课程导入：学习目标、适用人群、课程结构、所需软硬件环境与工具链概述

TinyML（微型机器学习）正在将智能推理能力从云端下沉到微控制器（MCU）级别的边缘设备。在工业预测性维护、家电故障自检、可穿戴设备运动识别等场景中，振动信号是最具信息密度的物理量之一。然而，在仅有数十KB RAM、主频不过百MHz的MCU上，既要完成FFT（快速傅里叶变换）频谱提取，又要根据频谱特征计算异常评分，并实现两者的联动调参，这并非简单的算法移植，而是一场涉及信号链、资源预算、数值精度与业务阈值的系统性工程。本章作为全课程的开篇，将为你勾勒出完整的学习地图，明确学习目标、适用人群、课程结构，并详细梳理后续实战所需的软硬件环境与工具链。

1.1 学习目标：从“能跑”到“会调”

本课程的核心目标并非仅仅教会你在MCU上运行一个FFT函数，而是培养一种系统化的工程调参能力。在TinyML振动检测场景中，FFT与异常评分是两个紧密耦合的模块：FFT的参数（采样率、点数、窗函数）直接决定了频谱的分辨率和泄漏程度，进而影响异常评分算法所依赖的特征质量；而异常评分的阈值、权重和更新策略又反过来对FFT的输出精度提出要求。如果孤立地看待这两个模块，往往会出现“频谱看起来正常但评分误报频繁”或“评分算法合理却因频谱失真而失效”的困境。

具体而言，完成本课程后，你将能够：

• 理解FFT在嵌入式环境中的资源模型：掌握FFT点数、采样率与RAM/Flash/CPU开销之间的定量关系，能够根据MCU的可用资源选择合适的FFT配置。
• 设计面向MCU的异常评分算法：了解基于频段能量、峰值频率偏移、谐波失真度等特征的评分方法，并学会在计算复杂度与检测灵敏度之间取得平衡。
• 掌握联动调参的方法论：能够通过系统化的实验设计，找到FFT参数与评分阈值之间的最优匹配，并建立可复用的调参流程。
• 具备实机部署与排障能力：能够独立完成从传感器数据采集、FFT计算、评分输出到串口/蓝牙上报的完整链路调试。

1.2 适用人群：你需要具备哪些基础？

本课程面向有一定嵌入式开发经验，但对TinyML和信号处理细节了解不深的工程师。我们假设你具备以下基础：

• C语言编程能力：能够熟练使用指针、结构体、回调函数等语法，理解内存分配和栈空间的概念。
• 基本的MCU外设使用经验：至少使用过一种MCU的GPIO、定时器、UART或I2C/SPI接口，能够阅读数据手册中的寄存器描述。
• 基础的信号处理概念：了解采样定理、时域与频域的基本概念，知道FFT是干什么的，但不要求精通其数学推导。
• Python数据分析基础：能够使用NumPy或SciPy进行简单的数组操作和绘图，因为课程中的离线分析部分将大量使用Python。

如果你暂时不具备上述全部基础，也不必担心。课程的第2-4章会安排必要的预备知识回顾，包括FFT的工程理解、CMSIS-DSP库的使用方法以及Python数据分析快速上手。但请务必确保C语言和MCU外设基础扎实，否则在实战章节可能会感到吃力。

1.3 课程结构：30章递进式学习路径

本课程共30章，分为四个递进阶段，每个阶段解决一类核心问题。下表展示了完整的课程结构及各阶段重点：

阶段	章节范围	核心主题	关键产出
基础篇	第1-8章	信号链搭建、FFT原理与CMSIS-DSP实现、传感器校准	可用的振动数据采集与FFT频谱输出
进阶篇	第9-16章	异常评分算法设计、特征选择、阈值设定方法	基于频谱特征的异常评分模块
实战篇	第17-24章	FFT与评分联动调参、实时性优化、功耗控制	联动调参流程与性能优化方案
案例篇	第25-30章	工业电机、家用电器的完整检测案例与排障复盘	可复用的工程模板与经验清单

每一章都遵循“原理讲解→操作步骤→案例拆解→常见误区”的闭环结构。你既可以按顺序系统学习，也可以根据实际项目需求跳转到特定章节查阅。但强烈建议前16章按顺序学习，因为后续的联动调参方法高度依赖前期的FFT和评分基础。

1.4 所需软硬件环境与工具链概述

为了确保课程中的每一个实验都能顺利复现，我们推荐以下软硬件环境。如果你手头的设备略有不同，只要满足核心指标要求，同样可以完成学习。

1.4.1 硬件平台选型

课程实战部分以STM32F407VET6（Cortex-M4F内核，带FPU）为主力平台，原因在于：

• 内置FPU（浮点运算单元），可显著加速FFT的浮点计算；
• 192KB RAM和512KB Flash，足以容纳1024点FFT及评分算法的中间变量；
• 丰富的定时器和DMA通道，便于实现精确的采样率控制。

振动传感器推荐MPU6050（六轴IMU，含三轴加速度计）或ADXL345（三轴加速度计）。两者均通过I2C接口与MCU通信，采样率最高可达1kHz以上，满足工业振动检测的典型需求（通常关注10Hz-1kHz频段）。

