4、振动模型选型：适合MCU的小型神经网络结构（1D-CNN、LSTM、TinyML专用模型）对比与选择

在TinyML振动监测场景中，模型选型直接决定了部署后的推理延迟、RAM/Flash占用以及故障识别的准确率。MCU通常只有几十KB到几百KB的RAM，主频在几十MHz到两百MHz之间，且没有GPU加速。因此，模型结构必须同时满足三个约束：参数量小、计算量低、对振动时序特征有足够的表达能力。本章将围绕1D-CNN、LSTM（含轻量变体）和TinyML专用模型（如TCN、MobileNetV1-1D、TinyConv）展开对比，并给出基于实际约束的选型决策路径。

振动模型选型决策路径 MCU资源约束 RAM ≤ 64KB Flash ≤ 256KB 振动数据特征 采样率 1-10kHz 窗口 256-1024点 任务需求 故障分类/异常检测 实时性 ≤ 50ms 候选模型 1D-CNN / LSTM TCN / TinyConv 评估维度：参数量 / 推理延迟 / RAM峰值 / 准确率 / 抗噪性 1D-CNN（首选） ✅ 参数量小（5-50K） ✅ 推理快（<10ms） ✅ 适合局部特征提取 ⚠️ 时序依赖需加深层 LSTM（谨慎选择） ✅ 长时序记忆强 ❌ 参数量大（>100K） ❌ 推理慢（>50ms） ⚠️ 仅用于长依赖场景 TCN / TinyConv ✅ 因果卷积+膨胀 ✅ 并行计算效率高 ✅ 适合中等时序 ⚠️ 需调膨胀系数 结论：优先1D-CNN；若需长时序依赖，用TCN替代；LSTM仅在窗口>1024且无实时性要求时考虑

4.1 核心原理：为什么通用CNN结构不能直接用于振动MCU

振动信号本质上是时间序列，每个采样点与前后点存在强相关性。通用2D-CNN（如ResNet、VGG）是为图像设计的，其卷积核在空间维度滑动，直接用于一维振动数据会造成大量无效计算。更关键的是，2D-CNN的参数量通常在百万级以上，远超MCU的Flash容量。1D-CNN将卷积核沿时间轴滑动，每个卷积核只覆盖一小段窗口（如kernel_size=3或5），参数量可压缩到几千到几万。LSTM则通过门控机制（输入门、遗忘门、输出门）维护一个隐藏状态向量，理论上可以捕捉任意长度的时序依赖，但每个LSTM单元需要4组权重矩阵，导致参数量呈平方级增长。TinyML专用模型（如TCN）采用因果膨胀卷积，在不增加参数量的前提下扩大感受野，是1D-CNN和LSTM之间的折中方案。

关键认知：MCU上的模型选型不是“哪个准确率高选哪个”，而是“在RAM/Flash/延迟约束下，哪个准确率可接受”。一个100KB的LSTM模型即使准确率比30KB的1D-CNN高2%，如果无法在目标MCU上运行，就没有实际价值。

4.2 判断方法：基于资源约束的模型选型流程

选型应遵循“先算资源预算，再定模型结构，最后微调校准”的流程。具体步骤如下：

  1. 确定MCU资源上限：查阅芯片手册，记录可用RAM（如STM32F103为20KB，ESP32为320KB但实际可用约200KB）、Flash（通常256KB-1MB）、主频（如80MHz）。
  2. 估算模型参数量：1D-CNN参数量 ≈ 卷积核数 × 卷积核大小 × 输入通道数 + 全连接层参数；LSTM参数量 ≈ 4 × (输入维度 + 隐藏单元数) × 隐藏单元数。例如，一个输入维度为64、隐藏单元为32的LSTM，参数量约为4×(64+32)×32=12,288。
  3. 计算RAM峰值：RAM占用 = 输入缓冲区 + 每层激活值 + 权重（若不能放在Flash中）。TFLite Micro通常将权重放在Flash，但激活值必须驻留RAM。1D-CNN的激活值约为“序列长度 × 通道数 × 4字节”，LSTM的激活值还包括隐藏状态和细胞状态。
  4. 评估推理延迟：在目标MCU上运行基准测试，或使用STM32Cube.AI、TensorFlow Lite for Microcontrollers的benchmark工具。1D-CNN通常每层耗时1-5ms，LSTM每层耗时10-30ms。
  5. 对比准确率：在相同数据集（如CWRU轴承数据集或自采振动数据）上训练各模型，记录验证集准确率、F1分数和混淆矩阵。
模型结构参数量范围RAM峰值（窗口=512）推理延迟（80MHz MCU）适用场景
1D-CNN（3层卷积+全连接）5K-30K15-40KB5-15ms轴承故障分类、电机异常检测
LSTM（1层，隐藏单元32）12K-50K30-80KB30-80ms长时序趋势预测、多传感器融合
TCN（膨胀卷积，4层）8K-40K20-50KB10-25ms需长感受野但实时性要求高的场景
TinyConv（深度可分离1D卷积）3K-15K10-25KB3-10ms极低资源MCU（如Cortex-M0）

