3、TinyML与边缘计算概览：TinyML定义、微控制器资源限制、典型硬件（STM32、ESP32、Arduino Nano 33 BLE）与部署流程
TinyML是机器学习与嵌入式系统交叉领域中最具工程落地价值的分支，其核心目标是在功耗受限、计算资源有限的微控制器（MCU）上直接运行推理模型，而无需依赖云端。对于振动检测场景而言，TinyML意味着将FFT特征提取、异常评分等算法从PC端或边缘网关下沉到传感器节点本身，实现毫瓦级功耗下的实时状态监测。本章将系统梳理TinyML的定义边界、微控制器的硬性资源约束、三类典型硬件平台的选型逻辑，以及从模型训练到固件烧录的完整部署链路。
上图展示了TinyML振动检测系统的完整技术框架：左侧为TinyML的定义边界，中间为MCU的资源约束条件，右侧为典型硬件平台，底部为从数据采集到部署的闭环流程。在实际项目中，这四个维度相互制约——资源约束决定了模型大小和特征工程策略，硬件平台决定了FFT计算效率和功耗预算，而部署流程则贯穿整个开发周期。
3.1 TinyML核心原理与振动检测适配性
TinyML并非简单的"小模型机器学习"，而是一套完整的工程方法论，涵盖模型压缩、量化感知训练、算子优化和运行时调度。其核心原理可归纳为三个层面：模型层面，通过剪枝、权值共享和知识蒸馏将模型压缩至KB级别；算子层面，将浮点运算转换为定点或整型运算，利用MCU的DSP指令集加速；系统层面，通过内存复用、零拷贝推理和低功耗调度策略，在电池供电条件下实现持续运行。
在振动检测场景中，TinyML的适配性体现在两个关键维度：频域特征提取和异常评分。振动信号本质上是时域波形，但故障特征往往在频域中更明显。MCU上运行FFT算法需要消耗大量计算周期，例如STM32F4在168MHz主频下计算1024点FFT约需0.5ms，而ESP32-S3在240MHz下可缩短至0.3ms。异常评分则通常采用阈值判断、统计过程控制或轻量级分类器（如决策树、单层LSTM），这些算法在MCU上均可实时运行。
3.2 微控制器资源限制与振动算法的量化约束
微控制器的资源限制是TinyML项目失败的首要原因。以振动检测为例，需要同时处理时域采样、FFT计算、特征提取和异常评分，每个环节都会消耗Flash和SRAM。下表对比了三种典型MCU平台的资源参数及其对振动算法的约束：
| 资源参数 | STM32F446RE | ESP32-S3 | Arduino Nano 33 BLE | 对振动算法的约束 |
|---|---|---|---|---|
| 内核 | Cortex-M4F @168MHz | Xtensa LX7 @240MHz | Cortex-M4F @64MHz | M4F带FPU，FFT可用硬件浮点加速 |
| Flash | 512KB | 8MB（外部PSRAM可选） | 1MB | 模型+FFT查表+固件需控制在Flash内 |
| SRAM | 128KB | 512KB | 256KB | FFT输入/输出缓冲+特征向量+模型中间变量 |
| ADC采样率 | 2.4MSPS | 2MSPS | 1MSPS | 振动信号通常10kHz~50kHz采样，需满足Nyquist |
| DSP指令 | 支持（FPU+SIMD） | 支持（SIMD） | 支持（FPU） | FFT蝶形运算可加速30%~50% |
在实际工程中，SRAM是最稀缺的资源。以1024点FFT为例，float32类型需要4KB输入缓冲和4KB输出缓冲，加上窗函数查表（4KB）和特征向量（约200B），仅FFT环节就占用约12KB SRAM。若模型推理需要额外的中间张量缓冲区，很容易突破128KB的限制。因此，内存规划必须在项目启动时完成，而非在编码阶段才考虑。
3.3 典型硬件平台选型与振动检测适配
三种典型硬件平台各有优劣，选型需结合项目需求、团队熟悉度和成本预算。以下从振动检测角度进行对比分析：
3.3.1 STM32F446RE：工业级稳定之选
STM32F4系列是工业振动监测的经典平台，其Cortex-M4F内核自带FPU和DSP指令，FFT计算效率高。在振动检测项目中，STM32的优势在于：外设丰富（多路ADC、定时器、DMA）、生态成熟（STM32CubeMX+HAL库）、工业级可靠性（-40℃~85℃工作温度）。典型配置为：ADC以25.6kHz采样率采集加速度计信号，DMA双缓冲传输，定时器触发FFT计算，每256ms输出一次异常评分。
但STM32的短板在于无线通信能力弱，通常需要外挂Wi-Fi或BLE模块，增加了系统复杂度和功耗。若项目需要无线数据传输，建议选择ESP32系列。
