课程导入：学习目标、适用人群、课程结构、实战项目总览

TinyML（微型机器学习）正在将人工智能从云端数据中心推向数十亿个微控制器（MCU）驱动的边缘设备。在工业预测性维护、智能家居、可穿戴健康监测等场景中，振动异常检测是最具商业价值且落地最广泛的应用之一。然而，许多开发者在完成模型部署后，往往面临一个共同的困境：模型在实验室数据上表现优异，一旦进入真实产线，误报率与漏报率却难以平衡。究其根源，问题通常不在模型架构本身，而在于异常检测阈值的设定缺乏系统性方法论，以及模型缺乏适应工况漂移的再训练闭环。本课程正是为攻克这两个核心痛点而设计，旨在帮助学员建立从数据采集、特征工程、阈值优化到模型持续迭代的完整工程能力。

1.1 学习目标：从“能跑通”到“能落地”

本课程的学习目标并非仅仅让学员“跑通一个Demo”，而是建立一套可量化、可复现、可迭代的工程方法论。完成本课程后，学员将具备以下六项核心能力：

能力维度	具体目标	对应章节
阈值理论	理解固定阈值、自适应阈值、统计过程控制（SPC）阈值的数学原理与适用边界	第3-5章
工程调参	掌握基于验证集、代价矩阵、F-beta指标的阈值寻优方法	第6-8章
数据漂移感知	能够识别工况变化、传感器退化导致的特征分布漂移	第9-10章
再训练闭环	设计并实现“边缘采集-云端标注-模型更新-灰度发布”的自动化流水线	第11-15章
系统评估	建立包含误报率、漏报率、F1-score、响应延迟的多维度评估体系	第16-18章
实战落地	独立完成一个从数据采集到闭环迭代的完整TinyML振动检测项目	第19-30章

1.2 适用人群：谁应该学习这门课程？

本课程面向具备一定嵌入式或机器学习基础，希望深入TinyML工程化落地的开发者。具体包括以下四类人群：

• 嵌入式软件工程师：已经熟悉STM32、ESP32、nRF52等MCU开发，希望为产品增加智能振动检测功能，但缺乏机器学习阈值设定与模型迭代经验。
• 算法工程师：熟悉Python、TensorFlow/PyTorch，但不太了解MCU资源约束（Flash、RAM、算力）对模型部署的影响，需要学习模型压缩、量化以及阈值在边缘设备上的实现方式。
• 工业物联网解决方案架构师：负责预测性维护系统的整体设计，需要理解从传感器数据到业务决策的完整链路，特别是如何设定合理的报警阈值以减少现场误报。
• 技术管理者/产品经理：需要评估TinyML振动检测项目的技术可行性、资源投入和风险点，掌握阈值设定与再训练闭环的基本概念有助于做出更准确的决策。

1.3 课程结构：五阶段递进式学习路径

课程共30章，分为五个递进阶段，每个阶段解决一个核心工程问题。这种设计遵循“理论-实践-复盘”的认知规律，确保学员每一步都能获得可验证的成果。

阶段	章节范围	主题	阶段产出
第一阶段	第1-5章	基础与数据准备	振动数据集、特征提取Pipeline
第二阶段	第6-10章	阈值设定方法论	阈值优化工具包、评估报告
第三阶段	第11-15章	模型部署与边缘推理	TFLite Micro部署工程、实时检测Demo
第四阶段	第16-20章	再训练闭环设计	数据回传系统、增量训练脚本
第五阶段	第21-30章	综合实战与案例复盘	完整项目源码、部署文档、调优日志

每个阶段内部，章节之间保持强依赖关系。例如，第二阶段“阈值设定”需要第一阶段的特征分布知识作为输入；第四阶段“再训练闭环”又依赖第二阶段的阈值评估指标来触发模型更新。这种螺旋式上升的结构，确保学员在每章结束时都能将新知识整合到已有的知识体系中。

1.4 实战项目总览：电机轴承故障诊断系统

整个课程将围绕一个贯穿始终的实战项目——基于TinyML的电机轴承故障诊断系统展开。选择电机轴承作为实战对象，是因为它具备三个典型特征：振动信号特征明显（正常、内圈故障、外圈故障、滚动体故障）、故障代价高（非计划停机损失巨大）、数据获取相对容易（加速度传感器成本低）。

项目将在一颗Cortex-M4内核的MCU（如STM32F4系列，主频168MHz，Flash 512KB，RAM 128KB）上部署一个振动异常检测模型。传感器采用ADXL345三轴加速度计，采样率设定为3.2kHz，每次采集1024个样本点（约0.32秒），提取包括RMS、峰值因子、峭度、频谱质心等12维特征。

项目关键约束与挑战

• 资源约束：模型大小必须小于80KB（Flash），运行时内存占用小于20KB（RAM），单次推理时间小于50ms。
• 数据非平稳：电机转速可能从600RPM到3000RPM变化，不同转速下振动特征分布差异显著，固定阈值难以适应。
• 标注成本高：故障样本获取困难，需要采用半监督或迁移学习策略。
• 误报代价不对称：漏报一次故障可能导致设备损坏（代价10000元），而误报一次停机检查代价约500元，阈值设定必须考虑代价不对称性。

项目里程碑规划

里程碑	时间节点	交付物	验证标准
M1：数据采集	第4章结束	包含4种工况的振动数据集（CSV格式）	每种工况至少200个样本，信噪比>20dB
M2：阈值初版	第8章结束	基于统计阈值的检测脚本	验证集F1-score > 0.85
M3：MCU部署	第13章结束	可在开发板上运行的固件	推理时间<50ms，内存<20KB
M4：闭环系统	第18章结束	数据回传+自动标注+模型更新脚本	模拟工况漂移后，F1-score恢复至0.80以上
M5：完整系统	第30章结束	可演示的端到端系统	连续运行72小时，误报率<5%

1.5 课程特色与学习方法建议

本课程区别于其他TinyML教程的三大特色：

1. 阈值设定专项深入：大多数课程将阈值作为模型训练后的“附属品”一笔带过，本课程则用5章篇幅系统讲解阈值理论、优化算法、代价敏感评估，因为阈值才是决定误报率与漏报率的关键旋钮。
2. 闭环思维贯穿始终：从第1章开始，我们就强调“模型部署不是终点，而是起点”。每一章的技术点都会回扣到“如何服务于模型持续迭代”这一主线。
3. 真实约束下的工程决策：课程中所有案例都基于真实的MCU资源限制、真实的数据噪声、真实的业务代价，帮助学员建立“在约束下做最优决策”的工程思维。

学习方法上，建议学员采用“边学边做”的策略。每完成一章的学习，立即在配套的Jupyter Notebook或开发板上进行实验验证。特别是阈值设定部分，一定要亲手绘制ROC曲线、调整代价矩阵，感受不同参数对结果的影响。同时，建议准备一个实验记录本，记录每次实验的参数设置、结果指标和失败原因——这是培养工程直觉最有效的方式。

现在，让我们从振动数据的本质开始，踏上这段充满挑战与成就感的TinyML工程实战之旅。