课程导入：TinyML在工业预测性维护中的价值、轴承故障识别的现实意义、课程学习目标与整体路线图

工业设备的非计划停机是制造业成本失控的主要来源之一。以电机、泵、风机、输送带为代表的旋转机械，其核心故障往往起源于一个直径不足几毫米的轴承缺陷。传统做法是定期人工巡检或依赖大型振动分析系统，前者漏检率高，后者部署成本动辄数十万元且需要专业振动分析师。TinyML（微型机器学习）的出现，为这一矛盾提供了全新的解题路径：将轻量级神经网络直接部署在MCU（微控制器）级别的硬件上，在传感器端完成实时推理，实现真正的边缘智能。本章作为整个课程的开篇，将系统阐述TinyML在工业预测性维护中的价值定位、轴承故障识别的现实意义，并给出本课程的学习目标与整体技术路线图。

上图展示了本课程的核心技术框架：从传感器数据采集，到边缘端TinyML推理，再到上层决策应用，形成一条完整的数据-模型-业务闭环。底部路线图则对应了本课程30章内容的递进关系，后续所有章节都将围绕这一主线展开。

1.1 TinyML在工业预测性维护中的价值定位

核心原理：TinyML的本质是让机器学习模型在功耗受限、算力有限的嵌入式设备上运行。与云端AI相比，TinyML将推理过程放在数据产生的源头，避免了数据传输延迟和带宽消耗。在工业预测性维护场景中，这一特性带来了三个关键价值：实时性（毫秒级响应）、数据隐私性（敏感振动数据不出厂区）、成本效益（无需持续支付云服务费用）。

从工程实践角度看，TinyML并非简单地将模型“压缩”到MCU上，而是需要重新设计整个数据链路。传统工业振动监测系统通常采用“传感器+采集卡+工控机+云端分析”的四层架构，而TinyML方案将其简化为“智能传感器（MCU+算法）+轻量级上位机”的两层架构。这种架构变革直接降低了系统复杂度和部署门槛。

1.2 轴承故障识别的现实意义

判断方法：轴承故障是旋转机械最常见的失效模式，约占电机故障的40%-50%。轴承故障的典型特征是在振动信号中产生特定频率的冲击成分，这些频率与轴承的几何尺寸和转速相关。工程上常用的特征频率包括：

• 外圈故障频率（BPFO）：$f_{BPFO} = \frac{n}{2} f_r (1 - \frac{d}{D} \cos \alpha)$
• 内圈故障频率（BPFI）：$f_{BPFI} = \frac{n}{2} f_r (1 + \frac{d}{D} \cos \alpha)$
• 滚动体故障频率（BSF）：$f_{BSF} = \frac{D}{2d} f_r (1 - (\frac{d}{D} \cos \alpha)^2)$

其中，$n$为滚动体数量，$f_r$为转频，$d$为滚动体直径，$D$为节圆直径，$\alpha$为接触角。这些公式是轴承故障诊断的理论基础，但在实际TinyML部署中，我们往往不直接计算这些频率，而是让神经网络自动学习振动信号中的故障特征。

案例拆解：以某化工厂的循环水泵为例，该泵转速为2980rpm（约49.7Hz），轴承型号为6312。工厂原计划每季度进行一次人工振动巡检，但两次巡检之间发生了轴承保持架断裂事故，导致非计划停机48小时，直接损失约35万元。事后分析发现，在事故发生前两周，振动信号中已经出现了明显的BPFO边频带，但人工巡检周期过长未能及时发现。

如果部署TinyML端侧监测方案，在MCU上运行一个轻量级异常检测模型，当检测到振动能量在BPFO频段持续上升时立即发出预警，完全可以在事故发生前一周触发维护工单，将非计划停机转化为计划性维护，节省约80%的损失。

1.3 课程学习目标与整体路线图

操作流程：本课程的学习目标分为四个层次，对应不同的工程能力要求：

1. 基础层（第1-7章）：掌握振动信号采集、预处理和特征工程方法，能够独立搭建数据采集系统。
2. 模型层（第8-12章）：理解并实现适用于MCU的轻量级神经网络模型，包括CNN、TCN、自编码器等。
3. 部署层（第13-18章）：掌握模型量化、剪枝、算子优化等技术，能够在STM32/ESP32等主流MCU上完成部署。
4. 系统层（第19-30章）：具备端到端系统设计能力，包括通信协议、低功耗管理、远程升级、多设备协同等。

整个课程以“轴承异常识别”为贯穿案例，每一章都会围绕该案例展开理论讲解和动手实践。学员完成全部课程后，将具备独立开发一套完整的TinyML轴承监测系统的能力。

常见误区：初学者容易陷入两个极端。一是过度关注模型精度，试图在MCU上运行复杂的深度网络，导致内存溢出或推理延迟过高；二是忽视数据质量，使用未经处理的原始振动数据直接训练模型，导致泛化能力差。正确的做法是：先确保数据采集环节的可靠性，再根据MCU的算力约束选择合适的模型复杂度，最后通过系统级优化达到精度与资源的平衡。