用 NanoEdge AI 做 MCU 多气体异常分类
多气体传感器融合可以用于异常气味识别，例如腐败气味、烧焦气味或其他污染源。基本流程是采集同一时刻的多路传感器数据，整理成带标签的数据集，再用 NanoEdge AI 生成可在 MCU 上运行的检测或分类库。
采集数据样本
异常分类先看数据。样本需要覆盖正常环境和异常环境。正常环境建议来自多个位置、不同通风条件、不同温湿度和不同背景气味，避免模型只记住某个房间的底噪。
异常环境要贴近真实触发场景。腐败气味、烧焦气味、溶剂气味等目标来源，都应在接近实际扩散状态下采集。每条样本记录同一时刻的多路传感器值，字段顺序、单位、采样频率保持一致。
正常样本和异常样本数量尽量接近。样本严重不均衡时，模型容易偏向数量更多的类别。标签边界也要谨慎处理，边界模糊样本可以单独留出，避免直接混进主训练集。
AutoML
数据准备好后，可以导入 NanoEdge AI 做 AutoML 搜索。多气体异常识别常用两条路线：异常检测和分类。
异常检测适合异常样本少、现场环境差异大的场景。工具主要学习正常环境数据，设备运行时可以先做一段正常环境学习，后续输入偏离正常分布时输出异常结果。这条路线更适合需要抗环境干扰的设备。
分类适合正常数据和异常数据都比较明确的场景。正常环境、烧焦、腐败、溶剂等样本分别作为标签导入，生成库后在 MCU 侧直接输出类别结果。
选择可以按数据条件判断：异常样本少、需要现场学习，选异常检测；正常和异常数据都足够、需要输出具体类别，选分类。
Nano Edge Ai 黑箱
NanoEdge AI 的优点是落地快。数据集先在本地评估，但生成库所需参数需要再上传到 ST 服务器云编译。最后下载 C 库，链接进 MCU 工程，运行时把传感器数组传进去，读取检测或分类结果。
缺点也清楚：库是黑箱，模型结构、特征选择、训练过程和内部参数都不能完全控制。它更适合工程落地，不适合追求模型细节可解释的研究流程。
尽管NanoEdgeAI生成的模型可以在其他兼容arm芯片上使用，甚至把把本地评估程序exe挪到其他地方使用，但是这是违反用户许可协议的，不能商用
自训练
NanoEdge AI 的优点是落地快，缺点是黑箱程度高。它适合快速做出 MCU 端可运行的边缘 AI 功能；如果后期产品对可解释性、模型结构和部署格式有更强要求，就需要考虑自训练模型，再通过 TFLite Micro 或手写 C 推理部署。 你可以把标注过的数据集丢给Agent，再给一台服务器让它自己做模型，自动评估、转换成 C 代码，部署到 MCU。代码智能体可以辅助完成数据处理、训练和转换。
这条路线控制权更高，但是我测试过，最后出来的模型没有NanoEdgeAI跑出来的强
参考资料
本文由 AI 辅助整理，请以实际测试结果和官方文档为准。