课程导入：学习目标、核心概念、整体框架，以及频域特征在TinyML中的价值

TinyML（微型机器学习）正在将人工智能从云端数据中心推向微控制器（MCU）和边缘传感器节点。在资源受限的嵌入式设备上，我们无法直接运行复杂的深度学习模型来处理原始时域波形——这不仅因为计算能力有限，更因为原始信号中往往混杂着大量冗余信息和噪声。频域特征提取，正是解决这一问题的关键钥匙。本章作为整个课程的开篇，将为你建立频域分析在TinyML应用中的全局视野：明确学习目标、厘清核心概念、搭建课程框架，并深入理解为什么频域特征能让故障诊断、状态监测等TinyML任务在电池供电的MCU上高效运行。

1.1 学习目标：学完本章你能做什么

本课程不是纯理论教学，而是面向工程落地的实战指南。完成本章学习后，你应该具备以下四项核心能力：

• 理解频域分析的必要性——能够解释为什么在TinyML场景下，频域特征比原始时域波形更适合作为机器学习模型的输入，并能从计算量、存储占用、鲁棒性三个维度进行对比分析。
• 掌握FFT在MCU上的实现约束——了解ARM Cortex-M系列处理器上FFT的定点实现原理、蝶形运算的复杂度、以及如何选择FFT点数以匹配RAM容量和实时性要求。
• 能够设计频带能量特征——针对旋转机械故障（如轴承磨损、齿轮断齿）、电机异常（如转子断条、气隙偏心）等典型场景，合理划分频带并计算各频带的能量占比，形成有效的故障判别特征向量。
• 建立TinyML特征工程思维——理解特征提取不是孤立的信号处理步骤，而是与后续的模型选择（决策树、轻量级神经网络）、部署硬件（MCU型号、传感器接口）紧密耦合的系统工程。

1.2 核心概念：从时域到频域的思维转换

在TinyML故障诊断场景中，我们采集到的原始信号通常是随时间变化的电压值（来自加速度传感器、电流互感器或麦克风）。这种以时间为横轴、幅值为纵轴的表示方式称为时域表示。然而，故障特征往往隐藏在信号的周期性成分中——例如，轴承外圈故障会在振动信号中激起特定频率的冲击脉冲，其重复频率与轴承几何尺寸和转速相关。这些特征在时域波形中可能被噪声淹没，但在频域中却表现为清晰的谱线。

频域表示通过傅里叶变换将信号分解为不同频率分量的叠加。对于长度为N的离散信号x[n]，其离散傅里叶变换（DFT）定义为：

X[k] = Σ_{n=0}^{N-1} x[n] · e^{-j2πkn/N},  k = 0, 1, ..., N-1

直接计算DFT需要O(N²)次复数运算，而快速傅里叶变换（FFT）利用旋转因子的对称性和周期性，将复杂度降至O(N log₂N)。例如，对于N=256的FFT，直接DFT需要65,536次复数乘法，而FFT仅需2,048次——这使实时频域分析在MCU上成为可能。

对比维度	时域特征（RMS、峰值、峭度）	频域特征（FFT谱、频带能量）
故障敏感性	对早期微弱故障不敏感，易受负载波动影响	特定频率分量对应特定故障机理，灵敏度高
抗噪能力	宽带噪声直接叠加在时域幅值上	噪声均匀分布在整个频带，单频特征信噪比高
计算复杂度	低（O(N)），适合简单阈值判断	中等（O(N log₂N)），需权衡点数与实时性
物理可解释性	统计量，物理意义模糊	频率与机械/电气参数直接关联（如BPFO、2倍工频）
存储需求	仅需几个标量值	需存储频谱（N/2个复数点），但可即时提取特征后丢弃

1.3 整体框架：本课程的四大模块与学习路径

本课程共30章，按知识递进关系分为四个模块。每个模块都包含理论讲解、代码实现和实战案例，确保你能够从零开始构建一个完整的TinyML频域故障诊断系统。

1. 基础篇（第1-8章）：频域分析基础与TinyML平台准备。涵盖本章的课程导入、采样定理与抗混叠滤波、FFT的MCU实现优化、窗函数选择、频谱校正技术，以及TinyML开发环境搭建（STM32Cube.AI、TensorFlow Lite for Microcontrollers）。
2. 特征工程篇（第9-18章）：频域特征提取方法论。深入讲解频带能量特征（窄带、1/3倍频程）、谱质心与谱熵、边带与谐波分析、包络谱分析（用于轴承故障）、倒频谱分析（用于齿轮箱），以及特征选择与降维技术。
3. 模型与部署篇（第19-25章）：从特征到决策。介绍适用于TinyML的轻量级模型（决策树、随机森林、小型CNN、异常检测算法），模型量化与剪枝，以及在MCU上的部署流程和功耗优化。
4. 综合实战篇（第26-30章）：完整系统案例。包括电机轴承故障诊断系统、工业泵异常检测、刀具磨损监测、以及多传感器融合的复杂系统设计。每章都提供完整的代码仓库和硬件BOM清单。

