- 博客(1216)
- 收藏
- 关注
RSS订阅原创 漏检片段回放需要哪些标签与基准
发现一次漏检以后，直接把那段信号反复喂给新模型，容易得到一个局部改进结论。要解释漏检，回放必须同时保留事件标签、原采样时间、前处理状态和当时的模型版本，否则重现的可能已经不是同一次输入。
2026-11-08 20:37:22
26
原创 模型文件校验受哪些内存和存储约束
计算摘要通常可以分块读文件，不必把整个模型再拷贝一份。工作区大小应固定，并记录读失败与实际读取字节数。模型若还在下载，边读边校验可能得到一个不断变化的对象；更可靠的是先关闭写入，再对确定长度的候选做校验，或在受控流中同时验证分块与最终摘要。内存映射能减少某些拷贝，但不代表文件可以被任意改写。解释器持有映射期间，应让该版本保持不可变；要替换就准备另一个版本对象。否则校验的是旧字节，推理读到的可能已经是新字节，这属于检查与使用之间的竞争。
2026-11-08 20:36:10
27
原创 输出阈值迁移在哪些输入范围内有效
浮点模型用 0.7 触发告警，量化后是否继续用 0.7，取决于输出定义是否保持一致。把阈值乘一个比例再取整，最多解决张量编码问题；模型分数的分布和校准状态，仍需独立验证。
2026-11-08 20:34:57
42
原创 缺失采样填补与训练输入有哪些约束
丢了一点就补前值，是很常见的设备补丁。问题是补出来的数会改变频谱、导数和统计量，模型又未必见过这种形状。填补策略必须受缺失位置、缺口长度和训练分布约束，不能只追求让数组长度恢复正常。
2026-11-08 20:33:40
77
原创 滑动窗口分类需要怎样的采样前提
窗口分类把一条长信号切成短片段，再给每片一个类别。切片操作很简单，但它同时决定了模型能看到多长的故障、标签如何分配、评估样本是否独立。开始训练前，先固定采样与切窗的关系。
2026-11-08 20:32:26
37
原创 窗口边界对齐与训练输入有哪些约束
连续采样最好有一个单调递增的逻辑样本号。设窗口长度 N、步长 H，第 k 个窗口可以定义为[kH,kH+N)。左闭右开的写法能避免端点重复计数，也让窗口长度始终为 N。多轴数据中的“一个样本”，应指同一时刻的完整通道组，而不是一个字节或某一轴的单值。设备重新启动、传感器复位或者采样率切换以后，样本号的会话身份要变化。不能在缺口两侧继续用同一段连续序列。离线文件的时间戳也应说明是首样本时间、末样本时间，还是文件写入时间。写入时间受缓冲影响，不适合反推窗口边界。
2026-11-07 18:35:41
496
原创 频域能量特征需要怎样的采样前提
有限窗口通常截不到整数个周期，边界不连续会导致频谱泄漏。加窗可以改变旁瓣与主瓣的折中，同时改变幅值与能量比例。因此训练和设备必须使用同一种窗、同一个归一化约定。用于幅值修正的窗相干增益，与用于功率估计的平方和修正，不能混为一谈。单边谱还涉及直流和 Nyquist 分量的特殊处理。以完整实信号频谱能量为目标时，内部正频率一般要计入其负频率对应能量，而直流及偶数 N 时的 Nyquist 点不能再机械加倍。若定义的是某种经验特征，也可以选择其他尺度，但要把公式写明并保持一致。
2026-11-07 18:33:47
528
原创 时域统计特征需要怎样的采样前提
对长度为 N 的窗口，原始 RMS 为；若关注交流振动，应先减去该窗口均值，再计算 RMS。二者回答的问题不同：前者包含偏置，后者把窗口均值移除了。去均值也可能滤掉有意义的低频变化，因此必须与训练流程一致。总体方差用 N 作分母，样本方差常用 N−1。对部署特征而言，重要的是定义一致，而不是看到“统计学”三个字就更换分母。峰峰值容易受单个尖峰影响；峰值因子又要除以 RMS，接近静止时需要明确零值保护。这些处理都应进入特征版本。图中展示三种窗口质量。只有通过时间连续性和量程检查的窗口才进入特征计算；