3.3.2 ESP32-S3：无线+AI融合平台
ESP32-S3内置Wi-Fi和BLE 5.0，且集成了向量指令扩展，适合需要边缘计算+无线传输的场景。其8MB Flash和512KB SRAM为TFLite Micro提供了充足空间，可运行稍大的异常检测模型。在振动检测中，ESP32-S3的典型用法是：本地FFT+异常评分，仅将异常事件和原始波形片段通过Wi-Fi上传至网关，正常状态下保持低功耗待机。
需要注意，ESP32-S3的ADC线性度不如STM32，且采样时钟抖动较大，可能影响FFT的频谱纯度。若对频率精度要求高（如轴承故障特征频率识别），建议外接高精度ADC或使用I2S接口的数字加速度计（如ADXL345）。
3.3.3 Arduino Nano 33 BLE：快速原型验证
Arduino Nano 33 BLE基于nRF52840芯片，集成BLE 5.0和Cortex-M4F内核，适合快速原型验证和教学场景。其优势在于Arduino生态的易用性，配合TFLite Micro库可在几小时内完成从模型到固件的部署。但受限于64MHz主频和1MB Flash，仅适合轻量级振动检测（如128点FFT+简单阈值判断），不适合复杂特征提取或多通道同步采集。
3.4 部署流程：从训练到固件的五步闭环
TinyML部署流程与常规嵌入式开发有显著差异，需要跨学科协作。以下以振动异常检测为例，给出标准部署流程：
- 数据采集与预处理：使用加速度计（如ADXL345、MPU6050）以10kHz~50kHz采样率采集正常和异常振动数据，标注故障类型。数据需覆盖不同转速、负载和温度条件，建议至少采集100组以上样本。
- 特征工程与模型训练：在PC端对原始波形进行FFT，提取频谱峰值、能量集中度、边频带宽度等特征。使用TensorFlow/Keras训练分类模型（如DNN或1D-CNN），输入为FFT幅值谱或梅尔频谱，输出为异常概率。
- 模型转换与量化：使用TFLite Converter将模型转换为.tflite格式，并执行int8量化。量化校准数据集需从训练集中随机抽取，确保动态范围覆盖。
- 嵌入式集成：将TFLite Micro库移植到目标MCU，编写FFT驱动、特征提取和推理调度代码。注意内存对齐和缓冲区复用，避免动态内存分配。
- 验证与调优：在真实硬件上运行，对比PC端和MCU端的推理结果，检查量化误差。若精度下降超过5%，需调整量化策略或增加特征维度。
案例拆解：电机轴承故障检测的TinyML部署
某工厂需要对电机轴承进行在线监测，要求检测外圈故障特征频率（BPFO）并实时报警。项目约束：电池供电、无线传输、成本低于200元、误报率低于1%。
初始方案：采用STM32F446RE+ADXL345，采样率25.6kHz，FFT点数1024，特征提取BPFO幅值与基频幅值比，使用单层决策树分类。模型大小仅2.3KB，SRAM占用约18KB。
部署过程：在PC端采集正常和故障数据各200组，训练决策树模型，准确率98.5%。转换为TFLite int8量化后，准确率降至97.2%，仍在可接受范围。嵌入式代码中，FFT使用CMSIS-DSP库的arm_cfft_f32函数，耗时0.6ms；推理耗时0.1ms；总周期约1ms，满足实时性要求。
结果对比：部署后连续运行72小时，共检测到3次真实故障，误报0次。但发现一个问题：当电机转速波动超过±5%时，BPFO频率偏移导致漏报。解决方案是增加转速传感器，将BPFO频率归一化处理，最终漏报率降至0。
复盘经验：①量化误差在振动信号中不可忽视，需在训练阶段加入噪声增强；②FFT窗口选择汉宁窗而非矩形窗，可减少频谱泄漏；③异常评分阈值需根据现场噪声水平动态调整，固定阈值在工况变化时容易失效。
3.5 常见误区与总结复盘
在TinyML振动检测项目中，以下误区最容易导致项目延期或失败：
- 误区一：模型越大越准。MCU上模型大小与精度并非线性关系，过大的模型会导致内存溢出或推理延迟超标。建议优先使用特征工程+轻量分类器，而非端到端深度学习。
- 误区二：忽略采样率与FFT分辨率的匹配。FFT频率分辨率 = 采样率/FFT点数。若采样率25.6kHz、FFT点数1024，分辨率25Hz，无法分辨间隔小于25Hz的故障特征频率。需根据目标频率间隔选择FFT点数。
- 误区三：后训练量化直接使用。PTQ在振动信号上可能导致频谱峰值偏移，建议使用QAT或在量化校准集中包含极端工况数据。
- 误区四：忽视功耗预算。MCU在FFT计算时电流可达20mA~50mA，若电池容量1000mAh，连续运行仅20小时。需设计低功耗模式：采样1秒、休眠10秒，平均功耗降至2mA。