📚 课程目录第3章硬件与开发环境准备

3、硬件与开发环境准备：常用微控制器、传感器选型与开发环境搭建

TinyML边缘告警应用的核心在于“端侧智能”——在资源受限的微控制器上完成数据采集、本地推理和告警决策。硬件选型与开发环境搭建直接决定了项目的性能上限、开发效率和部署成本。本章将围绕微控制器选型、传感器适配、开发板对比以及Arduino IDE与PlatformIO环境搭建展开，帮助读者建立一套可复用的硬件基础框架。

3.1 微控制器选型：算力、内存与功耗的平衡

微控制器是TinyML边缘告警系统的“大脑”。不同于通用处理器，MCU需要在极低的功耗预算内完成确定性实时任务。选型时需重点评估四个维度：算力（通常以MHz和DMIPS衡量）、内存（Flash和SRAM容量）、外设接口（I2C、SPI、UART、ADC、PWM等）以及无线通信能力。对于边缘告警场景，推理模型通常为1-100KB的量化模型，因此SRAM至少需要64KB以上，Flash建议不低于512KB。

微控制器	内核	主频	SRAM	Flash	无线	适用场景
ESP32-WROOM-32	Xtensa LX6双核	240MHz	520KB	4MB	Wi-Fi+BLE	需要无线通知的告警节点
ESP32-S3	Xtensa LX7双核	240MHz	512KB	8MB	Wi-Fi+BLE 5	带向量加速的TinyML推理
STM32F407VET6	Cortex-M4F	168MHz	192KB	512KB	无（外接）	工业级高可靠性告警
STM32L496	Cortex-M4F	80MHz	320KB	1MB	无（低功耗）	电池供电的长期监测
RP2040	Cortex-M0+双核	133MHz	264KB	2MB(外挂)	无	低成本原型验证

在边缘告警场景中，ESP32系列因其内置Wi-Fi/BLE成为首选，省去外接无线模块的硬件设计复杂度。若项目对工业温度范围（-40℃~85℃）和长期稳定性要求极高，STM32F4系列配合外部LoRa或NB-IoT模块更合适。需要特别注意的是，FPU（浮点运算单元）对TinyML推理影响显著——Cortex-M4F和M7内核支持硬件浮点，可加速部分算子；而Cortex-M0+只能软件模拟浮点，应尽量使用整数量化模型。

选型经验：对于告警类应用，不要盲目追求高主频。例如，一个振动异常检测模型在ESP32上以80MHz运行即可在30ms内完成推理，而240MHz全速运行反而增加功耗。建议优先选择支持动态调频（如ESP32的DFS）和深度睡眠（Deep Sleep）的芯片，在无事件时进入低功耗模式，事件触发后快速唤醒。

3.2 传感器选型：从物理量到数字信号的适配

传感器是告警系统的“感知末梢”。选型需考虑测量范围、灵敏度、噪声、采样率、接口类型和功耗。对于边缘告警，常见传感器包括：加速度计（振动/倾斜检测）、麦克风（异常声音识别）、温湿度传感器（环境监测）、红外热电堆（人体存在检测）和电流互感器（电气设备状态监测）。

以振动告警为例，ADXL345（I2C/SPI接口，±16g量程，13位分辨率）是经典选择，其内置FIFO缓冲区可缓存32个采样点，减少MCU唤醒次数。若需检测更高频率振动（如轴承故障特征频率在5kHz-20kHz），则需选用ADXL1002等模拟输出加速度计，配合MCU的ADC以40kHz以上采样率采集。麦克风方面，ICS-43434（I2S接口，50Hz-20kHz平坦响应）适合声音事件检测，其数字输出直接对接MCU的I2S外设，无需外部编解码器。