2026-11-07 00:05:44
544
原创 量程归一化与训练输入有哪些约束
归一化是模型输入协议的一部分。把输入压进某个区间，并不等于训练和设备已经一致。传感器量程、零点、轴顺序、裁剪规则只要有一个不同，网络收到的就是另一种信号。
2026-11-07 00:04:57
505
原创 定点累加溢出在哪些输入范围内有效
int8 模型用 int32 累加，肯定不会溢出”这个判断少了两个条件：每次乘法的实际范围，以及同一累加器一共接收多少项。还要算上偏置。边界推导应当在选内核之前完成。
2026-11-07 00:03:09
516
原创 推理结果版本标记受哪些内存和存储约束
设备报出一次异常，回放时却不知道使用了哪个模型，这条结果的价值会打折。给结果加一个版本字符串不难；真正要处理的是切换瞬间、队列积压和掉电以后，版本是否仍然指向实际执行过的那套输入协议。
2026-11-06 23:58:34
552
原创 告警延迟分段需要哪些标签与基准
模型一次推理用了几毫秒，不能直接回答“故障多久以后能被发现”。振动异常检测还要等窗口凑齐、经过预处理、满足连续判定条件，最后才排队发送告警。延迟应该拆成可解释的时间段。
2026-11-06 23:57:22
516
原创 为振动检测实现多传感器特征融合基线
在电机两处各装一只加速度传感器，再加一路温度，特征数量马上增加。输入更多并不自动更可靠：采样时间不一致、安装轴向不同，或者某一路掉线，都可能让模型学到设备接线方式，而不是异常现象。先做特征级融合基线。各传感器独立完成质量检查和特征计算，再把同一时间范围的特征拼起来。它比直接把原始波形混在一起更容易定位问题，也便于观察某一路到底提供了什么信息。
2026-11-05 14:31:34
525
原创 在端侧推理前实现采样率对齐
训练数据每秒有 fs_train 个样本，传感器实际输出 fs_device 个样本。把数组直接截成训练长度，既改变了时间覆盖，也改变了信号在模型眼里的频率。采样率对齐需要处理时间轴和带宽，不能只处理点数。先核实实际采样配置和时间基准。设备配置寄存器写的是名义输出速率，真实时钟可能存在偏差；丢样也会让“收到的点数除以时间”产生误导。先把连续性与时钟问题分开，才有确定的重采样输入。
2026-11-05 14:30:19
517
原创 构建激活校准样本的浮点对照实验
模型权重没有变，换一批代表性数据做整数量化，输出差异却明显变化。原因是激活范围取决于模型真正见到的输入。校准数据只覆盖安静工况，部署时的正常启停也可能落在范围之外；把损坏数据混进去，又可能把范围撑得过宽。校准集的职责是估计部署输入经过网络后的数值范围，验证集的职责是评价最终行为。两者需要有清楚边界。
2026-11-05 14:29:05
546
原创 为设备端实现旧模型回退
候选模型校验通过，第一次推理也成功，并不代表后续运行一定稳定。资源峰值、长时状态和新工况都可能在激活后才暴露。回退方案要在更新前设计好，旧模型的可用内容和匹配配置必须仍然存在。以双槽 A/B 为例：当前已确认版本在 A，候选写入 B。候选准备过程中不覆盖 A；若硬件容量不够同时保留两份，就需要另一条可恢复路径，不能只把按钮命名为“回退”。
2026-11-05 14:27:48
533
原创 给边缘异常检测建立工况迁移检查流程
模型在一台设备、一个转速下验证过，搬到另一种负载或安装位置，分数就变了。这个变化可能是工况差异，也可能是真异常或传感器问题。工况迁移检查先回答新输入是否落在已有证据覆盖内，再决定能否继续沿用原模型与阈值。不要一看到分数均值变化就自动更新基线。没有标签时，变化的方向并不能告诉你设备是适应新工况，还是正在变坏。
2026-11-05 14:26:36
405
原创 为振动检测实现正常样本距离基线