1.4.2 软件开发工具链

软件工具链分为嵌入式开发和离线数据分析两条线，具体如下：

工具类别	推荐工具	用途说明
IDE	STM32CubeIDE 1.15+	基于Eclipse的免费IDE，集成CubeMX配置和编译调试
DSP库	ARM CMSIS-DSP 1.14+	提供优化的FFT、滤波、统计函数，支持Q15/Q31/浮点
数据分析	Python 3.9+ / Anaconda	使用NumPy、SciPy、Matplotlib进行离线频谱分析和评分仿真
串口调试	PuTTY / SerialPlot	查看MCU输出的频谱数据和评分结果，SerialPlot可实时绘图
逻辑分析仪	Saleae Logic 16（或兼容）	验证I2C时序、采样率精度、DMA传输完整性

1.4.3 工具链工作流程

在实际项目中，工具链的使用遵循以下流程：

1. CubeMX配置：初始化时钟（168MHz主频）、I2C（连接传感器）、定时器（触发ADC或直接读取传感器数据）、UART（输出调试信息）。
2. CMSIS-DSP集成：在STM32CubeIDE中导入CMSIS-DSP库，链接所需的FFT和统计函数。
3. MCU端代码开发：编写传感器驱动、数据采集缓冲、FFT计算和评分算法。
4. Python离线分析：将MCU通过串口上传的原始时域数据保存为CSV，在Jupyter Notebook中进行频谱分析和评分参数仿真，确定最优参数后再固化到MCU代码中。
5. 联调与验证：使用SerialPlot实时观察频谱和评分输出，配合逻辑分析仪检查时序，反复调整参数直至满足检测要求。

1.5 案例拆解：从零搭建一套振动检测原型

为了让你对课程内容有一个直观的感知，这里用一个简化的案例来展示完整的学习链路。假设我们需要检测一台小型风扇的轴承异常，目标是当轴承出现磨损时，在30秒内发出告警。

初始条件与约束：

• MCU：STM32F407VET6，主频168MHz，可用RAM 128KB（预留64KB给系统）；
• 传感器：MPU6050，加速度计量程±16g，采样率设置为1kHz；
• 检测频段：轴承磨损的特征频率通常在200Hz-500Hz之间；
• 资源限制：FFT计算必须在10ms内完成（即CPU占用率不超过10%）。

初步方案与问题：

我们首先尝试使用1024点FFT，频率分辨率约为0.98Hz（1000/1024），理论上足以分辨轴承特征频率的微小偏移。但1024点FFT需要1024个float32样本（4KB），加上窗函数和频谱幅值计算，总RAM占用约12KB，CPU计算时间约8ms（使用CMSIS-DSP浮点FFT）。这看起来可行，但当我们加入异常评分算法后，发现评分需要计算多个频段的能量和峰值，额外增加了5ms的CPU时间，总耗时达到13ms，超出了10ms的预算。

分析判断过程：

我们通过Python离线分析发现，轴承磨损的特征频率偏移通常在±5Hz以内，因此频率分辨率不需要0.98Hz这么高。将FFT点数降为512点，频率分辨率变为1.95Hz，仍然满足需求。512点FFT的RAM占用减半，CPU时间降至约4ms，加上评分算法的3ms，总耗时7ms，满足预算。

实际操作步骤：

1. 在CubeMX中将ADC采样率配置为1kHz，使用DMA循环采样，每次采集512个样本后触发一次FFT计算。
2. 在Python中模拟512点FFT的频谱输出，验证200-500Hz频段的特征频率可分辨性。
3. 将评分算法简化为仅计算200-500Hz频段能量与基线能量的比值，阈值设为1.5倍。
4. 在MCU上实现上述逻辑，通过串口输出评分结果。

结果对比与复盘：

优化后，CPU占用率从13ms降至7ms，RAM占用从12KB降至6KB，检测灵敏度（在模拟故障注入下）从92%提升至95%，误报率从3%降至1.5%。复盘发现，误报率下降的原因并非FFT点数减少，而是评分算法简化后减少了无效特征引入的噪声。这印证了课程的核心观点：FFT与评分必须联动调参，而非各自独立优化。

1.6 常见误区与学习建议

在课程开始之前，有必要指出初学者最容易陷入的几个误区，这些误区将在后续章节中反复被提及：

• 误区一：FFT点数越大越好。更高的频率分辨率意味着更大的RAM占用和更长的计算时间，但未必带来更好的检测效果。实际中应根据目标特征频率的带宽需求选择最小可接受的FFT点数。
• 误区二：评分算法越复杂越准确。在MCU上，复杂的评分算法不仅消耗CPU资源，还可能因为特征维度过高而引入过拟合风险。应优先选择物理意义明确、计算简单的特征。
• 误区三：先调FFT再调评分。这种线性思维忽略了两个模块之间的耦合关系。正确的做法是同时考虑FFT参数和评分阈值，通过实验设计找到联合最优解。
• 误区四：忽视采样率精度。MCU的定时器配置不当会导致实际采样率偏离设定值，进而引起频谱频率轴的偏移。务必使用逻辑分析仪或示波器验证实际采样率。