传感器选型检查清单：
接口匹配：优先选择I2C/SPI数字接口，减少模拟信号调理电路；若使用模拟传感器，需确认MCU的ADC分辨率（ESP32为12位，STM32F4为12位）和采样率是否满足需求。
功耗预算：传感器工作电流+待机电流需纳入系统总功耗计算。例如，SHT30温湿度传感器测量时电流约1.5mA，但每10秒采样一次平均功耗可降至15μA。
数据就绪中断：选择支持中断输出（INT引脚）的传感器，避免MCU轮询浪费算力。ADXL345的INT引脚可在检测到运动超过阈值时唤醒MCU。
量程与精度：量程过小导致饱和削波，量程过大则量化噪声增加。例如，门窗磁簧开关检测只需±2g量程，而工业设备振动监测需±16g。

3.3 开发板介绍：从原型到部署的载体

开发板将MCU、传感器、无线模块和调试接口集成到统一PCB上，极大降低了硬件入门门槛。针对TinyML边缘告警，推荐以下开发板：

ESP32-DevKitC V4：最通用的ESP32开发板，引出所有GPIO，板载USB-UART（CP2102），支持自动下载电路。适合快速原型验证，但板载LED和稳压器会增加约5mA静态电流。
STM32F407G-DISC1：板载ST-LINK调试器、加速度计（LIS3DSH）、麦克风（MP45DT02）和音频编解码器，是学习STM32+TinyML的理想平台。但无无线模块，需外接ESP8266或LoRa扩展板。
XIAO ESP32S3：拇指大小的开发板，支持电池充电管理，适合可穿戴或空间受限的告警设备。其8MB Flash可存储较大模型，但GPIO数量有限（11个）。
Arduino Nano 33 BLE Sense：板载麦克风、加速度计、温湿度、气压和光传感器，内置BLE，开箱即用。但主频仅64MHz，SRAM 256KB，适合轻量级模型。

选择开发板时，应关注调试便利性（是否板载调试器）、电源灵活性（USB供电/电池供电/外部电源）以及扩展接口（是否兼容面包板或Grove生态）。对于最终产品化，建议在开发板上完成算法验证后，再设计定制PCB以去除冗余外设和调试电路。

3.4 开发环境搭建：Arduino IDE与PlatformIO实战

开发环境的选择直接影响开发效率和调试体验。Arduino IDE适合初学者快速上手，而PlatformIO则提供专业的项目管理、库依赖和命令行工具链。以下分别介绍两种环境的搭建流程。

3.4.1 Arduino IDE环境搭建

从官网下载Arduino IDE 2.x版本（支持自动补全和串口监视器增强）。
打开“文件→首选项”，在“附加开发板管理器网址”中添加ESP32的JSON链接：https://raw.githubusercontent.com/espressif/arduino-esp32/gh-pages/package_esp32_index.json。
在“工具→开发板→开发板管理器”中搜索“esp32”，安装“esp32 by Espressif Systems”最新版本。
选择开发板型号（如“ESP32 Dev Module”），设置Flash Size为“4MB”、Partition Scheme为“Huge APP (3MB No OTA)”，以预留足够模型存储空间。
安装TinyML相关库：在库管理器中搜索“EloquentTinyML”或“TensorFlowLite_ESP32”，安装后即可调用推理API。

// 验证ESP32环境是否正常
void setup() {
  Serial.begin(115200);
  Serial.println("ESP32 TinyML Ready!");
  pinMode(2, OUTPUT);
}
void loop() {
  digitalWrite(2, HIGH);
  delay(500);
  digitalWrite(2, LOW);
  delay(500);
}

3.4.2 PlatformIO环境搭建

PlatformIO是更专业的嵌入式开发环境，支持多框架（Arduino、ESP-IDF、STM32Cube）、多平台（Windows/Linux/macOS）和强大的依赖管理。推荐使用VS Code + PlatformIO插件。

安装VS Code，在扩展市场搜索“PlatformIO IDE”并安装。
创建新项目：点击PlatformIO主页的“New Project”，输入项目名，选择Board为“Espressif ESP32 Dev Module”，Framework选择“Arduino”。
编辑platformio.ini配置文件，设置串口监视器波特率和上传速度：

[env:esp32dev]
platform = espressif32
board = esp32dev
framework = arduino
monitor_speed = 115200
upload_speed = 921600
lib_deps = 
    eloquentarduino/TinyML@^1.0.0