异常样本少，正常运行记录却相对容易取得，可以先建立“离正常有多远”的基线。它给出的是偏离程度，不会自动告诉你发生了哪一种故障。距离变大也可能来自负载变化、安装松动或传感器配置改变。先固定工况，用每个有效窗口的交流 RMS、峰值和频带能量组成特征向量。基线要保存特征定义、单位和顺序，否则相同的一串数在下一版固件里可能代表另一件事。
2026-11-04 20:56:52
504
原创 在端侧推理前实现传感器漂移处理
验证材料至少覆盖固定信号叠加缓慢偏置、幅度慢慢增加的振动、真实工况切换，以及丢样后恢复。比较原始特征、补偿后特征和模型决策，检查假漂移能否被修正，也检查慢故障有没有被抹掉。配置中写清允许补偿的范围。超出范围应触发传感器状态检查，而不是无限跟踪。设备重启后是否恢复旧基线也要有依据：安装位置已经改变时，复用旧基线可能比重新标定更危险。实际部署时建议先以观察模式记录漂移估计，不改变正式模型输入，在覆盖所需工况后再评估是否启用补偿。最终记录应说明补偿解决了哪一类偏移、保留哪些信号，以及哪些变化仍需要人工核查。
2026-11-04 20:55:37
373
原创 构建权重量化范围的浮点对照实验
权重量化的范围过宽，少数大权重撑大 scale，大量小权重可能被舍入成零；范围收窄，又会把两端权重裁掉。哪种代价更小，不能只看权重直方图，需要把数值误差与模型输出一起对照。先固定一份浮点模型，只改变待比较的权重量化配置。输入预处理、校准样本和验证集合保持一致，防止多项变化一起发生却把结果都归因于权重范围。
2026-11-04 20:54:28
488
原创 为设备端实现推理上下文切换
运行中更新模型，不能只把 model 指针换掉。输入归一化参数、张量内存、输出标签和阈值可能还属于旧版本。上下文切换要保证一个窗口从预处理到结果解释，始终使用同一组相容参数。把模型和相关配置封装成不可变上下文，先在旁路准备候选，完整验证后再发布。这里的“不可变”指对正在推理的使用者不改变契约；运行时内部工作区的可变状态仍需按线程模型隔离。
2026-11-04 20:53:15
455
原创 给边缘异常检测建立阈值稳定性流程
一个阈值在某段记录上表现不错，换成另一天、另一台设备就频繁报警。问题可能是训练覆盖不足，也可能是分数本身对工况敏感。阈值稳定性流程要检查同一条判定规则在不同独立片段上是否仍然可用。先固定模型、预处理、输出语义和事件合并规则。否则每次数据回放都换一项配置，阈值变化没有可比基础。
2026-11-04 20:52:00
552
原创 为振动检测实现滑动窗口分类基线
振动异常是一个时间过程，模型接收的却常常是一段固定长度数组。滑动窗口把连续信号变成可计算样本，同时也决定了瞬态会被切成什么样。窗口设计不清楚，分类器就会在训练和设备运行时面对不同问题。先做一个透明基线：固定窗口与步长，提取少量可解释特征，再用简单分类器输出分数。本文关注数据组织与判定关系，不给出任何识别准确率承诺。
2026-11-03 23:47:20
546
原创 在端侧推理前实现缺失采样填补
少了一个采样点，直接把后面的点往前挪，数组长度看起来恢复了，时间轴却被压缩。补零、保持前值和线性插值各有适用边界，也都不能恢复已经丢失的真实信号。端侧补样首先是一项输入质量策略。先用序号或可信时间基准识别缺口。接收线程晚调度，不一定代表传感器丢样；数据包断了一段，才需要沿原始采样序列判断缺失数量。
2026-11-03 23:46:10
468
原创 构建输出阈值迁移的浮点对照实验
浮点模型的异常分数阈值是 T，把它原样复制到量化模型，决策就一定相同吗？只有输出语义和数值关系都保持一致时，这个假设才可能成立。量化造成的局部误差，在阈值附近尤其容易翻转结果。先把两个问题拆开：模型量化后分数变化多少，以及新分数应该在哪个阈值上用于告警。前者是数值对照，后者需要验证标签和业务成本。
2026-11-03 23:44:54
528
原创 为设备端实现模型文件校验
