4、TinyML基础：TinyML的定义、边缘计算优势、典型硬件平台（MCU、传感器）与软件工具链

TinyML（微型机器学习）是机器学习与嵌入式物联网系统交叉融合的前沿技术领域，其核心目标是在功耗受限、计算资源有限的微控制器（MCU）上部署和运行机器学习模型。对于振动异常检测场景而言，TinyML并非简单地将模型“压缩”后塞入芯片，而是涉及算法、硬件架构、软件工具链与系统功耗预算的协同设计。理解TinyML的基础概念、边缘计算的价值定位、典型硬件平台的能力边界以及软件工具链的工作流程，是掌握阈值自适应调整方法的前提。本章将系统梳理这些基础要素，为后续章节的算法设计与工程实现奠定技术认知框架。

4.1 TinyML定义与边缘计算的核心价值

TinyML严格意义上是指一类在极低功耗、极小体积的嵌入式设备上运行机器学习推理的技术体系。根据TinyML基金会（TinyML Foundation）的定义，TinyML是“在嵌入式设备上实现机器学习推理的快速增长的工程领域”，其典型功耗预算在毫瓦级甚至微瓦级。与云端AI或移动端AI不同，TinyML设备通常没有操作系统或仅有轻量级RTOS，CPU主频在几十到几百MHz，RAM以KB为单位，Flash以MB为上限。这种极端的资源约束决定了TinyML模型必须经过深度优化，包括量化（通常为8bit整数）、剪枝、知识蒸馏等手段。

在振动异常检测场景中，边缘计算的优势体现得尤为突出。首先，实时性保障：工业旋转机械的故障特征往往表现为高频振动冲击，若将原始振动数据上传云端分析，网络往返延迟可能达到数百毫秒甚至秒级，无法满足毫秒级故障保护需求。TinyML设备在本地完成特征提取和推理，端到端延迟可控制在10ms以内。其次，带宽与成本优化：一个三轴加速度计以10kHz采样率、16bit精度连续采集，每秒产生约60KB数据，若持续上传将消耗大量带宽和流量费用。TinyML设备仅上传异常事件或统计摘要，数据量可降低99%以上。第三，数据隐私与安全：振动信号可能间接反映设备运行参数、工艺配方等敏感信息，本地处理避免了数据外泄风险。第四，可靠性提升：在矿山、油田等偏远场景，网络覆盖不稳定，TinyML设备可独立完成监测任务，不依赖外部基础设施。

4.2 典型硬件平台：MCU与传感器选型

振动异常检测对硬件平台有明确的技术要求。MCU方面，需要具备足够的算力执行FFT和模型推理，同时保持低功耗运行。目前主流方案分为三个梯队：入门级（如STM32F0系列，Cortex-M0内核，48MHz主频）适合简单阈值判断；主流级（如STM32L4系列，Cortex-M4内核，80MHz主频，带FPU和DSP指令）可运行中等复杂度模型；高性能级（如STM32H7系列，Cortex-M7内核，480MHz主频，双精度FPU）可支持较大规模神经网络。对于振动检测，推荐至少选择带FPU的Cortex-M4以上内核，因为FFT运算涉及大量浮点乘加操作，硬件FPU可提升5-10倍计算效率。

传感器选型直接影响信号质量。工业振动监测常用压电式加速度计（如PCB 352C33）和MEMS加速度计（如ADXL345、MPU6050）。压电式传感器灵敏度高、频响宽（0.5Hz-10kHz），但需要电荷放大器和外部供电，体积较大；MEMS传感器集成度高、功耗低、接口简单（I2C/SPI），但噪声底较高，适合中低频段（<2kHz）监测。对于轴承故障检测，需关注传感器量程（至少±8g以捕捉冲击脉冲）和噪声密度（应低于200μg/√Hz）。

在传感器接口设计上，需注意采样时钟同步问题。使用SPI接口时，MCU主频与SPI时钟的分频关系会影响采样间隔的抖动，建议使用DMA（直接内存访问）方式采集数据，避免CPU干预导致的采样间隔不均匀。对于多通道同步采集（如同时采集X/Y/Z三轴），应选择支持硬件FIFO的传感器，减少MCU中断频率。