PlatformIO的优势在于自动依赖解析——当项目需要TensorFlow Lite Micro时，只需在lib_deps中声明，构建时自动下载编译。此外，其原生调试支持（通过OpenOCD）可设置断点查看变量，对排查推理结果错误非常有帮助。

常见环境问题：

USB驱动不识别：ESP32开发板使用CP2102或CH340芯片，需安装对应驱动。Windows系统可在设备管理器中查看未知设备，手动指定驱动路径。
编译内存溢出：TinyML模型过大时，Flash或SRAM不足。解决方案：①使用量化模型（int8）替代浮点模型；②调整Partition Scheme；③在编译选项中启用-Os优化。
串口监视器乱码：检查波特率是否与代码中Serial.begin()一致，且开发板上的EN按钮是否在烧录前未按下。

3.5 案例拆解：基于ESP32的电机异常振动告警节点

本案例展示一个完整的硬件选型与开发环境搭建过程。某工厂需对生产线电机进行24小时振动监测，当振动加速度超过阈值时通过Wi-Fi发送告警至监控中心。

硬件选型：

主控：ESP32-WROOM-32（内置Wi-Fi，SRAM 520KB，Flash 4MB）
传感器：ADXL345（I2C接口，±16g量程，3.3V供电）
电源：3.7V锂电池 + AMS1117-3.3V LDO稳压
无线：ESP32内置Wi-Fi，通过MQTT协议上报

关键参数：采样率1kHz，每次采集256个样本（256ms窗口），FFT后提取1-3kHz频带能量作为特征。模型使用TinyML框架训练的二分类模型（正常/异常），模型大小约12KB。

开发过程：

在PlatformIO中创建项目，配置lib_deps添加Adafruit ADXL345和EloquentTinyML库。
编写传感器驱动代码，配置ADXL345为±16g、输出数据率3200Hz，开启FIFO中断。
实现数据采集：在中断回调中读取FIFO数据，累积256个样本后触发推理。
部署模型：将训练好的TFLite模型转换为C数组，通过Eloquent::TinyML加载。
告警逻辑：推理结果为“异常”且连续3次确认后，通过Wi-Fi发送MQTT消息至服务器。

测试结果：在正常电机上运行24小时，误报0次；人为模拟轴承故障（注入冲击信号），系统在2.3秒内完成检测并发送告警。整机平均功耗约85mA（Wi-Fi关闭时），待机功耗可降至10μA（深度睡眠+传感器中断唤醒）。

复盘经验：①ADXL345的FIFO缓冲区极大减少了MCU中断频率，使CPU占用率从35%降至8%；②Wi-Fi连接在每次告警后主动断开，避免长连接功耗；③模型输入归一化参数需与训练时完全一致，否则推理准确率下降明显。

3.6 常见误区与总结复盘

在硬件准备阶段，开发者常陷入以下误区：

忽视传感器噪声：ADXL345在±16g量程下的噪声密度约150μg/√Hz，若直接使用原始数据训练模型，噪声会被当作特征。应在数据采集时进行滑动平均滤波或低通滤波。
电源纹波干扰：ESP32在Wi-Fi发射时电流峰值可达240mA，若LDO压差不足或滤波电容过小，会导致传感器供电电压跌落，产生测量偏差。建议在传感器电源引脚并联10μF+0.1μF去耦电容。
开发板选型过度：初学者常选择功能最全的开发板，但板载LED、USB转串口芯片等外设会增加功耗和体积。产品化时应裁剪冗余电路。
忽略调试接口预留：即使使用无线烧录，也应保留SWD或UART调试引脚，便于现场排查问题。

总结而言，硬件准备的核心原则是“够用、可靠、可调试”。选型时先明确告警场景的采样率、功耗预算和无线距离，再反推MCU和传感器型号。开发环境方面，建议团队统一使用PlatformIO以保证依赖一致性，同时保留Arduino IDE作为快速验证工具。下一阶段将进入数据采集与预处理环节，硬件平台的稳定性将直接影响后续模型训练效果。