文件下载成功、长度不为零，离“可以推理”还差几道检查。文件可能截断，内容可能与清单不匹配，也可能结构合法却使用设备不支持的算子。校验必须在候选模型激活之前完成，失败时仍保留可用的旧版本。先区分三件事：传输与存储完整性、内容来源可信性、运行兼容性。一个 SHA-256 值如果和模型文件从同一不可信位置一起被替换，只能证明两者自洽，不能证明来自可信发布者。
2026-11-03 23:43:44
515
原创 给边缘异常检测建立漏检片段回放流程
现场认定有异常，设备没有报警，只有一张最终分类截图很难定位原因。需要的证据是事件前后连续原始采样，以及当时使用的采样配置、预处理、模型和告警策略。回放流程要能回答异常在哪一层被丢掉。不要先从片段中裁出“最明显的一小段”再开始分析。滤波器状态、窗口积累和连续确认都依赖上下文，裁短后可能复现出另一种行为。
2026-11-03 23:42:28
424
原创 为振动检测实现频域能量特征基线
两个窗口的 RMS 相近，能量却可能分别集中在低频和高频。时域幅度看不出这个区别，分频带统计可以补上一层信息。实现的难点通常不在 FFT 调用，而在频率坐标、窗口函数和能量单位能否前后一致。先限定场景：单轴等间隔加速度，已确认采样率、单位和缺样情况。频带边界来自要观察的设备现象，本文不把某个频带的升高直接解释成具体故障。
2026-11-02 12:42:36
2088
原创 为设备端实现模型资源回收
切换模型之后，旧模型指针已经不在“当前模型”里，看起来可以释放了。可推理线程可能刚拿到旧指针，异步后端也可能仍在读取旧输入缓冲。资源回收的条件不是“已经换上新的”，而是“再没有合法使用者”。先列清模型上下文里有什么：模型字节、解释器或执行对象、张量内存、后端句柄、结果解释配置。它们的生命周期往往不相同，不能用一个 free(model) 代替整个关系。
2026-11-02 12:41:21
2100
原创 在端侧推理前实现窗口边界对齐
用 [start, start+N) 表示一个窗口，共 N 点；步长 H 表示下个窗口起点向前移动 H 点。每个窗口记录 first_seq=start 和 end_seq=start+N，最后一个实际样本是 end_seq-1。半开区间便于计算长度，也避免不同模块对末点是否包含产生分歧。假设连续样本从序号 0 开始，只有收到序号 N-1 时，第一个完整窗口才成立。不能在缓冲区刚分配完成时把尚未采满的空间当成零样本推理，除非训练也明确使用相同的启动填充。
2026-11-02 12:40:09
2688
原创 构建算子回退误差的浮点对照实验
模型有一部分算子交给加速器，另一部分回到 CPU，输出出现差异。此时“回退误差”只是一个现象描述，不能直接推出 CPU 算错了。误差可能来自不同精度、算子融合、张量布局转换，或者分区边界上的量化与反量化。对照实验应当固定模型内容、输入张量和预处理，再改变执行后端。若比较的是不同导出版本，算子回退和模型变化就混在一起了。
2026-11-02 12:38:58
2281
原创 给边缘异常检测建立误报警归类流程
误报警多了，最容易采取的动作是把阈值提高。这样往往同时压下了真正的异常。更有效的第一步是把“报警但现场没认定故障”的片段拆开看：数据坏了、工况变了、事件定义不一致，还是模型确实分错了。归类的目的不是给每条报警找一个听起来合理的解释，而是留下能复核的证据，决定下一步应该改哪一层。
2026-11-02 12:37:49
2562
原创 构建定点累加溢出的浮点对照实验
定点推理输出突然跳变，先别急着重做校准。乘法结果放得下，不代表一整串乘加也放得下。某些输入组合会把累加器推到边界，普通随机样本却很难碰到它。这里建立一个小型对照方法：固定同一组整数输入，同时计算宽位整数参考值和浮点参考值，再检查目标内核。目标是分离累加溢出、舍入、饱和以及重定标四类差异，不是用一串输出误差替所有问题命名。
