课程导入：TinyML在工业节点中的价值、课程目标、学习路径与前置知识要求

工业现场的设备状态监测、预测性维护与异常告警，长期面临一个结构性矛盾：传统云端AI方案依赖稳定网络将原始数据回传，但工业环境中的振动、温度、电流等信号采样频率高、数据量大，且许多部署点位位于网络覆盖薄弱或实时性要求严苛的产线边缘。与此同时，PLC和DCS等既有控制系统虽然可靠，却缺乏对高频信号特征的深度提取能力。TinyML——即在微控制器（MCU）上直接运行机器学习推理的技术——恰好填补了这一空白：它将模型推理下沉到传感器节点本身，在毫瓦级功耗预算内完成特征提取、异常判定与本地告警，从而将“感知-决策-执行”的闭环压缩到物理现场。

上图展示了TinyML工业节点的完整数据链路：物理感知层负责将工业信号转换为数字量，边缘计算层在MCU内完成特征提取与模型推理，执行与监控层则实现本地告警与云端协同。值得注意的是，传统方案中“传感器→云端→控制”的长链路被压缩为“传感器→MCU→执行器”的短闭环，而云端仅承担模型迭代与全局监控职能。这种架构转变带来的直接收益包括：告警延迟从秒级降至毫秒级、网络带宽占用降低90%以上、数据隐私性显著增强。

1.1 TinyML在工业节点中的核心价值

TinyML并非简单地将深度学习模型压缩后塞入MCU，而是围绕工业场景的物理约束重新设计了一套完整的嵌入式AI工程方法论。其核心价值体现在三个维度：实时性——本地推理避免了网络往返时延，对于旋转机械的轴承故障（特征频率通常在1-10kHz），采样与推理的端到端延迟必须控制在单个旋转周期内；可靠性——工业现场存在电磁干扰、网络抖动、协议冲突等不确定因素，本地决策不依赖外部基础设施，即使断网也能维持基本保护功能；经济性——一颗Cortex-M4级别的MCU成本仅为工业PC的十分之一，且功耗低至数十毫瓦，可借助电池或能量采集供电，大幅降低布线成本。

对比维度	传统云端AI方案	TinyML本地推理	工业收益
端到端延迟	500ms-2s（含网络）	5-50ms	满足高速故障保护
网络依赖	完全依赖	仅用于模型更新	断网可用性提升
数据上传量	原始波形（MB/s）	特征/告警（KB/s）	带宽成本降低90%
单节点功耗	5-15W	30-300mW	支持电池供电
部署成本	网关+服务器	单芯片方案	硬件成本降低70%

以某化工厂的离心泵监测为例，传统方案在泵体安装振动传感器，通过4-20mA信号接入PLC，再由SCADA系统上传至云端分析。该方案存在两个痛点：一是4-20mA仅能传输振动有效值（RMS），丢失了频谱细节，无法识别早期轴承点蚀；二是云端分析延迟达数秒，对于高速泵（3000rpm）而言，一个故障特征周期仅20ms，云端方案根本无法实现实时保护。引入TinyML后，在泵体旁部署基于STM32F4的智能节点，直接采集加速度计原始数据，在本地执行FFT与1D-CNN推理，可在10ms内识别出轴承外圈故障特征频率，并驱动继电器切断电机电源。

1.2 课程目标与能力模型

本课程的目标不是培养算法研究员，而是培养能够独立完成TinyML工业节点从选型到部署全流程的嵌入式AI工程师。完成本课程后，学员应具备以下核心能力：

• 硬件选型与接口设计：根据采样率、精度、功耗约束选择合适的MCU、ADC、传感器，并设计信号调理电路。
• 数据工程：在资源受限环境下完成数据采集、标注、增强与特征工程，构建适合MCU的轻量化数据集。
• 模型设计与压缩：掌握模型量化（INT8/INT16）、剪枝、知识蒸馏等技术，将模型体积控制在Flash 100KB以内。
• 嵌入式部署：熟练使用TensorFlow Lite Micro、CMSIS-NN等推理框架，完成模型到MCU的移植与优化。
• 系统集成与测试：实现本地告警逻辑、通信协议对接（Modbus/OPC UA）、远程模型更新（OTA）。
• 可靠性验证：掌握工业环境下的EMC测试、长时间稳定性验证、故障注入测试方法。

1.3 学习路径与章节导航

课程共30章，按照“基础→方法→实战→进阶”四个阶段组织，每章均包含理论讲解、代码示例、实验任务与常见问题分析。建议学员按照以下路径学习：

1. 基础阶段（第1-6章）：掌握TinyML概念、MCU架构、传感器接口、信号处理基础。此阶段重点是建立“资源受限”的思维模式，理解为什么不能直接运行标准TensorFlow模型。
2. 方法阶段（第7-14章）：深入数据采集、特征工程、模型训练与压缩。每章配套一个完整的工业数据集（振动、温度、电流等），学员需完成从原始数据到可部署模型的完整流程。
3. 实战阶段（第15-24章）：聚焦具体部署技术，包括TFLite Micro移植、CMSIS-DSP优化、外设驱动开发、告警逻辑实现。此阶段包含大量代码调试与性能调优练习。
4. 进阶阶段（第25-30章）：涉及多节点协同、联邦学习、低功耗设计、安全防护等高级主题，帮助学员构建完整的工业AIoT系统视角。

