📚 课程目录第1章课程导论

课程导论：TinyML与振动异常检测的概述、应用价值、课程目标与学习路径

工业设备预测性维护正在经历一场深刻的范式转移。传统方案依赖云端AI推理，将振动数据上传至数据中心进行分析，但这一路径面临带宽成本高、网络延迟不可控、数据隐私泄露风险以及断网场景下系统失效等结构性痛点。与此同时，边缘计算与嵌入式机器学习（TinyML）的成熟，使得在微控制器（MCU）级别直接运行轻量化神经网络成为可能。本课程聚焦于振动异常检测这一最具工业落地价值的场景，系统讲解如何将传感器数据流处理与TinyML推理引擎部署在资源受限的嵌入式设备上，实现从数据采集、特征工程、模型压缩到实时推理的完整闭环。

1.1 TinyML与振动异常检测的核心原理

TinyML是机器学习与嵌入式系统的交叉领域，其核心目标是在功耗受限（毫瓦级）、计算资源有限（RAM通常小于256KB，Flash小于1MB）的MCU上部署并运行机器学习模型。与云端AI不同，TinyML强调本地推理、低延迟响应、数据隐私保护和离线可用性。在振动异常检测场景中，TinyML的价值在于将智能诊断能力直接嵌入到旋转机械（电机、泵、风机、压缩机等）的传感器节点上，实现7×24小时不间断监测。

振动异常检测的物理基础在于：设备运行状态的变化会直接反映在振动信号的幅值、频率和统计特性上。正常工况下，旋转机械的振动频谱具有稳定的特征峰（如转频及其谐波）；当出现轴承磨损、转子不平衡、齿轮断齿等故障时，振动信号会出现新的频率成分（如故障特征频率）、幅值突变或调制现象。TinyML模型需要学习这些振动模式的差异，并在嵌入式端实时判断设备健康状态。

  核心概念辨析：振动异常检测与振动故障分类是两个不同层次的任务。异常检测（Anomaly Detection）仅需判断"是否偏离正常"，通常采用单分类模型或重构误差方法，对未知故障类型具有泛化能力；故障分类（Fault Classification）则需要识别具体故障类型（如内圈故障、外圈故障、滚动体故障），属于多分类问题，需要标注数据支撑。本课程以异常检测为主线，兼顾分类方法的扩展。

1.2 应用价值与工业场景分析

振动异常检测在工业领域的应用价值体现在三个维度：经济维度——预测性维护可减少非计划停机时间30%-50%，延长设备寿命20%-40%；安全维度——及时发现关键设备异常，避免灾难性故障导致的人员伤亡和环境污染；效率维度——减少人工巡检频次，将维护资源集中在真正需要关注的设备上。

典型的应用场景包括：

场景类型	监测对象	典型故障模式	TinyML部署优势
旋转机械	电机、泵、风机	轴承磨损、转子不平衡、不对中	实时报警，避免灾难性停机
往复机械	压缩机、发动机	气阀泄漏、活塞环磨损	高频采样+边缘推理，捕捉瞬态冲击
输送系统	齿轮箱、传送带	齿轮断齿、皮带打滑	无线部署，免布线，电池供电
结构健康	桥梁、建筑、管道	结构松动、裂纹扩展	长期监测，数据隐私本地化

以风电行业为例，一台2MW风机的齿轮箱维修成本可达数十万元，而部署TinyML振动监测节点的成本仅为数百元。通过在齿轮箱轴承座附近安装三轴加速度计，配合TinyML推理引擎，可以在故障早期（如轴承点蚀初期）发出预警，将维修窗口从紧急停机调整为计划维护，单台风机每年可节省维护成本约8-15万元。

1.3 课程目标与能力体系

完成本课程学习后，学员将具备以下核心能力：

数据流处理能力：掌握振动信号的采样策略、滤波方法、加窗技术和特征提取方法，能够设计适合MCU资源约束的数据流水线。
模型设计与压缩能力：能够基于TensorFlow Lite Micro框架，设计轻量化神经网络（如深度可分离卷积、时序卷积网络），并完成INT8量化、权重剪枝和知识蒸馏。
嵌入式系统集成能力：熟悉STM32、ESP32、nRF52等主流MCU平台，掌握DMA传输、中断驱动、低功耗调度等关键技术。
端到端部署能力：能够独立完成从传感器数据采集到模型推理结果输出的完整链路搭建，并具备系统调试和性能优化能力。
工程化思维：理解模型精度与资源消耗的权衡关系，掌握A/B测试、灰度发布和模型OTA升级策略。

学习建议：本课程采用"理论+实践"双轮驱动模式。每章均配有可运行的代码示例和硬件实验指导，建议学员准备一块STM32F4系列开发板（或ESP32-S3）和一款I2C接口的加速度传感器（如ADXL345或LSM6DS3），边学边练效果最佳。

1.4 课程学习路径与章节导航

课程共30章，按照"基础→进阶→实战"三个层次递进设计。学习路径如下：

阶段	章节范围	核心主题	实践项目
基础理论（第1-6章）	1-6	TinyML概述、振动信号处理基础、传感器选型与接口、MCU平台入门	搭建振动数据采集系统
核心方法（第7-18章）	7-18	特征工程、经典机器学习、CNN/TCN模型设计、模型压缩与量化	训练并部署首个异常检测模型
系统优化（第19-24章）	19-24	低功耗设计、实时操作系统集成、多传感器融合、边缘-云协同	实现电池供电的无线监测节点
工程实战（第25-30章）	25-30	工业现场部署、可靠性测试、安全防护、案例复盘	完成一个完整的工业级项目

每章均包含核心原理讲解、操作流程演示、案例拆解和常见误区分析四个模块。建议学员按照章节顺序学习，每完成一个阶段后，通过阶段项目检验学习成果。对于有嵌入式开发经验的学员，可以跳过第4-5章的基础内容，但建议快速浏览以熟悉课程使用的硬件平台。

1.5 常见误区与学习提醒

在TinyML振动异常检测的学习和实践中，初学者常陷入以下误区：

误区一：盲目追求模型精度。在TinyML场景中，模型精度与资源消耗是一对矛盾。一个在云端达到99%准确率的模型，经过INT8量化后可能降至95%，但内存占用减少4倍，推理速度提升3倍。工业场景中，95%的准确率配合合理的阈值设置，往往比99%的准确率但无法实时运行更有价值。正确的做法是：先确定硬件资源边界，再设计模型结构。

误区二：忽视数据采集质量。振动数据的质量直接决定模型上限。采样率不足会导致高频故障特征混叠；传感器安装不牢固会产生虚假振动；ADC参考电压不稳会引入噪声。在开始模型训练之前，务必通过频谱分析验证数据质量。

误区三：将云端AI经验直接迁移到TinyML。云端训练常用的Batch Normalization层在TinyML推理时需要特殊处理（折叠到卷积层）；浮点模型直接部署到MCU会导致推理速度极慢；过大的模型无法装入Flash。必须掌握模型压缩和硬件适配技术。

误区四：忽略实时性要求。振动异常检测对延迟敏感。从传感器采样到报警输出，端到端延迟应控制在100ms以内。这要求合理设计DMA缓冲、优化推理循环、避免阻塞式I/O操作。

总结而言，TinyML振动异常检测是一个系统工程，需要同时掌握信号处理、机器学习、嵌入式开发和工业运维知识。本课程将引导学员建立完整的知识体系，并通过大量实践项目将理论转化为可落地的工程能力。建议学员在学习过程中，始终以"在真实工业环境中部署可用系统"为目标，不断思考每个技术决策背后的工程权衡。