4、硬件选型：常用低功耗MCU、加速度计/振动传感器、电池与电源管理
TinyML低功耗振动监测系统的硬件选型，本质上是在“感知精度、计算能力、功耗预算、成本约束”四者之间寻找最优平衡点。与通用嵌入式开发不同，振动监测场景要求传感器具备足够高的采样率（通常为1kHz~10kHz）和分辨率（12位~16位），而电池供电又对平均功耗提出了严苛限制（通常为微安级待机、毫安级峰值）。本章将围绕MCU、加速度计/振动传感器、电池与电源管理三条主线，给出可落地的选型方法论与工程实践建议。
4.1 核心原理：低功耗振动监测的硬件约束与设计逻辑
振动监测的硬件设计遵循“感知-处理-通信-供电”的链路逻辑。传感器将机械振动转换为电信号，MCU负责采样、特征提取和轻量级推理，无线模块（如BLE、LoRa）负责数据上报，电池与电源管理为整个系统提供能量。低功耗设计的核心在于：尽可能减少系统处于高功耗状态的时间，并降低每个状态下的功耗值。
从能量预算角度看，一个典型的监测节点若采用1000mAh锂电池，目标工作寿命为2年，则平均功耗必须控制在57μA以下。这意味着系统大部分时间应处于深度睡眠（<5μA），仅在采样和推理时短暂唤醒（通常持续10~100ms，电流为5~20mA）。因此，MCU的唤醒时间、传感器的上电稳定时间、以及电源管理电路的静态电流，成为决定系统寿命的关键参数。
振动监测的特殊性在于采样率较高。以10kHz采样率、16位精度、3轴加速度计为例，每秒产生的数据量为60KB，若持续采集，MCU无法在低功耗模式下处理如此大的数据流。因此，实际系统通常采用“事件触发+短时突发采样”策略：平时传感器处于低功耗检测模式，当振动强度超过阈值时，唤醒MCU进行短时（如1秒）全速采样，然后立即回到睡眠状态。这种设计对传感器的内置FIFO和中断输出能力提出了要求。
4.2 判断方法：MCU与传感器的关键选型指标与对比框架
MCU选型应优先关注以下五个维度：处理能力（主频与AI指令集）、睡眠功耗、唤醒时间、外设集成度（SPI+DMA+ADC）、以及生态成熟度。对于TinyML应用，Cortex-M4F或M33内核是当前主流选择，因为它们支持DSP指令和可选的Helium矢量扩展，能够高效运行轻量级神经网络（如TinyML常用的MobileNetV1、LSTM等）。
传感器选型则需关注：量程与灵敏度、噪声密度、带宽、FIFO深度、功耗模式、以及数字接口类型。工业振动监测通常需要±16g至±40g的量程，而消费级应用（如家电状态监测）±2g至±8g即可。噪声密度直接影响振动信号的信噪比，对于早期故障诊断，建议选择噪声密度低于100μg/√Hz的传感器。
| 选型维度 | MCU关键指标 | 传感器关键指标 | 推荐值/范围 |
|---|---|---|---|
| 处理能力 | 主频 / 是否有DSP/FPU | — | ≥64MHz，带FPU |
| 功耗 | 待机电流 / 运行电流 | 测量模式电流 / 睡眠电流 | 待机≤2μA，传感器测量≤200μA |
| 接口 | SPI / I2C / DMA | 数字接口 / 中断输出 | SPI+硬件FIFO |
| 数据采集 | ADC位数 / 采样率 | 输出数据速率(ODR) | MCU ADC≥12位，传感器ODR≥4kHz |
| 唤醒机制 | RTC / 外部中断 / 低功耗定时器 | 内置运动检测/阈值中断 | 支持事件驱动唤醒 |
| AI支持 | CMSIS-NN / TensorFlow Lite Micro | — | RAM≥64KB，Flash≥256KB |