1.4 频域特征在TinyML中的工程价值

为什么我们不在MCU上直接运行一个端到端的深度学习模型，让模型自己从原始波形中学习特征？理论上可行，但工程上存在三个难以逾越的障碍：

• 计算与存储瓶颈：一个1秒的振动信号，采样率10kHz，就是10,000个数据点。若直接输入一维CNN，第一层卷积就需要处理10,000×32的输入矩阵，这远超典型MCU（如Cortex-M4，192KB RAM）的容量。而FFT后提取10个频带能量特征，模型输入维度骤降至10维，任何轻量级分类器都能轻松处理。
• 实时性与功耗：端到端模型需要持续采集并处理原始数据，MCU无法进入低功耗睡眠模式。而频域特征提取可以设计为“采集一段数据→FFT→提取特征→分类→休眠”的间歇工作模式，平均功耗可降低一个数量级。
• 可解释性与调试便利性：当模型输出“轴承故障”时，频域特征可以告诉我们故障特征频率在哪个频带、能量占比多少，这有助于验证模型逻辑是否正确，也便于现场工程师理解系统行为。而深度学习模型的决策过程难以解释。

1.5 案例拆解：工业电机轴承故障诊断的频域特征设计

为了让你直观感受频域特征在TinyML中的实际应用，我们以一个典型的工业电机轴承故障诊断为例，展示从原始信号到故障判别的完整链路。

场景背景：某工厂的异步电机（转速1470rpm，即24.5Hz）驱动水泵，需要在线监测轴承状态。轴承型号为6205，其外圈故障特征频率（BPFO）约为3.048×转频，即约74.7Hz；内圈故障特征频率（BPFI）约为4.918×转频，即约120.5Hz。传感器为ADXL345加速度计，采样率设为2kHz，每次采集1024点（约0.5秒数据）。

初始现象：电机运行时振动噪声明显增大，但时域RMS值仅从0.8g上升到1.1g，未超过报警阈值（2.0g）。传统时域监测无法有效预警。

频域特征提取过程：

1. 对1024点数据加Hanning窗，执行256点FFT（频率分辨率=2000/256≈7.8Hz）。
2. 计算频谱幅值，取前128个频点（0~1000Hz）。
3. 划分频带：频带A（70~80Hz，对应BPFO）、频带B（115~125Hz，对应BPFI）、频带C（45~55Hz，对应2倍转频）、频带D（其余频段作为背景噪声）。
4. 计算各频带能量占比：E_A=0.42，E_B=0.08，E_C=0.15，E_D=0.35。
5. 构造特征向量 [E_A, E_B, E_C, E_D, 频谱质心, 谱熵] 共6维。

分析判断：频带A能量占比显著高于正常状态（正常时E_A<0.1），且BPFO及其谐波（2×BPFO≈149Hz）处出现明显谱峰，判定为轴承外圈早期点蚀。该特征向量输入一个3层决策树模型（在MCU上仅占用2KB Flash），输出“外圈故障”标签。

结果对比：采用频域特征后，系统在故障发生前3周即给出预警（此时时域RMS仅上升15%），且误报率从时域阈值法的每月2次降至0次。整个特征提取+分类过程耗时约15ms（Cortex-M4 @ 80MHz），平均功耗仅12mW，可由CR2032纽扣电池供电运行6个月。

1.6 常见误区与总结复盘

在TinyML频域特征提取的入门阶段，开发者常陷入以下四个误区，需要特别警惕：

• 误区一：FFT点数越大越好。更大的FFT点数意味着更高的频率分辨率，但也需要更长的采样时间（违反实时性）、更大的RAM占用（存储N/2个复数点）和更长的计算时间。正确做法是：先确定需要区分的最小频率间隔Δf，然后选择N ≥ fs/Δf，并向上取整到2的幂次。
• 误区二：忽略窗函数的影响。直接对截断信号做FFT会产生频谱泄漏，导致故障特征频率的能量扩散到相邻频点。必须根据信号特性选择窗函数：对于随机振动信号，Hanning窗是通用选择；对于离散谱线（如齿轮啮合频率），平顶窗（Flat-top）能更准确地测量幅值。
• 误区三：将所有频带能量都作为特征。过多的特征维度会增加模型复杂度、降低泛化能力，并消耗MCU的存储和计算资源。应基于故障机理选择敏感频带，并通过特征重要性评估（如随机森林的特征重要性排序）进行筛选。
• 误区四：在MCU上使用浮点FFT。大多数TinyML MCU（如Cortex-M0+、M3）没有硬件浮点单元（FPU），浮点FFT计算耗时是定点FFT的5~10倍。应使用CMSIS-DSP库提供的Q15或Q31定点FFT函数，并注意定点运算中的溢出和精度损失问题。