3、TinyML概述：TinyML的定义、边缘计算优势、在故障识别中的应用价值与限制
TinyML是机器学习与嵌入式物联网系统交叉融合的前沿领域，其核心目标是在功耗受限、计算资源有限的微控制器（MCU）上部署和运行机器学习模型。与云端AI依赖大规模GPU集群不同，TinyML强调在数据产生的物理位置附近完成推理，实现毫瓦级甚至微瓦级的智能感知。在工业故障识别场景中，TinyML使得振动分析、电流特征提取、温度异常检测等任务可以直接在传感器节点或设备端完成，无需将原始数据回传云端。本章将系统阐述TinyML的定义边界、边缘计算带来的架构优势、在旋转机械故障识别中的具体应用价值，以及当前技术条件下不可回避的局限性，为后续章节中基于TensorFlow Lite for Microcontrollers的模型训练与部署奠定理论基础。
3.1 TinyML的核心定义与技术边界
TinyML并非一个严格的学术术语，而是一个工程实践领域的统称。根据TinyML基金会（TinyML Foundation）的表述，TinyML是"在极低功耗设备上实现机器学习推理的工程技术和方法论"。这里的"极低功耗"通常指毫瓦级甚至微瓦级，设备往往由纽扣电池或能量采集供电，运行时间要求从数月到数年不等。从硬件角度看，TinyML的目标平台是MCU，典型代表包括ARM Cortex-M系列、RISC-V内核以及部分超低功耗DSP。这些芯片的Flash通常在256KB到2MB之间，SRAM在16KB到512KB之间，主频在几十MHz到两百MHz左右，没有操作系统或仅运行RTOS。
从软件栈角度看，TinyML涉及模型训练（通常在PC或云端完成）、模型压缩（量化、剪枝、蒸馏）、模型转换（转换为TensorFlow Lite for Microcontrollers格式或CMSIS-NN优化的二进制）、以及设备端推理运行时。与传统的嵌入式规则判断（如阈值比较）相比，TinyML的核心价值在于能够学习复杂的非线性特征映射，例如从振动频谱中识别出早期磨损的微弱特征，而无需人工设计复杂的特征提取规则。与云端AI相比，TinyML不需要网络连接，推理过程完全本地化，这从根本上改变了工业故障识别的部署架构。
3.2 边缘计算在故障识别中的架构优势
传统的工业故障诊断系统通常采用"传感器-采集站-工业PC/服务器-云端"的多级架构。振动数据以10kHz以上的采样率连续采集，单通道一小时的数据量可达数百MB。这种架构面临三个核心痛点：一是带宽瓶颈，大量原始数据无法实时上传；二是延迟问题，从数据采集到云端推理再到结果返回，端到端延迟通常在秒级，无法满足高速旋转机械的实时保护需求；三是可靠性问题，工厂网络环境复杂，断网或抖动会导致诊断系统失效。
TinyML将推理能力下沉到传感器节点或设备端，从根本上改变了这一架构。以电机故障识别为例，在电机轴承座附近部署集成MEMS加速度计和MCU的智能传感器节点，节点以25.6kHz采样率采集振动信号，在本地完成FFT特征提取和CNN推理，直接输出"正常"、"磨损"或"不平衡"的分类结果。整个过程延迟小于10ms，功耗控制在30mW以内，仅在有异常或周期性上报时才通过无线通信发送结果。这种"端侧智能"架构带来了四个显著优势：
| 优势维度 | 传统云端方案 | TinyML边缘方案 | 工程收益 |
|---|---|---|---|
| 端到端延迟 | 1-5秒（含网络传输） | <10ms（本地推理） | 满足高速机械实时保护需求 |
| 网络依赖 | 完全依赖网络 | 断网仍可运行 | 提升系统鲁棒性 |
| 数据上传量 | 原始数据全量上传 | 仅上传特征/告警 | 降低带宽成本90%以上 |
| 数据隐私 | 原始数据暴露于网络 | 数据不出设备 | 满足数据安全合规要求 |
在具体实施中，边缘计算还带来了一个常被忽视的优势——数据分布自适应。每台设备的工况、负载、安装方式都有差异，云端统一模型往往难以适应所有设备。TinyML设备可以在本地进行增量学习或模型微调，例如利用设备运行初期的"健康数据"建立个性化基线，从而显著提升故障识别的准确性。这种"一机一模型"的能力是传统集中式方案难以实现的。