4.3 案例拆解：某风机轴承故障监测的模型选型实战

背景与约束：某工业风机需要部署振动监测节点，MCU选用STM32L431（Cortex-M4F，80MHz，RAM 64KB，Flash 256KB）。采样率4kHz，窗口长度512点（即128ms数据），要求故障分类延迟不超过30ms，且需区分正常、内圈故障、外圈故障、滚动体故障四类。

初始现象与目标：团队最初尝试使用2层LSTM（隐藏单元64），训练后准确率达96.5%，但部署时发现RAM峰值达到78KB，超出64KB限制，且推理延迟为65ms，无法满足实时性。目标是在不显著降低准确率的前提下，找到可部署的模型。

关键输入数据与参数：使用CWRU轴承数据集（采样率12kHz，降采样至4kHz），每类样本2000个，训练集/验证集=8:2。输入特征为原始振动波形（512点），不做额外特征工程。

分析判断过程：首先，将LSTM隐藏单元从64降至32，参数量从约50K降至12K，RAM峰值降至40KB，但准确率降至93.2%。其次，尝试1D-CNN（3层卷积，每层32个卷积核，kernel_size=5，全连接层64单元），参数量约18K，RAM峰值28KB，推理延迟12ms，准确率94.8%。最后，尝试TCN（4层膨胀卷积，膨胀系数1,2,4,8，每层32个卷积核），参数量约22K，RAM峰值35KB，推理延迟18ms，准确率95.6%。

实际操作步骤：使用TensorFlow训练各模型，然后通过TFLite Converter转换为int8量化模型，再用STM32Cube.AI生成C代码。在开发板上实测推理延迟和RAM占用，并验证量化后的准确率损失（1D-CNN损失0.8%，TCN损失0.5%，LSTM损失1.2%）。

结果对比：最终选择TCN模型，因为其准确率最高（95.6%），且RAM峰值35KB（余量充足），推理延迟18ms（满足30ms要求）。LSTM虽然准确率接近，但量化后RAM仍达45KB，且延迟超标。

风险与代价：TCN的膨胀系数需要针对不同转速工况重新调优；若风机转速变化范围大，可能需要增加一层卷积，导致RAM增加5KB。团队为此增加了转速归一化预处理，将振动信号除以RMS值，以降低工况影响。

经验复盘：在MCU选型时，不要只看参数量，要重点评估“激活值RAM”。LSTM的隐藏状态和细胞状态是常驻RAM的，即使参数量不大，RAM占用也可能超标。1D-CNN和TCN的激活值随窗口长度线性增长，但可以通过减小batch size（通常为1）来控制。

4.4 常见误区与总结复盘

误区一：盲目追求高准确率模型。很多开发者习惯在PC上训练大模型，然后尝试压缩部署。但振动信号的特征相对简单，1D-CNN和TCN已经能取得95%以上的准确率，继续增加模型复杂度只会带来边际效益递减。

误区二：忽略量化对LSTM的影响。LSTM的门控结构对数值精度敏感，int8量化后准确率下降通常比CNN更明显。如果必须使用LSTM，建议采用混合量化（权重int8，激活float16）或仅量化权重。

误区三：将窗口长度视为固定值。窗口长度直接影响模型输入维度和RAM占用。对于轴承故障，512点（128ms@4kHz）通常足够；但对于齿轮箱等低速设备，可能需要1024点。此时应优先考虑TCN，因为其膨胀卷积可以在不增加参数量的情况下扩大感受野。

误区四：忽视模型在MCU上的实际推理延迟。理论计算（如FLOPs）与实际延迟差异很大，因为MCU没有并行计算能力，且内存访问速度慢。建议在选型初期就用STM32Cube.AI或TFLite Micro的benchmark工具进行实测。

风险提示：当MCU的RAM小于32KB时，不建议使用任何LSTM变体，即使隐藏单元只有16个，其激活值也可能超过20KB。此时应选择TinyConv或极简1D-CNN（2层卷积，每层16个卷积核），并考虑将窗口缩短至256点。

总结：振动模型选型的核心是“资源-精度-延迟”三角权衡。对于大多数MCU振动监测场景，1D-CNN是首选基线模型；若需要更长的时序感受野，TCN是优于LSTM的选择；LSTM仅在窗口长度超过1024点且实时性要求宽松（>50ms）时才值得考虑。选型后必须进行量化校准和实测验证，确保模型在目标硬件上稳定运行。

← 上一章 📖 返回目录 下一章 →