峭度（边缘AI推理）
Kurtosis — Edge AI Inference
四阶中心矩归一化指标，衡量分布尾部厚重程度（正态分布 = 3）。
01
定义
四阶中心矩归一化指标，衡量分布尾部厚重程度（正态分布 = 3）。
02
公式与计算
K = (1/N) Σ (xᵢ − x̄)⁴ / σ⁴
（部分定义减去 3，称 excess kurtosis）
03
适用时机
滚动轴承早期故障、冲击型事件检测（RMS 尚未变化时 K 已升高）。 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
样本数（建议 ≥ 2048）、是否已去噪；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
失效与边界单独使用易误报，应与 RMS、CF 组合判读；需声明是否减 3。 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 峭度（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。