1. 课程导入：学习目标、核心概念、整体框架

欢迎进入《TinyML低功耗振动监测：周期采样与异常触发推理》课程。在工业设备状态监测、预测性维护与边缘智能的交叉领域，振动信号是最具信息密度的物理量之一。然而，传统振动监测系统往往依赖高功耗的连续采样与云端推理，这在电池供电、无线部署、恶劣环境等场景下面临严峻挑战。本课程聚焦于TinyML（微型机器学习）在振动监测中的工程化落地，核心命题是：如何在毫瓦级功耗预算下，通过周期采样与异常触发推理，实现长时间、自主、可靠的设备健康监测。本章作为开篇，将明确学习目标、厘清核心概念，并搭建贯穿全课程的工程框架。

1.1 学习目标：从“能采”到“会省”再到“聪明地省”

本课程的学习目标不是简单地教会你如何读取加速度计数据，而是培养一种“功耗-精度-延迟”三维权衡的系统设计思维。完成本课程后，你将具备以下能力：

• 理解振动监测的物理基础与信号特征：掌握振动信号的频域特性（如轴承故障特征频率、齿轮啮合频率）、时域统计量（RMS、峰值因子、峭度）以及它们与设备故障的映射关系。
• 掌握周期采样策略的设计方法：能够根据设备工况、故障发展速度和电池容量，科学地设定采样周期、窗口长度和占空比，在“漏检风险”与“功耗开销”之间找到最优平衡点。
• 实现异常触发推理的两级流水线：设计并部署“轻量检测（第一级）+深度推理（第二级）”的级联架构，让系统在99%的时间内处于微安级待机状态，仅在必要时执行毫瓦级推理。
• 完成TinyML模型的嵌入式部署：掌握模型压缩（量化、剪枝）、TFLite Micro部署、CMSIS-NN加速等关键技术，在Cortex-M系列MCU上实现实时推理。
• 进行系统级功耗测量与优化：使用功耗分析仪（如Joulescope、Nordic PPK2）测量各工作状态的电流曲线，识别功耗热点，并通过软硬件协同优化实现“微瓦级平均功耗”目标。

1.2 核心概念：周期采样与异常触发推理

在进入技术细节之前，我们需要精确地定义本课程的两个核心概念。这两个概念构成了整个低功耗振动监测系统的设计哲学。

1.2.1 周期采样（Periodic Sampling）

周期采样是指系统按照预设的时间间隔（周期T），从低功耗睡眠状态中唤醒，完成一次短暂的振动数据采集与初步处理，然后再次进入睡眠状态的工作模式。其核心思想是“以时间换功耗”——用采样的间歇性换取平均功耗的急剧下降。

这里的关键设计参数是占空比（Duty Cycle），即活跃时间与总时间的比值。例如，一个系统每10分钟唤醒一次，每次工作100ms，则占空比D = 100ms / 600s ≈ 0.017%。如果系统活跃时功耗为10mW，则平均功耗仅为1.7μW——这足以让一颗CR2032纽扣电池（标称容量225mAh）运行数年。

1.2.2 异常触发推理（Anomaly-Triggered Inference）

异常触发推理是一种事件驱动的计算范式，其核心思想是：系统平时只运行极低成本的异常检测算法（第一级），只有当检测到“可疑”信号时，才触发高成本的深度学习推理（第二级）进行精确分类。这种两级流水线设计，将昂贵的计算资源集中在真正需要的地方。

// 两级流水线的伪代码示意
void loop() {
    // 第一级：轻量检测（每次采样后执行）
    float rms = compute_rms(accel_buffer, N);
    if (rms > threshold_normal) {
        // 第二级：深度推理（仅在异常时触发）
        int fault_type = tflm_model_predict(accel_buffer, N);
        if (fault_type != NORMAL) {
            send_alert(fault_type);
        }
    }
    // 进入睡眠，等待下一个周期
    enter_sleep(T);
}

第一级检测器通常采用计算量极小的统计特征（如RMS、峰值、峭度）与阈值比较，其计算复杂度为O(N)，仅需几十个时钟周期即可完成。第二级推理则使用训练好的TinyML模型（如1D-CNN、决策树或异常检测自编码器），计算复杂度为O(模型规模)，需要数百毫秒的MCU时间。通过这种设计，系统将深度推理的执行频率降低了1-3个数量级，从而大幅节省功耗。

