异常检测（边缘AI推理）
Anomaly Detection — Edge AI Inference
基于历史分布或模型预测残差识别偏离常态的观测，不依赖固定阈值。
01
定义
基于历史分布或模型预测残差识别偏离常态的观测，不依赖固定阈值。
02
公式与计算
常用：z = (x − μ)/σ，|z| > 3 → 异常
或残差：r = |x − x̂_model|，|r| > k·σ_r
03
适用时机
无明确阈值、或工况多变使固定阈值失效的场景（结构响应、能耗）。 部署到边缘 AI 推理盒（NPU/GPU 加速）时，需做模型量化（INT8）与算子裁剪，阈值与窗长按现场数据标定后固化。
04
关键参数
基线分布（μ, σ）或预测模型、窗口、显著性水平；边缘 AI 版本注意量化误差、推理时延与模型版本管理，异常需支持远程回滚。
05
注意事项
失效与边界基线必须随季节/工况更新；否则"异常"会退化为"与去年不同"。 边缘 AI 实现需在目标算力上做推理时延与精度权衡测试，并保留原始数据上传通道供云端复核。
CLOSE
把 异常检测（边缘AI推理） 用起来
下一步
实际项目如何应用？
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
相关 SIYB 产品
正式参数、方案与商务资料以 xmsiyb.com 官网为准。
需要把技术判断落到项目？
进入行业应用与智能选型中心，获取场景设计、选型与实施参考。