

实操心得：百分位法（如99th）在实践中往往比高斯假设法更可靠，因为真实数据的分布常常有偏或有重尾。将阈值设定在99th或99.5th百分位，意味着我们预期在纯粹的正常运行中，每100或200个窗口中最多只有1个会因随机波动而误报警，这在工程上是可接受的。

5.2 嵌入式阈值校准：应对量化效应

然而，T_offline是在FP32精度的离线模型中计算出来的。当我们把模型量化成INT8部署到STM32上时，由于数值精度损失和定点数运算，重建误差的绝对大小会发生变化！直接使用T_offline会导致灾难性的误报或漏报。

因此，必须在目标硬件上进行嵌入式校准。我们的流程是：

1. 在STM32上部署好量化模型。
2. 让系统在确认正常的工况下运行一段时间（例如收集约200个窗口的数据）。
3. 计算这组正常数据在嵌入式环境下的重建误差分布。
4. 基于这个嵌入式分布重新确定阈值T_embedded。

在我们的实验中，嵌入式正常数据的MSE均值约为14.02，标准差0.24，99.5th百分位约为14.82。我们最终选择了T_embedded = 15作为一个圆整的、带有安全裕度的操作阈值。这个值大约是μ + 4.08σ，且大于校准集中观察到的最大值。这样选择是为了：

• 简化比较：整数阈值在嵌入式代码中比较更快。
• 提供裕度：抵御ADC噪声、轻微的工况漂移和定点运算舍入误差。
• 确保零误报：在校准集上，该阈值下的假阳性率为0%。

5.3 持久性决策逻辑：过滤瞬态干扰

即使有了精心校准的阈值，直接用一个窗口的超限就报警也是危险的。工业现场充满了瞬态干扰：一个电磁脉冲、一次偶然的负载波动，都可能引起重建误差的瞬时尖峰。如果因此报警，会导致系统“狼来了”，失去工程师的信任。

因此，我们引入了持久性规则：只有当重建误差连续K次超过阈值时，才最终触发报警。我们选择K=2。这意味着，一个孤立的尖峰（持续1秒）会被忽略，而一个持续的异常（至少持续2秒）才会被确认。

这个简单的规则极大地提升了系统的鲁棒性。在我们的测试中，正常瞬态工况（如油门阶跃）可能会产生个别超限点，但无法形成连续两次超限，因此不会误报警。

6. 嵌入式部署与实时验证实战

6.1 模型转换与量化

我们将训练好的TensorFlow/Keras模型转换为TensorFlow Lite格式，并进一步进行INT8量化。量化过程包括：

• 代表性数据集：提供一组正常的校准数据，用于确定网络中激活值的动态范围。
• 量化感知训练（可选）：在训练后期可以模拟量化效应进行微调，以减轻精度损失。由于我们的网络很小，直接训练后量化（Post-Training Quantization）已能满足要求。
• 导出：最终生成一个.tflite文件，其中包含量化的权重和偏置。

量化后的模型体积从FP32下的约18KB缩小到INT8下的不到10KB，推理速度也得到提升。

6.2 STM32运行时架构

我们在STM32F407VGT6上实现了完整的推理流水线，其工作流程如下图所示（概念图）：

[传感器数据流 @25Hz] -> [5秒滚动缓冲区] -> [1秒定时触发] | v [特征提取模块] -> [48维特征向量] -> [Z-Score标准化] | v [INT8自编码器推理] -> [重建误差计算] -> [与T_embedded比较] | v [持久性计数器] -> (连续超限次数 >=2?) -> [是] -> 触发报警

整个流水线以1Hz的频率周期运行。在每个周期内：

1. 从滚动缓冲区中提取最新的5秒数据。
2. 实时计算48维手工特征（这部分代码需要手动用C实现，计算统计量、能量、微分等）。
3. 使用预存的μ_train和σ_train对特征向量进行标准化。
4. 调用TensorFlow Lite Micro解释器执行INT8自编码器推理。
5. 计算重建MSE，并与T_embedded=15比较。
6. 更新持久性计数器，判断是否报警。

实测在STM32F4上，一次完整的推理（特征提取+模型前向传播）耗时仅1-2毫秒，相对于1秒的决策周期，计算资源绰绰有余。

6.3 实验验证与结果分析

我们搭建了一个包含BLDC燃油泵、驱动板、燃料回路和上位机监控软件的实验台架。设计了六种测试场景：

• A1 正常稳态：评估误报率。
• B1 转速阶跃：评估对控制瞬态的鲁棒性。
• C1 气蚀：模拟进气故障。
• C2 局部堵塞：模拟部分堵塞。
• D1 干转：模拟燃料供应中断。
• E1 渐进堵塞：模拟缓慢增加的流动限制。

关键发现：

1. 成功检测：自编码器成功检测到了干转（D1）和气蚀（C1）故障。在干转场景中，重建误差在故障发生后约13.7秒持续超过阈值并触发报警。在气蚀场景中，尽管转速和电流的幅值规则未报警，但自编码器基于特征分布的变化成功识别。
2. 无扰通过：在正常稳态（A1）和转速阶跃（B1）场景下，系统没有产生误报警。瞬态干扰被持久性规则有效过滤。
3. 当前局限：在局部堵塞（C2）和渐进堵塞（E1）场景下，系统未触发报警。这表明当前的特征集和固定阈值对于这些缓慢、微弱的故障模式不够敏感。这是未来需要改进的方向，例如引入更敏感的特征（如高频谐波分析）或自适应阈值机制。
4. 对比基线：我们对比了简单的幅值规则（如转速下限、电流移动平均超限）。在气蚀场景下，这些基线方法全部失效，因为它们依赖于信号幅值的显著变化，而气蚀初期可能只引起波形特征的微妙改变。这凸显了基于深度表征学习的自编码器在捕捉复杂模式变化上的优势。

