固定规则与学习模型的核心差别
阈值检测器使用事先写明的条件判断输入，例如幅值是否超过门槛、是否发生饱和、参考通道是否有效；训练AI模型则需从训练数据学习参数，并在独立测试数据上检验泛化。二者都可能输出标签，但标签的来源、误差特性与证明方式不同。
NEURALAN 当前有实际实现的JavaScript规则分析器，不包含已验证的车辆故障诊断训练模型。“RENDER_EVENT”只代表合成情境的可显示状态；“ABSTAIN”表达质量或来源问题，不是模型对真实车辆的置信判断。
规则的解释性与训练模型的前提
规则系统的优点是容易追踪决策条件，适合先解决“数据有没有缺口、窗口足不足够、来源是否混叠”等质量问题。缺点是手工条件可能对新环境不稳健，阈值的物理含义也必须通过实际采样标定，不能从合成样本直接推广。
训练模型可能处理更复杂的特征组合，但先决条件是标签可靠、样本覆盖充足、训练和评估分离，并能观察域外场景的错误。如果没有这些材料，模型的名字、参数规模或界面动画都不是效果证据。
计算特征和生成器假设分离
报告将计算特征和场景假设明确分开：features_computed_from_csv包含峰值、基线、漂移等数值处理结果；assumptions_from_synthetic_generator保存模拟器在生成数据时注入的来源先验。这两个集合不能混在一起当作“AI学会了识别道闸电机”。
质量门控可以先于事件判断。SIM-09把传感器通道设定为SATURATED，SIM-12把参考通道设为LOST，规则输出ABSTAIN；这不是算法能力不足的遮掩，而是阻止无效数据变成确定结论的明确设计。
从输入到ABSTAIN的质量门控
比较两类方法应先看输入与训练过程。一个固定阈值程序没有fit训练步骤，决策可以由条件分支完整复核；学习模型至少需要训练集划分、目标函数、版本化权重及评估协议。即使两者都将一个峰标为“候选”，该标签也不等价于部件故障诊断。
对于未来可能建立的真实模型，应公开数据划分单位：同一辆车或同一个车道的相邻记录若同时进入训练与测试，会高估跨车辆、跨现场的表现。还需披露误报、漏报、弃判覆盖、校准、时钟同步误差以及超出训练范围时如何退出。
| 比较维度 | 固定规则/阈值 | 训练模型 |
|---|---|---|
| 参数来源 | 人为确定并版本控制 | 从训练数据拟合 |
| 评估重点 | 门槛适用范围、边界样本 | 数据泄漏、泛化与误差统计 |
| 当前项目状态 | 合成JS规则可复算 | 未提供实车训练或诊断验证 |
从输入、质量到处理结果
边缘计算主题封面、车库干扰示意与原子磁测原理图不等同于软件处理流程。事件处理应以实际分析模块的“输入—质控—规则—弃判”顺序为准，不借装饰性神经网络图标暗示训练过程。
读者可同时打开[SIM-09截顶案例](/gaterestart/simulations/sensor-saturation/)与[SIM-12参考缺失案例](/gaterestart/simulations/reference-channel-loss/)，并检查[SIM-12 JSON报告](/gaterestart/data/v3/reports/SIM-12.json)。状态、原因和分析版本都比单一“AI告警”词汇具体。
现行JS规则与仪器来源的边界
本演示的 合成事件处理逻辑 以明示规则处理十二个合成案例，CSV 与 JSON 报告可供核对，场源类型来自案例设定。“规则阈值与训练模型”的比较是一项技术讨论：当前没有实车故障标签或经独立训练验证的诊断模型结果。
QuSpin仪器技术和QZFM工作条件解释磁场信号如何获得及其测量限制，不讨论NEURALAN的机器学习性能。磁测硬件灵敏度也不能推演为分类器的准确率。
引入AI模型前应准备的模型卡
如果未来确实引入AI模型，应单列“模型卡”：训练来源、输入特征、真实标签、数据切分、版本、错误案例与适用范围。现阶段保留规则分析器的准确称谓，反而更利于工程人员独立复算结果。
从[GR-01产品体系](/gaterestart/products/gr-01/)了解边缘模块位置，再到[研究方法](/gaterestart/research/)核对证据要求；[跨领域方法专题](/gaterestart/insights/from-meg-to-gates/)和[资讯中心](/gaterestart/updates/)提供进一步阅读。