每章末尾设有“实验任务”与“思考题”，建议学员在真实硬件（如STM32F746开发板、ESP32-S3）上完成验证。课程提供完整的示例代码仓库，但强烈建议学员手动敲入关键代码，以加深对底层机制的理解。

1.4 前置知识要求与学习建议

本课程面向具备一定嵌入式基础、希望向AI方向拓展的工程师。具体前置要求如下：

知识领域	要求等级	具体内容	推荐补充资源
C语言编程	熟练	指针、结构体、内存管理、位操作	《C Primer Plus》第6版
嵌入式基础	掌握	GPIO、定时器、中断、UART/SPI/I2C	《STM32嵌入式系统开发实战指南》
数字信号处理	了解	采样定理、FFT、滤波器设计	《数字信号处理》（程佩青）
机器学习基础	了解	分类/回归、过拟合、交叉验证	吴恩达《Machine Learning》课程
Python编程	掌握	NumPy、Matplotlib、基础TensorFlow/Keras	《Python深度学习》（François Chollet）

对于基础薄弱的学员，建议在开始本课程前用2-3周时间补齐短板。特别提醒：不要跳过信号处理部分——工业场景中90%的故障特征都体现在频域，如果无法理解频谱泄漏、窗函数、频率分辨率等概念，后续的模型设计将无从下手。同时，建议准备一套低成本开发板（如STM32F411 Nucleo，约100元），配合ADXL345加速度传感器模块，即可完成大部分实验。

1.5 案例拆解：某水泥厂辊压机轴承监测节点

为帮助学员建立直观认知，这里给出一个完整的TinyML工业节点部署案例。该案例来自某水泥厂辊压机（一种用于物料粉碎的大型设备）的轴承温度与振动监测项目。

背景与约束：辊压机轴承位于密闭腔体内，环境温度高达70℃，振动加速度峰值达50g。原方案采用有线振动传感器接入DCS，但信号线长达80米，存在严重电磁干扰，且DCS采样率仅1kHz，无法捕捉轴承早期故障的高频成分（特征频率约2.5kHz）。工厂要求新增监测节点，但不愿大规模布线，且预算有限。

方案设计：选用STM32L4系列MCU（Cortex-M4内核，80MHz主频，内置FPU），搭配ADXL357加速度计（量程±40g，带宽2kHz）和PT100温度传感器。节点采用电池供电（3.6V锂亚电池，容量19Ah），设计目标工作寿命2年。软件方面，使用TensorFlow Lite Micro部署一个3层1D-CNN模型（输入256点振动波形，输出正常/异常二分类），模型量化后体积为23KB，推理时间约8ms。

关键参数与调试过程：

采样率: 4096 Hz（满足2.5kHz特征频率的奈奎斯特条件）
采样点数: 256（时间窗62.5ms，覆盖约156个旋转周期）
FFT点数: 256（频率分辨率16Hz）
模型输入: 256点原始波形 + 32点FFT幅值谱（拼接后288维）
量化方式: 全整型INT8量化（TensorFlow Lite Converter）
内存占用: Flash 87KB / RAM 32KB
告警阈值: 模型输出概率 > 0.85 且持续3次推理（防抖）

部署效果：节点在辊压机连续运行6个月，共记录到3次轴承异常预警。第一次预警发生在第47天，模型输出概率为0.92，但人工点检未发现明显异常；第52天振动值明显上升，拆检发现轴承外圈出现轻微点蚀。另外两次预警分别在第89天和第121天，均提前2-5天发现故障。相比原DCS方案，TinyML节点提前预警时间平均为3.2天，且未发生漏报。

风险与代价：电池在高温环境下实际寿命为14个月，低于设计值（锂亚电池在70℃下自放电率增加）。后续改进方案采用能量采集（利用辊压机本体振动发电），将节点寿命延长至3年以上。此外，模型在冬季低温（-10℃）环境下出现误报率升高，原因是轴承润滑脂粘度变化导致振动特征偏移，需通过温度补偿或增加温度特征输入解决。

复盘经验：该案例揭示了TinyML工业部署的三个关键教训：一是环境适应性必须通过长周期测试验证，不能仅依赖实验室数据；二是模型输入设计应结合物理知识（时域+频域联合输入显著优于单一域）；三是告警策略需要工程化的防抖与确认机制，避免单次误判导致停机损失。