课程导入：TinyML与振动异常检测的背景、课程目标、学习路径与实战项目总览

工业设备预测性维护正在经历一场深刻的范式转移。传统方案依赖大型服务器或边缘网关集中处理振动数据，但高昂的部署成本、网络带宽压力以及数据隐私问题，使得“端侧智能”成为必然趋势。TinyML（微型机器学习）正是在这一背景下应运而生——它让机器学习模型能够在毫瓦级功耗的MCU（微控制器）上运行，将振动异常检测的推理能力直接嵌入传感器节点。然而，振动信号分析并非简单地将时域波形送入神经网络即可。频域特征提取，尤其是FFT（快速傅里叶变换）的窗函数选择与参数调优，直接决定了模型能否从嘈杂的工业环境中精准捕捉到轴承磨损、齿轮断齿等微弱故障特征。本课程将聚焦这一关键交叉领域，带你从理论到实战，系统掌握基于TinyML的振动异常检测全链路开发技能。

1.1 TinyML与振动异常检测的产业背景

工业4.0推动下，预测性维护已成为制造业降本增效的核心手段。据不完全统计，设备意外停机造成的损失占工厂总产值的1%~3%，而振动分析是旋转机械故障诊断最有效的手段之一。然而，传统振动监测系统通常由高精度传感器、数据采集卡和上位机软件组成，单通道成本动辄数千元，且需要专业工程师现场配置。对于中小型工厂而言，这种模式难以大规模部署。

TinyML的出现改变了这一局面。以ARM Cortex-M4/M7系列MCU为例，其主频通常在80MHz~480MHz之间，内置Flash从256KB到2MB不等，RAM从64KB到512KB。在如此受限的资源下，通过模型量化（如INT8）和高效推理库（如CMSIS-NN），完全可以在毫秒级时间内完成一次振动信号的频域分析和异常分类。这意味着每个轴承座、每台电机都可以安装一个“智能振动标签”，以极低的功耗（<10mW）实现7×24小时在线监测。

但这里存在一个关键的技术鸿沟：振动信号的特征提取高度依赖FFT的窗函数选择。不同的窗函数对频谱泄漏、幅值精度和频率分辨率的权衡截然不同。例如，矩形窗的频率分辨率最高，但旁瓣泄漏严重，可能掩盖微弱的故障特征频率；而Blackman-Harris窗旁瓣衰减可达92dB，但主瓣宽度是矩形窗的3倍，会降低频率分辨率。在TinyML场景下，由于MCU算力有限，FFT点数通常限制在256~1024点，窗函数的影响被进一步放大。因此，掌握窗函数的选型与调参方法，是构建可靠TinyML振动异常检测系统的前提。

1.2 课程目标与学习路径

本课程旨在培养学员在TinyML约束下进行振动信号频域分析与异常检测的完整工程能力。具体目标包括：

• 理论层面：理解FFT窗函数的数学原理、频谱泄漏机制、主瓣与旁瓣的权衡关系，以及不同窗函数（矩形、Hanning、Hamming、Blackman、Kaiser等）的适用场景。
• 工程层面：掌握在MCU上实现FFT的优化技巧（定点运算、查表法、CMSIS-DSP库调用），以及窗函数参数（窗长、重叠率、FFT点数）对模型输入特征的影响。
• 实战层面：完成一个从数据采集、离线分析、模型训练到MCU部署的完整项目，能够针对特定故障类型（如轴承内圈故障、外圈故障、滚动体故障）选择最优窗函数组合。

学习路径分为四个阶段，每个阶段都配有对应的实战任务：

阶段	核心内容	实战任务	关键输出
第一阶段	振动信号基础与FFT原理	使用Python对CWRU轴承数据集进行频谱分析	理解不同故障类型的频谱特征
第二阶段	窗函数选择与参数调优	对比不同窗函数对故障特征提取的影响	窗函数选型报告
第三阶段	TinyML模型设计与训练	构建1D-CNN模型并进行量化感知训练	INT8量化模型（<100KB）
第四阶段	MCU部署与系统集成	在STM32F4开发板上部署模型并实时推理	可运行的嵌入式演示系统

1.3 实战项目总览：轴承故障诊断系统

本课程的实战项目围绕一个典型的工业场景展开：某化工厂的离心泵机组频繁出现轴承过热问题，传统振动监测系统因成本过高无法覆盖所有关键测点。我们采用TinyML方案，设计一款基于STM32F407（Cortex-M4, 168MHz, 192KB RAM）的智能振动传感器节点，使用ADXL345加速度传感器（量程±16g，分辨率13位）采集振动数据。

项目初始约束条件如下：

• 硬件资源：Flash剩余空间约128KB（用于存放模型和代码），RAM可用约64KB（用于FFT缓冲和推理中间结果）。
• 实时性要求：从数据采集到输出异常判定结果，端到端延迟不超过50ms。
• 功耗预算：平均工作电流不超过15mA（3.3V供电），采用电池供电时需满足连续工作6个月以上。
• 数据特性：采样率设定为8kHz，每次分析窗口长度为1024点（128ms），FFT点数512点（频率分辨率约15.6Hz）。

项目初始现象是：使用默认的矩形窗进行FFT时，模型在实验室环境下准确率达到92%，但在现场部署后，由于存在工频干扰（50Hz及其谐波）和随机噪声，准确率骤降至71%。通过频谱分析发现，矩形窗的旁瓣泄漏导致工频干扰能量扩散到相邻频段，掩盖了轴承外圈故障特征频率（约107Hz）的边带信息。

针对这一问题，我们采用Hanning窗（旁瓣衰减31dB）替换矩形窗，并将FFT点数从512提升到1024（通过补零实现），同时引入50%重叠率以增加时间分辨率。调整后，现场准确率回升至89%，误报率从12%降至4%。这一案例充分说明了窗函数选择在真实工业环境中的关键作用。

1.4 常见误区与学习建议

在多年教学和工程实践中，我们发现学员在入门TinyML振动检测时经常陷入以下误区：

针对这些误区，我们建议学员遵循以下学习原则：

1. 先建立频谱直觉：使用Python的matplotlib库，对同一段振动信号应用不同窗函数，直观观察频谱差异。重点对比主瓣宽度、旁瓣衰减和幅值误差三个指标。
2. 量化资源预算：在项目启动前，明确MCU的Flash/RAM/算力预算，据此反推FFT点数和窗函数类型。例如，若RAM预算为16KB，则FFT点数不宜超过1024（浮点）或2048（定点）。
3. 建立调参实验矩阵：将窗函数类型、FFT点数、重叠率、特征维度作为四个维度，设计正交实验，使用网格搜索或贝叶斯优化找到最优组合。
4. 重视现场验证：实验室环境与现场环境差异巨大。建议在课程项目中预留至少2周时间进行现场数据采集和模型微调，重点关注温度漂移、电磁干扰和安装共振对频谱的影响。