1.3 整体框架：从传感器到决策的完整链路

本课程的技术框架遵循“感知-处理-决策-通信”的经典物联网架构，但每一层都针对低功耗进行了深度优化。整个课程分为五个模块，共30章，其逻辑关系如下：

1. 模块一：基础与硬件平台（第1-6章）——涵盖振动监测的物理基础、传感器选型、MCU平台（STM32L4/nRF52）、电源管理与低功耗设计原则。
2. 模块二：信号采集与预处理（第7-12章）——深入讲解周期采样策略、抗混叠滤波、FFT与特征提取、数据增强与标注方法。
3. 模块三：TinyML模型设计与部署（第13-20章）——从模型选择（决策树、1D-CNN、LSTM）、训练与量化，到TFLite Micro部署、CMSIS-NN优化，以及模型功耗评估。
4. 模块四：系统集成与优化（第21-26章）——聚焦两级流水线实现、实时操作系统（RTOS）任务调度、功耗测量与调优、无线通信（BLE/Zigbee）低功耗设计。
5. 模块五：实战与案例（第27-30章）——通过电机轴承监测、泵组异常预警、旋转机械健康管理等完整案例，串联全部知识点。

1.4 案例拆解：一个典型的工业电机轴承监测场景

为了帮助大家建立直观认识，我们以一个典型的工业电机轴承监测项目为例，说明本课程技术框架的实际应用。假设场景如下：

背景与约束：某化工厂的循环水泵电机（功率45kW，转速2980rpm）需要加装无线振动监测节点。现场无市电，只能使用电池供电；安装位置在电机壳体上，环境温度可达60℃；要求节点连续工作至少1年，且能识别轴承内圈故障、外圈故障和滚动体故障三种模式。

初始方案与痛点：最初方案采用“连续采样+云端推理”架构，使用ESP32+ADXL345，每100ms上传一次时域波形。实测平均功耗约80mA（WiFi传输），4节AA电池（2000mAh）仅能维持25小时。显然无法满足要求。

本课程方案的改进过程：

• 第一步：功耗预算分解。目标平均功耗 ≤ 1mW（3.3V供电时约300μA）。将功耗预算分配给四个部分：传感器（10%）、MCU（30%）、无线（50%）、漏电（10%）。
• 第二步：采样策略设计。根据轴承故障特征频率（内圈BPFI≈14.7×转速/60≈730Hz），确定采样率fs=2kHz，窗口长度N=1024点（频率分辨率约2Hz）。设定采样周期T=10分钟，单次采样+特征提取时间约50ms，占空比D=50ms/600s≈0.008%。
• 第三步：两级流水线实现。第一级使用RMS+峭度双阈值检测，计算量仅需200次乘加运算；第二级使用一个参数量为3KB的1D-CNN模型，推理时间约30ms（Cortex-M4 @80MHz）。
• 第四步：功耗实测与优化。使用Joulescope测量各状态电流：睡眠态2μA，采样态3mA（持续50ms），推理态8mA（持续30ms），BLE广播态15mA（持续20ms）。计算平均功耗：2μA×0.99 + 3mA×0.008%×600 + 8mA×0.005%×600 + 15mA×0.003%×600 ≈ 2μA + 1.44μA + 2.4μA + 2.7μA ≈ 8.5μA。远低于300μA预算，实际电池寿命可达5年以上。

1.5 常见误区与总结复盘

在开始后续章节之前，有必要澄清几个初学者常见的认知误区，这些误区可能导致整个系统设计的失败。

• 误区一：采样率越高越好。实际上，过高的采样率不仅增加ADC功耗，还会产生大量冗余数据，增加传输和处理负担。正确的做法是根据目标故障的最高特征频率，选择略高于2倍频的采样率（工程上通常取2.56~4倍）。
• 误区二：模型越复杂越准确。在TinyML场景中，模型参数量与RAM占用直接相关。一个100KB的模型在Cortex-M4上可能无法运行，即使能运行，其推理功耗也会破坏整个功耗预算。本课程将教授“以精度换功耗”的模型压缩技术。
• 误区三：只关注MCU功耗，忽略传感器功耗。许多加速度计在测量模式下的功耗高达200-400μA，如果一直开启，将占据整个功耗预算的40%以上。必须使用传感器内置的FIFO和中断唤醒功能，让传感器也进入周期工作模式。
• 误区四：忽视漏电电流。在睡眠态，MCU的漏电电流（典型0.5-2μA）可能成为主要功耗来源。选择低漏电的LDO或DC-DC，以及合理设计电源域隔离，是低功耗设计的重要环节。