3.3 在故障识别中的应用价值：从理论到实践
旋转机械故障（如轴承磨损、转子不平衡、不对中）是工业设备最主要的故障来源，占所有机械故障的60%-70%。这些故障在振动信号中表现为特定频段的能量变化、谐波成分的出现或调制边带的形成。传统方法依赖人工提取特征（如RMS、峰值因子、包络谱特征频率），需要深厚的信号处理知识和反复调试。TinyML使得端到端的故障特征自动学习成为可能，模型直接从原始波形或频谱中学习判别性特征。
以一个具体的轴承磨损分级案例为例：在某工厂的离心泵预测性维护项目中，工程师在泵轴承座上安装了三轴MEMS加速度计（ADXL355），采样率设定为25.6kHz，每次采集8192个采样点（约0.32秒）。数据经过预处理后，在PC端训练一个1D-CNN模型，输入为振动波形，输出为三类概率：正常、早期磨损、严重磨损。模型结构为：Conv1D(16, 3) + ReLU + MaxPool(2) + Conv1D(32, 3) + ReLU + MaxPool(2) + Flatten + Dense(16) + Dense(3, Softmax)。该模型参数量约12K，在PC上训练准确率达到97.2%。
部署阶段，模型经过8位整数量化后，大小从原始float32的48KB压缩至12KB。在STM32L4系列MCU（Cortex-M4F，80MHz，192KB SRAM）上，使用CMSIS-NN优化的推理函数，单次推理耗时约8ms，RAM占用约14KB（包括中间激活值）。设备以每分钟一次的频率进行推理，平均功耗约12mW，采用2000mAh锂电池供电，理论续航可达数月。实际运行中，模型成功在轴承出现明显损伤前3周识别出早期磨损特征，而传统阈值报警方法在损伤出现前仅能提前2天报警。
3.4 当前限制与工程应对策略
尽管TinyML在故障识别中展现出巨大潜力，但工程实践中仍面临若干硬性限制，需要设计者清醒认识并采取针对性措施。
第一，内存与算力的物理约束。MCU的SRAM通常不超过512KB，这意味着模型中间激活值必须严格控制。例如，一个输入为1024点FFT频谱（float32）的模型，仅输入数据就占用4KB，若网络层较深，激活值可能迅速膨胀。应对策略包括：使用深度可分离卷积减少参数量；采用8位或16位定点量化；在模型设计阶段就使用"目标内存预算"作为约束条件进行架构搜索。此外，CMSIS-NN和Ethos-U55等硬件加速器可以显著提升卷积运算效率，但需要MCU具备相应指令集支持。
第二，功耗与性能的平衡。虽然TinyML设备功耗远低于云端方案，但在电池供电的无线传感器节点中，功耗仍是核心约束。以Nordic nRF52840为例，其Cortex-M4F内核在64MHz运行时功耗约30mA@3V，而无线传输（BLE）峰值电流可达15mA。如果设备每分钟推理一次（每次8ms），推理功耗占比极小，但若需要连续监测（每秒推理一次），功耗将显著上升。工程上通常采用"事件驱动"策略：低功耗传感器持续监测简单指标（如RMS值），当超过阈值时唤醒MCU执行完整TinyML推理，从而将平均功耗降低一个数量级。
第三，模型维护与OTA更新的复杂性。设备部署后，模型可能需要根据新工况进行更新。然而，MCU上的OTA更新面临Flash空间限制、通信带宽有限、以及更新失败导致设备变砖的风险。建议采用A/B分区方案，将当前运行固件和待更新固件分别存储在两个Flash分区中，更新完成后通过标志位切换启动分区。同时，模型更新应尽量采用增量方式，仅更新模型参数而非整个固件，以减少传输数据量。
第四，数据分布漂移问题。工业设备在不同工况（转速、负载、温度）下，振动特征分布会发生显著变化。训练数据来自特定工况，而部署后设备可能运行在其他工况，导致模型性能下降。应对策略包括：在训练阶段引入多工况数据增强；在设备端部署简单的域适应模块（如输入归一化参数自适应）；或定期收集边缘设备上的推理结果和置信度，上传至云端进行模型再训练。这一闭环流程需要云端与边缘的协同设计，也是TinyML系统长期稳定运行的关键。