1. 课程导入：明确学习目标、课程适用人群与整体知识框架

欢迎进入《TinyML分类式故障识别：正常、磨损与不平衡状态分类》课程的第一章。在工业4.0与边缘计算深度融合的今天，设备故障预测与健康管理（PHM）正从云端集中式分析向端侧实时智能决策迁移。TinyML（微型机器学习）作为在毫瓦级功耗的微控制器（MCU）上部署机器学习模型的技术，为旋转机械、电机、泵机等关键设备的在线状态监测提供了全新的技术路径。本章作为全课程的起点，将系统性地为您勾勒学习蓝图：明确最终能力目标、界定适合的学习人群、构建完整的知识框架，并规划一条从零基础到实战部署的高效学习路径。无论您是嵌入式工程师希望拓展AI技能，还是算法工程师寻求硬件落地，本章都将为您提供清晰的导航。

1.1 课程学习目标：从原理到部署的完整能力构建

本课程的核心目标并非仅仅让您“跑通一个demo”，而是帮助您建立一套完整的、可复用的TinyML故障识别系统开发能力。具体而言，完成本课程后，您将具备以下六项关键能力：

• 信号采集与预处理能力：理解加速度计、麦克风等传感器的选型原则，掌握采样率设定、抗混叠滤波、去直流分量、加窗函数等预处理技术，能够从原始振动信号中剔除噪声与趋势项。
• 特征工程能力：能够从时域（均值、峰值、峭度、波形因子）、频域（FFT频谱、功率谱密度、频带能量）以及时频域（小波包分解）三个维度提取具有物理意义的特征，并运用主成分分析（PCA）或互信息法进行特征降维与选择。
• 模型训练与优化能力：掌握适用于MCU的轻量级分类模型（如决策树、随机森林、小型1D-CNN、TinyML专用网络），能够使用TensorFlow Lite for Microcontrollers或Edge Impulse等工具进行模型训练、超参数调优与过拟合抑制。
• 模型压缩与量化能力：理解并实践权重量化（如INT8量化）、权重剪枝、知识蒸馏等技术，将模型体积压缩至数百KB以内，同时保证分类准确率不显著下降。
• MCU端部署与推理能力：能够将量化后的模型转换为C++数组，集成到STM32、ESP32或Arduino等平台，编写高效的推理代码，实现毫秒级响应与微瓦级功耗。
• 系统级调试与评估能力：能够通过串口或BLE实时查看分类结果与置信度，设计简单的故障模拟实验（如人为制造不平衡负载）来验证系统鲁棒性，并能够分析混淆矩阵定位误判原因。

1.2 课程适用人群：谁将从本课程中获益？

本课程面向多学科交叉背景的从业者与学习者，不要求您具备深厚的机器学习理论功底，但需要具备基本的编程与硬件认知。具体适用人群包括：

人群类别	基础要求	核心收益
嵌入式/物联网工程师	熟悉C/C++、了解MCU外设（ADC、DMA、UART）	掌握在资源受限设备上部署AI模型的方法，提升产品智能化附加值
工业设备运维/可靠性工程师	了解振动传感器、设备维护流程	学会用数据驱动方式替代人工巡检，实现预测性维护
机器学习算法工程师	熟悉Python、TensorFlow/PyTorch	理解模型量化、剪枝等边缘部署技术，拓展端侧AI技能树
高校学生（电子、机械、计算机）	具备基础编程与电路知识	完成一个软硬结合的完整项目，为竞赛或毕业设计提供支撑

需要特别说明的是，如果您是零基础的爱好者，建议先补充C语言基础与简单的电路知识（如如何使用万用表、面包板），本课程在涉及具体代码时会提供详细注释，但不会从“Hello World”讲起。

1.3 整体知识框架：四大模块与一条主线

本课程的知识体系围绕“数据→特征→模型→部署”这一主线展开，共分为四大模块，每个模块内部又包含若干紧密衔接的章节。整体框架如下：

1. 模块一：信号采集与预处理（第2-5章）——从传感器选型、采样定理、数据标注到数据增强，构建高质量数据集。这是整个系统的“地基”，数据质量直接决定模型上限。
2. 模块二：特征工程与降维（第6-9章）——深入时域、频域、时频域特征提取方法，并引入基于统计与基于模型的特征选择策略，解决“维度灾难”问题。
3. 模块三：模型训练与优化（第10-18章）——涵盖经典机器学习分类器（SVM、随机森林）与深度学习模型（1D-CNN、LSTM），重点讲解类别不平衡处理、超参数搜索与过拟合抑制。
4. 模块四：边缘部署与系统集成（第19-30章）——聚焦模型量化、TensorFlow Lite Micro移植、实时操作系统（RTOS）集成、低功耗优化以及完整的项目实战（如基于STM32的泵机监测系统）。