在实际选型流程中，建议先根据振动频率范围确定传感器带宽，再根据电池容量和寿命目标反推MCU功耗预算，最后评估AI模型对RAM/Flash的需求。例如，若监测旋转机械的轴承故障，振动频率通常在1kHz~5kHz，则传感器带宽需≥10kHz，MCU采样率需≥20kHz（满足奈奎斯特采样定理）。
4.3 案例拆解：工业电机轴承监测节点的硬件选型实战
某工厂需要为50台电机部署无线振动监测节点，要求电池寿命≥2年，每10分钟上报一次振动特征值（RMS、峰值、频谱峰值），并在振动异常时触发实时报警。电机转速为3000rpm（50Hz），轴承故障特征频率约为200Hz~2kHz。
初始约束与目标：节点需在-20℃~60℃环境工作，通信距离≤50m（车间内），单节点硬件成本控制在200元以内。基于这些条件，我们进行了如下选型分析：
- 传感器选型：选择ADI ADXL357，量程±40g，噪声密度80μg/√Hz，带宽1kHz（可配置），内置512级FIFO，测量电流200μA，待机电流21μA。该传感器支持阈值中断，可在检测到振动超限时自动唤醒MCU。
- MCU选型：选择STM32U575（Cortex-M33内核，160MHz），待机电流1.6μA（RTC开启），唤醒时间5μs，内置SPI+DMA，支持CMSIS-NN。该MCU在运行TinyML模型（如1D-CNN）时，推理一次约需15ms，功耗约12mA。
- 电源方案：采用2节AA锂亚电池（3.6V，容量2400mAh）串联，通过TPS62740降压至3.3V，静态电流360nA，效率>90%。传感器和MCU分别由独立LDO供电，便于在睡眠时完全切断传感器电源。
- 功耗估算：系统每10分钟唤醒一次，采样1秒（10kHz×3轴），进行FFT和特征提取，然后通过BLE广播数据（20ms，10mA）。计算得平均功耗约45μA，电池寿命约5.9年，满足2年目标。
实际操作与验证：在实验室搭建测试平台，使用信号发生器模拟轴承故障振动，验证系统在1kHz~3kHz频段的检测灵敏度。实测节点在连续运行72小时后，电池电压下降0.12V，与理论估算误差小于5%。部署后，系统成功在电机轴承出现早期点蚀时触发报警，比计划检修提前了3周发现故障。
4.4 常见误区与总结复盘
误区一：盲目追求高精度传感器。对于振动监测，16位ADC配合低噪声传感器通常已足够。更高精度的传感器（如24位Δ-Σ型）往往功耗成倍增加，且对PCB布局和电源噪声更敏感，反而可能降低系统可靠性。
误区二：忽略电源管理电路的静态电流。即使MCU和传感器都选用了低功耗型号，如果LDO或DC-DC的静态电流达到10μA，整个系统的待机功耗就会超标。应选择静态电流<1μA的电源芯片，并尽量使用“使能引脚”在睡眠时关闭不必要的外设电源。
误区三：只考虑MCU的AI算力，忽视内存带宽。TinyML模型推理时，数据需要从Flash加载到RAM，如果Flash读取速度慢或RAM带宽不足，推理时间会显著增加，导致高功耗状态持续时间变长。建议选择支持缓存预取或具备ART加速器的MCU。
误区四：传感器FIFO使用不当。许多工程师直接读取传感器数据，而不使用FIFO。在低功耗设计中，应充分利用FIFO批量读取数据，减少SPI通信次数，让MCU在更短时间内完成数据搬运，从而更快回到睡眠状态。
总结复盘：硬件选型是一个系统工程，建议按照“传感器→MCU→电源→通信”的顺序进行，每一步都基于功耗预算和性能需求进行验证。在项目初期，应制作一个简单的功耗测试板，测量各模块的实际功耗数据，而不是完全依赖数据手册。同时，预留至少20%的功耗余量，以应对固件迭代和通信重传等额外开销。最后，务必进行整机老化测试（至少72小时连续运行），验证电池寿命估算的准确性，并记录温度变化对功耗的影响。