TinyML基础：嵌入式机器学习概念、资源约束、典型应用场景
TinyML（Tiny Machine Learning）是机器学习与嵌入式物联网系统的交叉领域，核心目标是在毫瓦级甚至微瓦级功耗的微控制器（MCU）上部署和运行机器学习模型。与云端AI依赖大规模GPU集群不同，TinyML强调在数据产生的物理位置附近完成推理，从而避免网络传输延迟、带宽成本和隐私风险。理解TinyML的基础概念、资源边界和适用场景，是后续设定振动异常检测阈值、设计模型再训练闭环的前提——因为所有阈值策略和训练机制都必须适配MCU的有限算力与存储空间。
2.1 嵌入式机器学习的核心原理
嵌入式机器学习并非简单地将云端模型“缩小”后放入MCU，而是从算法设计、模型结构到推理引擎都进行根本性适配。其核心原理可概括为三个层面：模型小型化、推理高效化和部署离线化。模型小型化指采用参数量更少的网络结构（如MobileNet、TinyLSTM）或经过剪枝、量化后的传统模型；推理高效化要求算子能在MCU的有限指令集上高效执行，避免浮点运算或复杂矩阵操作；部署离线化则意味着模型在训练阶段完成后，以静态二进制形式烧录到设备端，推理过程不依赖云端。
在振动异常检测场景中，嵌入式模型通常接收来自加速度计或压电传感器的时域信号，经过预处理（如滑动窗口、FFT特征提取）后输入轻量级分类器（如决策树、1D-CNN或异常检测自编码器）。由于MCU不具备大容量DRAM，模型权重通常存储在Flash中，推理时逐层加载到RAM。这就要求模型参数量必须与Flash容量匹配，同时中间特征图大小不能超过RAM剩余空间。
2.2 资源约束的具体维度与量化指标
设计TinyML系统前，必须量化评估目标MCU的资源边界。下表列出了典型的资源约束维度及其对模型设计的影响：
| 资源维度 | 典型范围 | 对模型设计的影响 | 振动检测示例 |
|---|---|---|---|
| Flash存储 | 256KB ~ 2MB | 限制模型参数量与代码体积 | 1D-CNN模型权重需压缩至100KB以内 |
| RAM运行内存 | 16KB ~ 512KB | 限制中间特征图与缓冲区大小 | FFT窗口长度需适配RAM，如256点 |
| CPU主频 | 16MHz ~ 240MHz | 决定单次推理延迟上限 | 推理需在20ms内完成以匹配采样率 |
| 功耗预算 | 1mW ~ 100mW | 限制传感器采样率与唤醒策略 | 采用中断唤醒，空闲时进入睡眠模式 |
| 数值精度 | FP32 / INT8 / INT16 | 量化误差影响检测灵敏度 | 阈值设定需考虑量化噪声余量 |
在实际项目中，资源约束并非独立存在，而是相互耦合。例如，提高采样率会增加RAM占用和CPU负载，进而推高功耗；而降低模型精度虽然节省Flash，但可能导致振动特征模糊，使异常检测阈值难以设定。因此，资源预算必须在项目启动阶段就明确，并作为模型选型和阈值设计的硬性约束。
2.3 典型应用场景与振动检测的定位
TinyML的应用场景覆盖工业、消费电子、医疗和农业等领域。在工业预测性维护中，振动异常检测是最成熟的方向之一。通过在旋转机械（电机、泵、风机）上部署加速度传感器和TinyML模型，可以实时识别轴承磨损、转子不平衡、齿轮故障等异常状态。与传统的固定阈值报警相比，TinyML模型能够学习不同工况下的振动模式，减少误报。
其他典型场景包括：声学事件检测（识别玻璃破碎声、异常枪声）、可穿戴健康监测（心率异常、跌倒检测）、智能农业（土壤湿度预测、虫害声音识别）。这些场景的共同特点是：数据具有时空局部性、实时响应要求高、网络连接不稳定或不可用、电池供电要求低功耗。振动检测恰好满足所有条件，因此成为TinyML落地的标杆场景。
2.4 案例拆解：电机轴承振动监测的TinyML部署
某工厂计划对20台冷却水泵电机加装振动监测系统，要求在不改造现有控制柜的前提下，实现轴承早期故障预警。初始方案采用无线传感器节点将振动数据上传至边缘网关，再由网关运行机器学习模型。但现场存在以下约束：车间内Wi-Fi信号不稳定，网关部署位置受限；电机启停时产生电磁干扰，影响无线传输可靠性；工厂要求传感器节点电池寿命至少6个月。
经过评估，团队决定改用TinyML方案：在传感器节点上直接部署异常检测模型。节点采用Cortex-M4F内核MCU（主频80MHz，Flash 512KB，RAM 128KB），搭配三轴加速度计（采样率2kHz，量程±16g）。模型选用两层1D-CNN + 全连接层，输入为256点（128ms）的振动波形，输出为异常概率。模型经TensorFlow训练后，通过量化感知训练将权重从FP32转为INT8，模型体积从420KB压缩至58KB，RAM占用约32KB。
关键参数与调试过程如下：
采样配置：采样率=2kHz，窗口=256点，滑动步长=128点（50%重叠）
模型结构：Conv1D(16,3) → ReLU → Conv1D(32,3) → ReLU → Flatten → Dense(2)
量化方式：INT8 权重量化，输入保持FP16
推理延迟：单次推理 18ms（满足20ms实时要求）
功耗实测：连续采样+推理 12mA @ 3.3V；中断唤醒模式平均 0.4mA部署后运行3个月，系统成功识别出2号电机轴承的早期点蚀故障。振动频谱中2倍频成分明显上升，但幅值尚未超过传统固定阈值（4.5mm/s）。TinyML模型通过时域波形特征捕捉到了冲击脉冲的周期性，提前9天发出预警，为工厂争取了检修窗口。复盘发现，模型训练数据来自实验室模拟故障，与现场真实故障存在分布偏移，导致初始误报率偏高（每周约3次）。团队通过收集现场正常数据并执行半监督再训练，将误报率降至每周0.5次以下。
2.5 常见误区与设计复盘
在TinyML项目实践中，工程师常陷入以下误区：误区一：盲目追求高准确率。在资源受限设备上，过拟合训练集的高精度模型往往泛化能力差，且占用过多Flash。正确做法是优先保证“正常类”的召回率，因为漏报故障的代价远高于误报。误区二：忽略量化误差对阈值的影响。INT8量化后，模型输出的概率值离散化程度增加，原本设定的0.5阈值可能不再适用，需要重新校准。误区三：将云端训练数据直接用于MCU部署。传感器型号、安装位置、采样率差异都会导致特征分布偏移，必须在目标硬件上重新采集验证数据。
总结本章要点：TinyML的本质是在资源约束下实现可靠的边缘智能；振动异常检测是TinyML的理想应用场景，但必须系统考虑内存、功耗、延迟和量化误差；模型部署后需要持续监控数据分布变化，为后续阈值自适应调整和再训练闭环奠定基础。