课程导入：学习目标、课程结构、项目总览、所需软硬件环境

欢迎来到《加速度计数据采集TinyML异常检测项目实战》课程。在正式开始技术细节之前，我们需要先建立对整个学习旅程的全局认知。本章作为课程的起点，将帮助你明确学习目标、理解课程结构、了解项目全貌，并准备好所需的软硬件环境。TinyML（微型机器学习）是边缘计算与嵌入式AI交叉领域中最具落地价值的方向之一，而加速度计数据采集与异常检测则是TinyML应用中最经典、最易上手、也最具工业实用价值的场景——从工业设备状态监测到可穿戴设备的人体活动识别，加速度计数据无处不在。通过本课程，你将亲手完成一个从传感器数据采集、预处理、模型训练到嵌入式部署的完整闭环项目。

1.1 学习目标：从零到一构建完整的TinyML异常检测系统

本课程的学习目标不是简单地“跑通一个Demo”，而是让你真正理解TinyML异常检测项目的完整工程链路。完成本课程后，你将具备以下核心能力：

• 硬件操作能力：能够独立完成加速度计传感器的选型、接线、配置与数据读取，理解I2C/SPI通信协议在传感器数据采集中的应用。
• 数据处理能力：掌握加速度计原始数据的滤波、去噪、滑动窗口分割、特征提取与标准化等预处理技术，能够使用Python进行数据可视化与分析。
• 模型设计与训练能力：理解TinyML场景下异常检测模型的选型原则，掌握自编码器（Autoencoder）、孤立森林（Isolation Forest）或轻量级决策树等模型的训练方法，并能够进行模型量化与压缩。
• 嵌入式部署能力：能够将训练好的模型转换为TensorFlow Lite格式，并部署到资源受限的MCU（微控制器）上，实现实时推理与异常报警。
• 系统调试与优化能力：掌握TinyML项目常见的调试方法，包括内存占用分析、推理延迟优化、功耗评估等，能够针对具体问题提出优化方案。

1.2 课程结构：六大模块递进式学习

本课程共30章，按照工程实施的自然流程分为六大模块。每个模块之间既有逻辑递进关系，又相对独立，方便你根据自身基础灵活调整学习节奏。

这种模块化设计遵循了“理论→实践→优化→部署”的工程思维路径。每个模块内部又细分为若干章节，每章聚焦一个具体主题，配有实验任务和思考题，确保你能够循序渐进地掌握每一个知识点。

1.3 项目总览：工业设备振动异常检测系统

本课程的核心实战项目是构建一个工业设备振动异常检测系统。我们选择这个场景是因为它兼具教学价值与工业应用价值：振动数据是工业设备状态监测中最有效的信号之一，而TinyML使得在设备端直接进行智能诊断成为可能。

项目背景与约束：假设你是一家工厂的设备维护工程师，工厂内有数十台旋转机械（如电机、泵、风机）。这些设备在正常运行时振动特征相对稳定，但当轴承磨损、转子不平衡或安装松动时，振动模式会发生微妙变化。传统做法是定期人工巡检或部署昂贵的在线监测系统。我们的目标是用低成本MCU+加速度计构建一个边缘智能节点，实时采集振动数据并在本地完成异常检测，一旦发现异常立即报警，避免设备故障扩大化。

项目关键指标：

• 检测准确率：正常/异常分类准确率 ≥ 95%
• 推理延迟：单次推理时间 ≤ 50ms（在MCU上）
• 内存占用：Flash ≤ 200KB，RAM ≤ 50KB
• 功耗：平均工作电流 ≤ 50mA（3.3V供电）
• 误报率：每24小时误报次数 ≤ 2次

项目技术路线：我们采用“数据采集→离线训练→边缘部署”的经典TinyML流程。首先使用加速度计采集设备正常状态和模拟故障状态下的振动数据；然后在PC端使用Python进行数据预处理和模型训练，选择自编码器作为异常检测模型（因为自编码器只需要正常数据即可训练，更符合工业场景中故障数据难以获取的现实）；最后将训练好的模型量化并转换为TensorFlow Lite格式，部署到MCU上实现实时推理。

1.4 所需软硬件环境：工具链准备

在开始项目之前，我们需要准备好完整的软硬件开发环境。以下是本课程推荐的配置方案，你可以根据自身情况选择。

硬件环境

硬件选型说明：Arduino Nano 33 BLE Sense是本课程的首选平台，因为它集成了加速度计、陀螺仪、麦克风等多种传感器，且支持TensorFlow Lite Micro，非常适合TinyML入门。如果你使用ESP32+MPU6050的组合，课程中的代码需要做少量适配（主要是I2C引脚定义和库文件差异）。

软件环境

# 必装软件
1. Arduino IDE 2.x 或 PlatformIO（推荐PlatformIO，项目管理更规范）
2. Python 3.8+（建议使用Anaconda管理环境）
3. Jupyter Notebook 或 VS Code + Python插件
4. TensorFlow 2.8+（CPU版本即可）
5. Edge Impulse CLI（可选，用于快速原型验证）

# Python依赖库
pip install numpy pandas matplotlib scikit-learn tensorflow
pip install tflite-support  # 用于模型转换和量化
pip install pyserial        # 串口通信

开发环境验证

在正式开始项目之前，我们需要验证开发环境是否配置正确。以下是快速验证步骤：

1. 硬件连接验证：将Arduino Nano 33 BLE Sense通过USB连接到电脑，打开Arduino IDE，在“工具→开发板”中选择“Arduino Nano 33 BLE”，在“工具→端口”中选择正确的COM口。上传一个Blink示例程序，确认LED闪烁。
2. 传感器读取验证：使用Arduino IDE的“文件→示例→Arduino_LSM9DS1→SimpleAccelerometer”示例，打开串口监视器（波特率9600），确认能够读取到X/Y/Z三轴加速度数据。
3. Python环境验证：在终端中输入python -c "import tensorflow as tf; print(tf.__version__)"，确认TensorFlow能够正常导入。

1.5 常见误区与学习建议

根据我们多年的TinyML教学经验，初学者在课程开始阶段容易陷入以下几个误区，需要特别注意：

• 误区一：重模型轻数据。很多学习者把大量精力花在模型调参上，却忽视了数据采集的质量。实际上，在TinyML项目中，数据质量往往比模型复杂度更重要。一个简单的模型配合高质量数据，效果远好于复杂模型配合低质量数据。
• 误区二：忽视硬件约束。PC上的模型训练和MCU上的模型推理是完全不同的世界。MCU的内存、算力、功耗都极其有限，必须在设计之初就考虑这些约束，而不是等模型训练完再想办法压缩。
• 误区三：跳过基础直接上手。有些学员急于求成，跳过环境搭建和基础实验直接开始项目。这往往导致后续调试时问题百出，反而浪费更多时间。
• 误区四：不重视数据标注。异常检测虽然主要使用正常数据训练，但验证集和测试集仍然需要准确的标注。数据标注的准确性直接影响模型评估的可信度。

1.6 本章总结与项目启动清单

本章我们完成了课程的整体导入。现在，你应该对课程目标、结构、项目内容以及软硬件环境有了清晰的认识。在进入下一章之前，请确保你完成了以下准备工作：