1. 课程导入：学习目标、课程结构、所需软硬件环境，以及振动识别在设备状态监测中的实际意义

工业设备在运行过程中不可避免地会产生振动，而振动信号中蕴含着丰富的设备健康状态信息。从轴承磨损、齿轮断裂到转子不平衡，每一种故障都会在振动频谱上留下独特的“指纹”。传统振动监测依赖昂贵的专用仪器和专家人工分析，难以大规模部署。随着边缘计算与嵌入式机器学习（TinyML）的兴起，我们可以在成本极低的微控制器（如Arduino Nano 33 BLE Sense）上直接运行轻量级神经网络模型，实现振动信号的实时采集、特征提取与故障分类。本章作为整个课程的导入，将明确学习目标、梳理课程结构、列出软硬件环境清单，并深入剖析振动识别在设备状态监测中的工程价值与落地路径。

1.1 学习目标：从原理到部署的完整能力构建

本课程并非简单的“Arduino+传感器”拼装教程，而是围绕“振动数据→特征工程→模型训练→嵌入式部署”这一完整链路展开的系统性教学。完成本课程后，学习者应具备以下核心能力：

• 硬件层能力：掌握加速度计（MPU6050/ADXL345）的I2C/SPI接口配置、量程选择、采样率设置，理解振动信号的物理意义（加速度、速度、位移之间的微分积分关系）。
• 信号处理能力：能够对原始振动波形进行去直流、带通滤波、加窗处理，并熟练使用FFT将时域信号转换为频谱，识别特征频率（如轴承故障特征频率BPFO/BPFI）。
• 模型训练能力：使用Edge Impulse或TensorFlow Lite Micro完成数据采集、标注、训练、量化与导出，理解CNN在频谱图分类中的优势，以及决策树/随机森林在少量特征下的快速收敛特性。
• 系统集成能力：将训练好的int8量化模型部署到Arduino Nano 33 BLE Sense（Cortex-M4F @64MHz）上，实现实时推理，并通过串口/蓝牙输出分类结果。
• 工程思维：理解过拟合、数据不平衡、采样率不足、振动噪声干扰等实际问题，掌握模型鲁棒性提升的基本策略。

1.2 所需软硬件环境：低成本、高可复现的实验平台

为了确保课程的可操作性与可复现性，我们选择了一套经过验证的低成本硬件组合与开源软件工具链。所有实验均可在普通实验室或家庭环境中完成，总硬件成本控制在500元人民币以内。

类别	组件	型号/规格	用途说明
核心硬件	主控板	Arduino Nano 33 BLE Sense	内置9轴IMU（LSM9DS1）、麦克风、环境传感器，Cortex-M4F @64MHz，1MB Flash，支持TFLM
	外部加速度计	MPU6050（I2C）或ADXL345（SPI）	用于外接传感器，便于安装在设备壳体上，量程±2g~±16g可选
	振动源	小型直流电机+偏心轮/3D打印转子	模拟正常/不平衡/轴承磨损等不同振动状态
软件工具	IDE	Arduino IDE 2.x / PlatformIO	固件编写与烧录
	ML平台	Edge Impulse Studio（免费版）	数据采集、特征工程、模型训练、int8量化导出
辅助工具	串口调试助手/蓝牙调试APP	Serial Monitor / nRF Connect	查看实时分类结果与数据波形

1.3 振动识别在设备状态监测中的实际意义

在工业4.0与预测性维护的大背景下，振动分析是旋转机械状态监测最有效、最成熟的技术手段。据统计，约70%的旋转设备故障会首先表现为异常振动。传统做法是使用手持测振仪定期巡检，或安装在线监测系统（每通道成本数千至上万元）。而基于TinyML的振动识别方案，将智能分析能力下沉到传感器节点，具有以下不可替代的优势：

• 实时性与低延迟：数据在本地完成推理，无需上传云端，避免网络延迟，适用于紧急停机保护场景。
• 数据隐私与带宽节省：只上传“故障类型+置信度”等少量结果，而非原始波形，大幅降低通信带宽需求。
• 低成本大规模部署：单个节点硬件成本低于100元，可密集布设在关键设备上，实现从“定期巡检”到“连续监测”的转变。
• 边缘智能：模型在设备端持续运行，能够捕捉早期微弱故障信号，为维修决策提供数据支撑。

1.3.1 典型故障类型与振动特征

设备振动故障通常分为以下几类，每类在频谱上具有明显的标志性特征：

故障类型	特征频率	振动表现
转子不平衡	1×转频（工频）	径向振动大，频谱中基频峰值突出
轴不对中	2×转频为主，伴有1×	轴向振动明显，二倍频分量增大
滚动轴承外圈故障	BPFO（外圈通过频率）	高频冲击，频谱出现边带
滚动轴承内圈故障	BPFI（内圈通过频率）	冲击能量大，调制现象明显
齿轮断齿/磨损	啮合频率及其谐波	啮合频率幅值增大，边带丰富

1.3.2 案例拆解：电机轴承故障的TinyML识别

我们以一个典型的电机轴承外圈故障检测为例，说明TinyML方案的完整闭环。某工厂一台额定转速为1450rpm（转频约24.2Hz）的异步电机，轴承型号为6205，外圈故障特征频率BPFO≈3.57×转频≈86.4Hz。传统方案需要外接振动分析仪，由工程师现场采集频谱并人工判断，耗时约30分钟/台。采用本课程方案后：

1. 数据采集：在电机壳体上安装MPU6050，采样率设为2kHz，每次采集2秒（4000个采样点），共采集正常、外圈故障、内圈故障、不平衡四种状态各50组样本。
2. 特征提取：对每组样本计算FFT频谱，提取0-1kHz范围内的峰值频率、RMS值、峭度、频谱质心等8个特征。
3. 模型训练：在Edge Impulse上使用80%数据训练一个两层CNN模型（输入为频谱图），20%数据验证，准确率达97.5%。经int8量化后模型大小仅12.8KB。
4. 部署推理：将量化模型部署到Arduino Nano 33 BLE Sense，实测单次推理耗时约35ms，满足实时监测需求。当模型输出“外圈故障”且置信度>0.9时，板载LED闪烁并串口输出报警。
5. 结果对比：与传统人工分析相比，识别时间从30分钟缩短至2秒，且无需专业工程师在场。连续运行30天，成功预警2次早期轴承磨损，避免了设备停机损失。

1.4 常见误区与学习建议

在初学者学习振动TinyML的过程中，有几个典型误区需要特别提醒：

• 误区一：采样率越高越好。实际上，根据奈奎斯特定理，采样率只需覆盖感兴趣的最高频率的2倍即可。对于轴承故障，通常2kHz~10kHz足够，过高的采样率会带来数据量爆炸和MCU算力不足的问题。
• 误区二：直接使用原始波形训练模型。原始时域波形受噪声和负载波动影响大，直接输入模型容易过拟合。应先进行FFT或小波变换，提取稳定的频域特征。
• 误区三：忽略数据标注的一致性。不同人标注的“正常”和“异常”标准可能不同，导致模型学习到错误边界。建议制定明确的标注规范，并由同一人完成全部标注。
• 误区四：只关注准确率而忽略推理延迟。在嵌入式设备上，模型大小和推理时间同样重要。int8量化虽然损失少量精度（通常<1%），但能显著提升推理速度并降低内存占用。