1.4 学习路径规划：五阶段递进式学习法

为了确保学习效果，我们设计了“五阶段递进式”学习路径，每个阶段都包含理论学习、动手实践与自我检验三个环节。建议每周投入6-8小时，总计约8-10周完成全部课程。

阶段	核心任务	关键产出	推荐工具/平台
阶段1（第1-5章）	搭建开发环境，采集并预处理振动数据	一份干净的CSV数据集（含三类标签）	Arduino IDE、Python、Jupyter Notebook
阶段2（第6-9章）	提取并筛选有效特征	特征向量表与特征重要性排序图	NumPy、SciPy、Scikit-learn
阶段3（第10-15章）	训练基线模型并优化	准确率>95%的模型文件（.h5或.tflite）	TensorFlow、Edge Impulse
阶段4（第16-22章）	模型量化与压缩	INT8量化后的.tflite文件（<200KB）	TensorFlow Lite Converter
阶段5（第23-30章）	MCU部署与系统联调	可实时运行的故障识别原型机	STM32CubeIDE、Keil、串口助手

1.5 案例拆解：从“实验室数据”到“工业现场”的思维转变

为了帮助您建立直观认知，我们引入一个贯穿全课程的实战案例——基于加速度计的旋转机械状态监测。该案例的背景设定如下：

背景与约束：某化工厂的冷却水泵电机（额定转速2900rpm）频繁出现轴承磨损故障，导致非计划停机。工厂希望部署一套低成本的在线监测系统，要求硬件成本低于200元人民币，功耗低于100mW，且能够区分正常、轴承磨损、转子不平衡三种状态。由于现场不具备Wi-Fi覆盖，数据需通过BLE或SD卡离线传输。

初始现象与目标：人工巡检时发现电机振动烈度超标（RMS值达7.2mm/s，ISO 10816标准限值为4.5mm/s），但无法确定具体故障类型。目标是通过TinyML模型实现三分类，准确率不低于90%，推理时间小于50ms。

关键输入数据：使用ADXL345三轴加速度计（量程±16g，采样率1kHz）采集电机轴承座垂直方向的振动信号。每类状态采集200组样本，每组样本时长1秒（即1000个采样点）。部分样本添加了高斯白噪声以模拟现场电磁干扰。

分析判断过程：首先对原始信号进行FFT分析，发现正常状态频谱以1倍频（48.3Hz）为主；磨损状态在2-4kHz频段出现明显边带；不平衡状态则在1倍频处幅值异常增大且伴有2倍频分量。基于此，我们选择频域特征（1倍频幅值、2倍频幅值、高频段能量比）作为关键判别依据。

实际操作步骤：① 使用Python脚本批量处理CSV数据，提取上述特征；② 采用随机森林分类器训练基线模型，准确率达94%；③ 将模型转换为TensorFlow Lite格式并应用INT8量化，模型体积从2.3MB压缩至89KB；④ 在STM32F401RE开发板上部署，实测推理时间仅12ms，功耗约45mW。

结果对比与复盘：量化后模型准确率下降至92.5%，仍满足需求。但发现当环境温度升高时，传感器零漂导致误报率上升。复盘后决定在预处理阶段增加高通滤波（截止频率1Hz）以消除温漂影响，最终误报率降低至1.2%。

1.6 常见误区与学习建议

根据过往教学经验，初学者在学习TinyML故障识别时容易陷入以下误区，在此提前预警：

• 误区一：盲目追求高准确率。在实验室环境下追求99%的准确率意义有限，工业现场更关注误报率与漏报率的平衡。建议使用F1-score作为主要评估指标。
• 误区二：忽略数据采集的物理意义。采样率并非越高越好，过高的采样率会带来数据冗余与功耗上升。应根据故障特征频率（通常为轴承通过频率BPFO/BPFI）合理设定采样率，一般取最高关注频率的2.56倍以上。
• 误区三：将模型部署视为“最后一公里”。实际上，模型部署涉及内存对齐、算子支持、中断优先级等底层细节，建议在课程初期就了解目标MCU的算力与内存限制。
• 误区四：只关注代码不关注硬件。TinyML是软硬协同的领域，建议至少动手连接一次传感器、读取一次原始数据，建立对信号链路的直观感知。