LSTM 自编码器原理详解：从三门结构到 STM32 端侧异常检测落地

dozenyaoyida

384人浏览 · 2026-07-09 17:00:00

dozenyaoyida · 2026-07-09 17:00:00 发布

LSTM 自编码器原理详解：从三门结构到 STM32 端侧异常检测落地

产线上几十台电机日夜转着。某天一台轴承开始磨损，振动波形悄悄变了样，变化很细微，人眼盯示波器根本看不过来。等它彻底抱轴停机，一小时停产损失就是几万块。

巡检抓不住早期征兆，全靠老师傅听声音也不现实。那有没有办法让芯片自己学会"正常长什么样"，一旦出现没见过的波形就主动报警？

有。而且不需要你提前告诉它"异常长什么样"，因为它压根不需要异常样本。这套思路叫自编码器，配上能记住时间顺序的 LSTM，就是今天要拆的 LSTM 自编码器。

电机异常检测场景

先把"自编码器"三个字拆开讲

别被名字唬住。自编码器干的事，和小孩临摹字帖一模一样。

小孩拿到一张字帖，看一眼，凭记忆把那个字画出来。画完拿自己画的跟原字一比，撇画歪了，结构散了。下次再画，争取画得更像。

整个过程里，没有人告诉小孩"正确答案"是什么。老师就是字帖本身。小孩靠"画得像不像"这个误差，一遍遍纠正自己。这就是"自"编码器那个"自"，自己教自己，无监督学习。

那这跟找异常有什么关系？

关键在于：你只让小孩临摹正常的字帖。楷体、宋体、行书，他都画惯了，画啥都八九不离十。突然塞给他一张鬼画符，他照着画出来肯定四不像，和原图一比，误差大得离谱。

误差大，就是没见过，就是异常。自编码器找异常的全部逻辑就这么直白，没有更多花招。

自编码器临摹比喻

换成机器语言：输入一段数据，先用网络把它压成一个很小的中间表示（瓶颈），再还原回和输入一样长的输出。训练时只喂正常数据，让重建误差尽量小。推理时来段新数据，重建误差一旦超过阈值，就判定异常。

中间那个被掐细的瓶颈不能省。要是中间和输入一样宽，网络直接抄一遍就完事，啥也没学到。逼它过窄路，它才不得不抓住数据里最关键的规律，扔掉细节。规律抓住了，正常数据能还原；没见过的异常对不上规律，还原就崩。

LSTM 是什么，为什么普通自编码器不够用

字帖是静态的，一张图。但电机振动是一串有时间顺序的数，连续 100 个采样点，前后有关联。

普通全连接网络处理这种数据有个毛病：它把每个点当独立个体看。第 1 个采样和第 50 个采样，在它眼里没区别。可时间序列里，"先升后降"和"先降后升"可能是完全不同的工况，顺序一打乱，信息全毁。

打个比方读句子。"我喜欢吃苹果"和"苹果喜欢我吃"，字一模一样，意思天差地别，顺序就是意义。

普通网络读不出顺序，我们需要一种带记忆的网络，能记住几步之前发生了什么。LSTM（长短期记忆网络）就是干这个的。

LSTM 里有个核心部件叫记忆细胞，你可以理解成一根传送带，信息可以在上面稳稳地往前流。但光有传送带不够，得有人在每个时间步决定：传送带上的旧信息，哪些擦掉、哪些留着？新进来的信息，哪些值得记、哪些忽略？最后这一步该输出什么？

这三件事由三个门来管，门就是一个 0 到 1 之间的数，决定放行多少：

遗忘门像块橡皮擦，看看当前输入和上一步输出，决定传送带上哪些旧记忆该擦掉。比如读到新句子的主语，旧主语就可以擦了。

输入门像本笔记本，决定当前这步有哪些新信息值得写进传送带，值得记的写进去，废话过滤掉。

输出门像张嘴，综合传送带上的记忆，决定这一步对外说什么。

三个门一配合，LSTM 就能在长序列里记住该记的、忘掉该忘的，比普通网络强在抓长期依赖。

LSTM 单元三门结构

把两者拼起来：LSTM 自编码器长什么样

知道了自编码器是"压再还原"，LSTM 是"带记忆读序列"，拼起来就顺理成章。

编码器是几层 LSTM，把一段长序列（比如 100 个振动采样点）一步步读进去，最后吐出一个浓缩向量。这个向量就是整段序列的精华摘要，也就是瓶颈。

解码器再几层 LSTM，从这根浓缩向量出发，一步步把序列还原回来，输出长度和输入一样。

输入 100 个点，中间压成几十维的向量，输出再还原成 100 个点。中间那道窄缝，逼着网络必须抓住振动的本质规律，而不是死记每个点的数值。

LSTM 自编码器结构

训练时只喂正常振动数据，网络拼命学怎么把正常波形还原得误差最小。等它学好了，正常波形对它来说是熟门熟路，还原得很准；真来了轴承磨损那种没见过的怪波形，它按正常规律硬还原，结果肯定四不像，误差飙升。