2026-11-01 19:51:22
2418
原创 为振动检测实现时域统计特征基线
一段振动信号送进神经网络以前，先问一个具体问题：同一台设备在相同转速下，振动幅度和冲击程度有没有明显变化？均值、均方根和峰值已经能回答其中一部分。先做这条基线，后面换模型才知道新增的计算花在了哪里。本文按单轴等间隔加速度样本讨论。输入已经换算成物理单位，采样率、安装方向和量程保持一致。下面是实现方法与推导，不包含硬件实测结论。
2026-11-01 19:50:13
2467
原创 在端侧推理前实现量程归一化
对于仿射量化，浮点输入 u 与量化整数 q 满足 u=(q-z)*s；编码时需要按约定舍入并限制到张量整数范围。s 和 z 来自模型输入张量，不能直接使用传感器的灵敏度。LiteRT 量化规范说明了这层对应关系。# 离线参考片段；a 已换算为训练约定的物理单位。示例使用 NumPy 的舍入规则。固件或推理运行时如果采用不同的中点舍入方式，必须单独验证边界值；不能仅凭这段代码要求所有后端逐位相同。clip_count 应作为质量指标，持续裁剪可能说明运行工况超出了校准覆盖范围。
2026-11-01 19:48:57
2409
原创 为设备端实现推理结果版本标记
设备刚切换模型，队列里却还有上一版推理的结果。上位机收到一条异常分数，看见设备“当前版本”已经更新，便把这条旧结果算在新模型头上。问题出在结果与版本绑定的时刻，而非字符串够不够长。版本标记应描述产生这条结果的上下文。模型、预处理、标签映射和阈值策略都可能改变分数含义，只记录一个 model_v2 还不够。
2026-11-01 19:47:47
2340
原创 给边缘异常检测建立告警延迟分段流程
把推理函数执行时间当作告警延迟，会漏掉窗口积累、任务排队和结果确认。一个模型算得很快，告警仍可能晚，因为故障刚好发生在窗口边界之后，系统又要求连续几个异常窗口才触发。要定位延迟，先定义告警到底在哪个点成立。设备本地输出引脚、日志写入、消息交给网络栈和用户端实际收到，是四种不同终点。本文讨论测量口径，不给出任何未经测量的性能数字。
2026-11-01 19:46:33
2383
原创 端侧 SLM 上线前的四张账：模型、内存、调度和温度要一起核对
端侧模型能回答一个问题，距离稳定进入工业终端还有很长一段。单看量化后的文件大小，会漏掉运行时缓存；只看算子时延，会漏掉排队与切换；只看冷机跑分，又可能漏掉热稳态。上线判断需要把这些证据放在同一组版本与输入条件下。10 月 19 日的展示了原生端侧图表达；列出了加载和量化 MoE 内核改进。它们能提供新的实现选项，不能代替目标工控板上的兼容性与质量验证。
2026-10-31 23:07:13
2383
原创 视觉闭环的 5ms 目标怎么验：从曝光开始计时，别只报模型耗时
模型推理 2ms，不等于工件出现后 2ms 就能完成剔除。曝光、传输、排队、后处理和执行器都在链路里。5ms 可以是一项待验证的设计目标，不能在没有同步测量时直接写成已完成的闭环能力。本文采用“曝光开始到执行输出”的口径。若实际业务从外部触发或目标进入视场开始计时，还需增加相应等待；任何时延表都应先写清起点和终点。
2026-10-31 23:06:06
2486
原创 工业语音唤醒怎么核算：待机功耗、误唤醒和执行权限分开验
低功耗语音终端往往有多个状态：传感器或前端待机、持续监听、识别与交互。只拿最深睡眠电流乘供电电压，会把常开麦克风、时钟和误唤醒带来的能耗漏掉。反过来，识别一次很省电，也不代表设备整天省电。10 月 6 日的展示条件触发与本地语义能力。但待机如何唤醒、音频前端常开多少资源、动作如何授权，仍然属于具体产品设计，不能由模型演示推断微瓦级整机指标。
2026-10-31 23:04:58
2421
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人