6.4 跨引擎与跨年份泛化能力

为了评估模型的实用性，我们进行了严格的泛化测试：

• 跨引擎测试：使用一台发动机的数据训练，在另一台完全没见过的发动机的正常数据上测试。结果显示，在全局阈值下，误报率普遍低于3.2%，应用持久性规则（K=2）后进一步降至0.5%以下。这表明学到的“正常模式”具有一定的泛化能力。
• 跨年份测试：用2023-2024年的数据训练，在2025年的数据上测试。整体上，误报率有所上升（约2%），但深入分析发现，主要是其中一台发动机（E1）在2025年的数据分布发生了较大漂移，其他发动机则表现稳定。这提醒我们，长期部署中可能需要定期的轻量级再校准来应对设备老化或环境变化。

7. 常见问题、避坑指南与扩展思考

7.1 特征工程中的陷阱

• 数据泄露：这是新手最容易犯的错误。切记，用于特征标准化（计算μ, σ）的数据，必须与训练自编码器的数据是同一批正常数据，且绝对不能包含任何测试集或未来数据的信息。最好在划分数据集后，仅用训练集计算标准化参数。
• 窗口长度与步长：窗口长度需要根据被监测过程的物理时间常数来选择。对于BLDC泵，5秒是合理的。步长（重叠）则决定了检测的时效性。1秒步长（80%重叠）提供了较好的时间分辨率，但计算量是5秒步长的5倍。需要在实时性和计算开销之间权衡。
• 特征冗余与共线性：48个特征中可能存在高度相关的项（如方差和标准差）。虽然神经网络对共线性有一定容忍度，但过多的冗余特征会增加计算量且可能引入噪声。可以使用PCA或相关性分析进行初步筛选，但在资源允许的情况下，保留它们通常无害，有时甚至能提供冗余信息提升鲁棒性。

7.2 模型训练与调优

• 潜在空间维度：8维是一个不错的起点。可以通过分析潜在向量的可视化（如t-SNE、UMAP）或计算重建误差随维度变化的曲线来调整。如果潜在空间维度太低，正常数据的重建误差也会很高；如果太高，模型可能学到一个“恒等映射”，即无论输入什么都能完美重建，从而失去异常检测能力。
• 早停的耐心值：patience=15是一个保守值。对于更小的数据集或更简单的模型，可以适当减小；对于担心欠拟合的情况，可以增大。监控训练和验证损失曲线是关键。
• 批量归一化（BN）的取舍：BN能加速训练和提高稳定性，但在部署时，BN层需要与前后层融合，且其运行时的均值和方差是固定的。对于在线推理没问题，但如果工况分布未来可能缓慢漂移，固定参数的BN可能会引入偏差。我们选择不使用BN，以简化部署并避免潜在的分布偏移问题。

7.3 嵌入式部署实战要点

• 定点运算精度：INT8量化会带来精度损失。务必在目标硬件上使用真实数据验证量化前后的性能差异。TensorFlow Lite的量化工具已经非常成熟，对于这种小网络，精度损失通常很小（在我们的案例中，误差分布的整体形态得以保持）。
• 内存管理：STM32的RAM有限。需要精确计算TensorFlow Lite Micro运行时所需的“内存竞技场”大小。确保为输入/输出张量、中间激活层分配足够的连续内存。使用tflite::MicroInterpreter时，仔细配置tensor_arena的大小。
• 实时性保证：虽然模型推理只需1-2ms，但特征提取（特别是计算自相关、FFT等）可能更耗时。务必在目标板上进行性能剖析，确保整个处理流程（数据采集、特征计算、模型推理、决策）能在规定的周期内（如1秒）完成。考虑使用DMA传输数据、查找表优化三角函数计算等技巧。
• 阈值校准的实操：嵌入式校准数据必须来自目标设备在真实环境下的正常运行。实验室环境下的“正常”数据可能与现场安装后的“正常”存在差异。最好在设备安装调试完成后，进行一段时间的“学习模式”运行，来收集校准数据。

7.4 项目局限与未来方向

本次实践验证了基于自编码器和TinyML的异常检测管道在燃气轮机燃油泵上的可行性，但仍有明显局限：

1. 故障模式覆盖不全：对局部堵塞和渐进退化不敏感。未来需要研究更精细的特征（如基于小波包分解的能量特征、高阶统计矩）或引入时序模型（如因果卷积、轻量LSTM）来捕捉更微弱的趋势性变化。
2. 固定阈值的局限性：长期运行中，设备性能会自然衰退（健康状态漂移），固定的阈值可能导致后期误报率升高。未来可以探索自适应阈值或在线增量学习机制，让阈值或模型本身能够缓慢地适应设备的健康基线漂移。
3. 可解释性增强：目前只能报警，无法定位故障根源或判断严重程度。可以结合贡献度分析，分析是哪些特征的重建误差最大，从而指向可能的故障类型（如“电流波峰因子异常高，疑似气蚀”）。
4. 数据闭环：最终目标是实现预测性维护。需要建立从边缘检测到云端分析的闭环，积累更多的故障案例，用于迭代优化模型和丰富故障知识库。

这个项目就像在资源有限的嵌入式世界里，为复杂的工业设备安装了一个“数字感官”和“简易大脑”。它证明了，通过精心设计的特征工程和极简的深度学习模型，我们完全可以在边缘端实现智能化的状态监测。这条路虽然充满挑战，但每解决一个实际问题，都让机器的运行多了一份安全保障。