工序自动识别与匹配模式

1. 缘起：从“人工配置”到“智能感知”

在传统的工业物联网（IIoT）设备开发中，最头疼的往往不是通信协议，而是现场适配。
一台数据采集终端，接在平缝机上是一种信号逻辑（压脚->剪线），接在包缝机上又是另一种逻辑。以往我们需要技术人员拿着说明书，现场拨码开关或者进入后台配置页面手动选择“工作模式”。

有没有一种可能，让 MCU 自己去“看”一眼传感器的数据，就自动明白自己处在什么工序中？

这就是我在工程中引入工序数据采集匹配模式的初衷。

2. 数据的基石：结构化事件流

要识别模式，首先要定义什么是“数据”。对于缝纫机等自动化设备，核心动作无非是 GPIO 的电平跳变和电机转速的变化。
我定义了一个能够描述最小动作单元的结构体 port_change_event_t：

typedef struct {
  uint8_t port_num;      // 端口号 (1-10)
  uint8_t change_type;   // 1=电平变化(IO), 2=脉冲变化(Speed)
  uint8_t edge_type;     // 0=下降沿(按下), 1=上升沿(抬起)
  uint32_t timestamp;    // 时间戳(ms)，用于计算动作间隔
  uint16_t pulse_count;  // 累计脉冲数（用于辅助判断行程）
} port_change_event_t;

设计哲学：不要记录所有的 ADC 采样或高频电平，只记录状态的改变（Event）。这种“事件驱动”的数据流，极大降低了存储和处理的压力。

3. 核心算法：滑动窗口模式识别

收集到一串数据流（如：P3↓ -> P3↑ -> P5↓ -> P5↑ -> P3↓ -> P3↑ ...）后，如何从中提取出规律？
我采用了一种自适应滑动窗口（Adaptive Sliding Window）算法。

3.1 算法原理

窗口定义：假设一个工序周期的动作数量（窗口大小 $N$）未知，我们从 $N=2$ 开始尝试，最大尝试到 $N=8$。
滑动匹配：
- 取数据流的前 $N$ 个事件作为“候选模板”。
- 像滑块一样向后移动，检查后续的数据是否与“候选模板”高度重合。
置信度评估：
- 如果一个模板连续重复了 $\ge 3$ 次，我们认为捕捉到了规律。
- 计算**置信度 (Confidence)**：重复次数越多，置信度越高；动作序列越复杂，误判率越低。

3.2 举个栗子

假设采集到的原始序列是：
A B C A B C A B C D

尝试 N=2：模板 [A, B]。后续是 C, A -> ❌ 不匹配。
尝试 N=3：模板 [A, B, C]。
- 第1次重复：[A, B, C] -> ✅ 匹配。
- 第2次重复：[A, B, C] -> ✅ 匹配。
结论：发现周期为 3 的模式 [A, B, C]，重复 3 次。

4. 智能匹配：从“模式”到“业务”

识别出 [P3, P5] 交替动作这个物理规律后，MCU 还需要把它翻译成业务语言。这里就需要通过 特征模板 (Feature Template) 进行映射。

我们在代码中预置了常见机型的特征：

/* 工序特征模板 */
static const process_template_t templates[] = {
    // 模式1：平缝机 (压脚P3 + 剪线P5，逻辑分离)
    {
        .work_mode = MODE_SEWING_NORMAL,
        .active_ports_count = 2,
        .contains_ports = {3, 5},
        .sequence_logic = SEPARATE
    },
    // 模式2：包缝机 (压脚剪线联动，或单剪线)
    {
        .work_mode = MODE_OVERLOCK,
        .active_ports_count = 1,
        .contains_ports = {5}, // 只有剪线信号
        .sequence_logic = SINGLE
    }
};

匹配流程：

自动采集 30秒或 20条动作数据。
运行滑动窗口算法，提取出最可能的周期性模式。
将提取的模式（如“涉及端口3和5，周期1.2秒”）与预置模板库比对。
若匹配成功且置信度 $>80%$，则自动切换系统的 work_mode。

5. FreeRTOS 任务调度实现

这一切都在后台静默发生，不影响主业务运行。在 AutoDetectTask 任务中：

void AutoDetectTask(void *arg) {
    // 1. 采集阶段：通过队列接收来自 ISR 的事件
    // ... 等待队列满或超时 ...

    // 2. 分析阶段：CPU 算力集中爆发
    if (queue_count >= SAMPLE_DEPTH) {
        pattern_t pat = analyze_sliding_window(event_buffer);

        // 3. 决策阶段
        if (pat.confidence > 80) {
             uint8_t mode = match_template(pat);
             if (mode != current_mode) {
                 printf("Auto-Switch to Mode: %d\n", mode);
                 apply_work_mode(mode); // 动态切换并保存
             }
        }

        // 4. 重置：清空缓冲区，进入下一轮低功耗监听
        clear_buffer();
    }
}

6. 总结

这套机制的价值在于“去技能化”。

对工厂：产线工人换设备时，不需要找技术员调配置，插上电，踩几脚踏板，设备自动适配。
对开发：将复杂的信号处理逻辑封装在底层算法中，业务层只需要拿那个推导出来的 work_mode 结果。

这是嵌入式 AI 的一种雏形——不需要神经网络，仅用统计学和逻辑算法，就能让 MCU 表现出某种程度的“智能”。

MCU之工序数据采集匹配模式