4.3 软件工具链：从训练到部署的完整流程

TinyML软件工具链覆盖数据准备、模型训练、模型优化、代码生成和运行时推理五个阶段。在振动检测场景中，典型工作流程如下：

1. 数据采集与预处理：使用Python脚本通过串口或SD卡获取传感器原始数据，进行去直流、带通滤波（如10Hz-5kHz）、分段加窗（窗长1024或2048点）。
2. 特征工程与标注：提取时域特征（RMS、峰值因子、峭度）、频域特征（频谱峰值、边频带能量）或直接使用原始波形作为模型输入。标注需明确设备状态（正常、不平衡、轴承磨损、齿轮断齿等）。
3. 模型训练：在PC端使用TensorFlow/Keras或PyTorch训练模型。对于振动信号，1D-CNN或LSTM表现较好，但需控制参数量在10万以内。
4. 模型优化：使用TensorFlow Lite Converter进行训练后量化（Post-training Quantization），将float32权重转为int8，模型体积可缩小4倍，推理速度提升2-3倍。
5. 嵌入式部署：通过TFLite Micro或CMSIS-NN库将模型编译为C数组，集成到MCU工程中。使用STM32CubeMX配置时钟、DMA和传感器驱动。

# 模型量化示例（Python）
import tensorflow as tf
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.representative_dataset = representative_dataset_gen
tflite_model = converter.convert()
# 输出int8量化模型，大小约45KB

在运行时推理方面，TFLite Micro提供了解释器（Interpreter），但需注意内存分配策略。建议使用静态内存池（arena）而非动态分配，避免内存碎片。对于振动检测，推理周期通常为10-50ms，需确保在采样窗口内完成计算，避免数据覆盖。

4.4 案例拆解：基于STM32L4的轴承故障监测节点

某化工厂的离心泵机组需要加装振动监测系统，要求在不改变现有设备结构的前提下，实现轴承早期故障预警。现场约束条件为：无市电供应，需电池供电运行2年以上；设备安装空间有限，节点体积不超过50mm×50mm×30mm；环境温度最高65℃，存在电磁干扰。

硬件选型：选用STM32L432KC（Cortex-M4，80MHz，64KB RAM）作为主控，搭配ADXL357三轴MEMS加速度计（量程±10g，噪声密度80μg/√Hz，SPI接口）。供电采用两节AA锂电池（3.6V，2400mAh），通过TPS62742降压至3.3V，静态功耗约2μA。整体平均功耗控制在1.5mA以内，可实现2.3年续航。

软件实现：MCU以4kHz采样率连续采集X轴振动数据，每256点为一帧（64ms），使用CMSIS-DSP库的arm_rfft_fast_f32计算频谱。提取特征包括：频段能量比（0.5-1kHz与1-2kHz能量比值）、峰值频率偏移量、峭度值。模型采用3层1D-CNN（输入64个频点，隐藏层16通道，输出2类），经量化后模型大小38KB，推理耗时12ms。

阈值自适应机制：系统每10分钟计算一次特征均值作为基线，当实时特征偏离基线超过3σ时触发异常报警。同时，系统记录每次报警时的特征值，通过滑动窗口更新基线，适应设备缓慢磨损导致的特征漂移。

运行结果：系统连续运行8个月后，成功捕获到一次轴承外圈故障特征（边频带能量比从0.12升至0.35），提前3周发出预警，避免了非计划停机。复盘发现，初始阈值设置过严（2σ）导致误报率偏高，调整为3σ后误报率从每月5次降至0.5次。

4.5 常见误区与总结复盘

在TinyML振动检测项目实践中，常见以下误区：误区一：盲目追求高精度模型。在资源受限设备上，模型精度与内存占用、推理延迟存在矛盾。一个99%精度的ResNet模型可能占用500KB内存，而一个95%精度的轻量模型仅需50KB。对于振动检测，95%的准确率已满足工业预警需求，应优先保证实时性和功耗指标。误区二：忽略数据分布漂移。设备在不同转速、不同负载下的振动特征差异显著，若训练数据仅覆盖单一工况，部署后误报率会急剧上升。建议采集多工况数据，或引入在线自适应机制。误区三：低估功耗优化的重要性。许多开发者只关注MCU运行功耗，忽略了传感器、电源转换效率、无线通信的功耗。实际上，在间歇性工作模式下，无线模块的峰值电流可达数十mA，需通过低功耗定时唤醒策略优化。

总结本章要点：TinyML为振动异常检测提供了“本地化智能”的可行路径，其核心价值在于实时性、低带宽依赖和隐私保护。硬件选型需平衡算力、功耗与成本，传感器和MCU的匹配设计是系统稳定性的基础。软件工具链已趋于成熟，TFLite Micro和CMSIS-NN降低了嵌入式部署门槛。工程实践中，应建立“数据-特征-模型-部署-运维”的闭环思维，尤其重视阈值自适应机制的设计，以应对设备老化、工况变化等现实挑战。