技術選型應從問題和約束開始。穩定閾值能夠解決的問題，使用狀態機更容易驗證；需要從多通道時間序列識別復雜模式時，TinyML能夠在本地完成低延遲判斷；大規模融合、全局優化和復雜生成任務更適合邊緣服務器或云端。
同一系統可以同時使用四類方法。關鍵是明確每一層接收什么數據、輸出什么結論、失敗時由誰接管，以及通信中斷后系統是否仍能保持安全狀態。
完成本篇后，你應該能夠
本篇不要求你在四種方案中只選一個。工程系統經常把它們串成一條從保護到分析的決策鏈。 |
圖1：傳統規則、TinyML、邊緣節點與云端的分層協作
量程檢查、傳感器斷線、CRC校驗、限位保護和簡單閾值具有清晰規則。這些邏輯容易單元測試，也便于審查最壞情況。把它們交給神經網絡會增加數據需求和解釋成本。
傳統算法還適合執行濾波、去抖、遲滯和狀態機。模型輸出可以作為狀態機的一個輸入，但不應繞過已有安全鏈路。
振動狀態、動作類別、關鍵詞和設備聲音往往由多個采樣點共同決定。規則數量隨著工況增加而快速膨脹，輕量模型可以從已標注數據中學習這些組合模式。
本地推理減少了持續上傳原始數據的帶寬和隱私壓力，并能夠在網絡不可用時保持響應。其代價是模型必須適配MCU資源，現場數據變化也需要持續監控。
邊緣網關能夠聚合多臺設備、執行更大的模型并管理模型下發。云端適合跨站點統計、長期趨勢、集中訓練和大規模版本管理。上傳內容可以是事件、特征或少量困難樣本，無需默認發送全部原始波形。
通信鏈路需要定義超時和數據質量。云端決策超過現場允許延遲時，本地系統必須有明確的降級策略。
表1：四類方法的典型職責
先判斷規則能否穩定描述目標，再判斷模型輸入能否在本地可靠獲得。隨后核算錯誤成本與實時性，最后評估通信、隱私和維護成本。選型表中應保留“組合方案”，避免把方法誤設為互斥選項。
以設備異常監測為例，傳感器斷線由規則判斷，振動狀態由MCU模型識別，多設備相關異常由網關分析，長期趨勢和模型訓練放在云端。
C：本地分層決策的一個實現框架
decision_t layered_decision(const frame_t *frame) |
六軸IMU以1 kHz采樣，每通道使用16位整數，僅原始載荷就是6×2×1000=12000 byte/s。加入時間戳、協議頭、重傳和加密后會更高。100臺設備持續上傳時，原始載荷已經約1.2 MB/s，并會形成長期存儲與隱私壓力。
若MCU每秒只上報一次狀態摘要，每條64字節，100臺設備的載荷約6400 byte/s。兩者相差近兩個數量級。摘要方案會失去部分原始細節，因此系統還應在低置信度、故障或抽樣周期內保存短波形，供后續分析和再訓練。
延遲同樣要分解：采樣窗口、預處理、推理、排隊、無線傳輸、服務器處理和返回控制共同構成閉環?，F場要求50 ms內停止設備時，使用1秒窗口的模型從定義上已經無法滿足，無論云端算力多快。
6 × 2 × 1000 = 12,000 byte/s/設備 100臺設備約為1.2 MB/s，尚未計入協議開銷。 |
傳感器斷線、越界和急停屬于確定性安全責任，應在最靠近執行器的位置完成。TinyML適合識別固定規則難以覆蓋的局部模式，但低置信度時要返回UNKNOWN或保持安全狀態。網關可以融合多臺設備的時間關系，云端處理跨站點趨勢和訓練。
每層都要定義超時。MCU等待網關回復的最長時間是多少，網關斷網后保存多少事件，云端模型版本不匹配時是否拒絕下發，這些都是接口契約的一部分。沒有超時和降級的分層架構會把局部智能變成遠程依賴。
數據上行和控制下行需要分開審查。事件摘要上行失敗通常影響分析完整性；安全控制下行失敗可能直接影響設備。高風險控制應優先由本地確定性邏輯閉環，云端提供策略或參數更新。
按故障后果分配計算位置
腳本連續處理六個模擬事件：傳感器故障、模型高置信度、模型低置信度、網絡可用和網絡不可用。它不訓練模型，重點是把每一層的責任、超時與UNKNOWN路徑寫成可測試代碼。
可直接運行：規則、本地模型與遠端升級的責任鏈
from dataclasses import dataclass |
分層決策實驗的排查順序
真實系統還要給隊列設置容量、過期時間和重試策略，但責任順序應保持不變：健康檢查先于模型，安全降級不依賴網絡。
MCU中把 `network_ok` 替換為帶超時的通信狀態，不要在推理任務內阻塞等待網關。事件摘要進入有限隊列，隊列滿和消息過期必須有確定策略。
安全控制仍由規則和狀態機完成。模型類別只作為輸入之一，執行器動作應再檢查限位、故障位、連續幀和人工接管狀態。
收束：規則、TinyML、邊緣AI和云端各自處理不同尺度的問題。合理分工來自延遲、數據、錯誤成本和維護約束，而非單純比較模型大小。
參考資料：
TensorFlow Lite Micro 官方代碼倉庫
STMicroelectronics：STM32H743/753 產品概覽