训练和推理：到底"算"了什么

理论讲完，看实际算什么。先说训练。

训练目标只有一个，让重建误差尽量小。最常用的损失函数是均方误差 MSE：

Loss = mean( (输入序列 - 重建序列)² )

大白话：把输入和输出逐点相减，平方去掉负号、放大差异，求平均。这个数越小，说明还原得越像。梯度下降一步步调网络参数，让这个数往下降。

这里有个反直觉的点要记住：训练数据里不能有异常。混进去异常样本，网络会以为"原来这种怪波形也是正常的"，学坏。所以训练前的数据清洗比调模型参数重要十倍，这话我重复一遍都不嫌多，因为我见过太多项目死在这一步。

推理阶段就简单了。来一段新数据，喂进网络，算重建误差，和阈值比：

# 训练（伪代码，PyTorch 风格）
model = LSTMAutoencoder()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
for epoch in range(50):
    for batch in normal_data:          # 只喂正常数据
        recon = model(batch)
        loss = mse(batch, recon)       # 重建误差
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

# 推理 + 阈值判断
recon = model(new_data)
err = mse(new_data, recon)
if err > threshold:
    alarm()                           # 异常报警

阈值怎么定？拿一批已知正常的验证数据，逐段算重建误差，得到一个误差分布。取 95 分位或 99 分位数当阈值，意思是"正常数据的误差 99% 都在这之下，超过它就大概率不正常"。阈值不是拍脑袋拍的，是从数据分布里量出来的。

嵌入式实战：电机振动异常检测

讲个能落地的例子。某产线传送带电机，外壳贴一颗三轴加速度计，STM32 做主控，每秒采几百个点。目标：轴承磨损、转子不平衡这类机械异常，能在彻底坏掉前几周就预警。

数据怎么来。电机正常运转时采一大堆振动波形，每段 128 个点为一窗，攒够几千段当训练集。异常样本不用刻意造，正常数据足够多就行，这正是自编码器的优势，省去了昂贵又难得的异常标注。

预处理。原始采样不能直接喂。先去直流分量（减均值），再归一化（除以标准差），让波形都在差不多的量纲上。然后滑窗切片，每 128 点一窗，步长小一点比如 32，让窗口有重叠，不漏掉短时异常。

训练在 PC 上做。LSTM 自编码器在 STM32 上训练不现实，算力和内存都不够。流程是 PC 上用 PyTorch 训好模型，导出，转成嵌入式能跑的格式，烧进 STM32 只做推理。训练重、推理轻，这是边缘 AI 的通用套路。

端侧推理。STM32 上每来一窗新数据，跑一遍前向推理，算重建误差，超阈值就上报。几个难点和对策：

模型太大装不下，LSTM 参数多，先量化成 int8，参数体积能压到原来的四分之一甚至更小，再做剪枝，把不重要的连接砍掉。瓶颈层维度尽量压，几十维往往够用。

STM32 跑不动完整 LSTM，用 STM32Cube.AI 这类工具链，它能把 PyTorch/ONNX 模型转成针对 STM32 优化的 C 代码。或者退一步，用更轻的 GRU 替代 LSTM，结构简化、参数更少，效果往往差不了太多。我实际比对过，GRU 在振动数据上重建误差只比 LSTM 高一点点，但推理快了近一半，端侧这笔交易很划算。

实时性不能等一整窗采完才算，用滑窗增量推理，新来一个点就更新内部状态，保持流水线不断。

C 伪代码长这样，体现滑窗和阈值判断：

// STM32 端推理伪代码
float window[WINDOW_LEN];      // 滑窗缓冲
float recon[WINDOW_LEN];       // 重建输出
lstm_state_t state;            // LSTM 隐藏状态，跨窗保留

while (1) {
    float sample = adc_read();          // 采一个点
    push_window(window, sample);        // 滑窗推进

    if (window_full(window)) {
        normalize(window);              // 去均值归一化
        lstm_autoencoder_infer(window, recon, &state);  // 前向推理
        float err = mse(window, recon); // 重建误差
        if (err > THRESHOLD) {
            report_alarm(err);           // 上报异常
        }
    }
}

端侧部署流程