课程导入：学习目标、适用人群与整体学习路径
欢迎来到《TFLite Micro温度传感器异常检测实战》课程。在正式开始技术细节之前，我们需要先建立全局视野。温度传感器异常检测是嵌入式边缘AI领域最具代表性的入门实战项目之一：它涉及传感器数据采集、信号预处理、机器学习模型训练、模型轻量化转换以及嵌入式端部署推理的完整链路。本课程将带你从零开始，使用TensorFlow Lite for Microcontrollers（TFLite Micro）框架，在资源受限的MCU上实现一个真实可运行的温度异常检测系统。本章作为课程导入，将明确学习目标、界定适用人群、规划整体学习路径，并预览贯穿全课程的实战项目。
1.1 学习目标：从理论到落地的能力构建
本课程的学习目标不是简单地“跑通一个Demo”，而是帮助你建立一套完整的嵌入式AI工程化思维。完成本课程后，你将具备以下核心能力：
- 理解TFLite Micro的架构与运行机制：掌握TFLite Micro的解释器、算子注册、内存分配器（如arena）等核心组件的工作原理，能够解释模型在MCU上运行时的资源消耗模型。
- 掌握传感器数据采集与预处理方法：学会从DS18B20等数字温度传感器读取原始数据，并针对异常检测任务进行滑动窗口切分、归一化、去噪等预处理操作。
- 能够训练并转换适合MCU的轻量级模型：使用TensorFlow训练一个自编码器异常检测模型，并通过量化感知训练（QAT）或训练后量化（PTQ）将模型压缩到适合MCU部署的尺寸（通常小于100KB）。
- 独立完成模型在嵌入式平台上的部署与调试：能够将转换后的.tflite文件集成到STM32工程中，编写推理调用代码，并通过串口、LED或LCD等外设展示检测结果。
- 具备基本的模型性能评估与调优能力：能够计算模型在MCU上的推理延迟、峰值内存占用，并根据实际运行指标进行模型结构或量化参数的调整。
课程目标拆解：本课程强调“可运行、可验证、可调优”的三层目标。最低目标是模型能够在开发板上跑起来并输出结果；进阶目标是检测准确率达标且资源占用可控；高阶目标是能够针对不同温度场景自适应调整检测阈值和模型参数。
1.2 适用人群：你需要具备哪些基础
本课程定位为中级实战课程，适合以下背景的学员：
| 人群类型 | 已有基础 | 本课程带来的价值 |
|---|---|---|
| 嵌入式软件工程师 | 熟悉C/C++、MCU外设驱动开发，了解RTOS基本概念 | 掌握在资源受限设备上部署机器学习模型的方法，拓展AI技能栈 |
| AI应用工程师 | 熟悉Python、TensorFlow/PyTorch，了解模型训练流程 | 理解模型从云端到边缘端的落地过程，掌握模型轻量化与硬件适配技巧 |
| 物联网/工业物联网开发者 | 有传感器数据采集经验，了解MQTT/Modbus等通信协议 | 学会在设备端直接进行智能检测，减少云端依赖，降低响应延迟 |
| 电子工程相关专业学生 | 具备基本的电路知识和编程能力 | 通过完整项目实践，建立软硬结合的系统级设计思维 |
需要特别说明的是，如果你完全没有接触过嵌入式开发，建议先补充学习STM32基础外设操作（GPIO、UART、I2C）和C语言指针、结构体等核心语法。如果你对机器学习完全陌生，建议先了解神经网络的基本概念（如层、激活函数、损失函数）。本课程在涉及相关知识点时会给出必要的背景说明，但不会从零开始讲授这些基础内容。
1.3 整体学习路径：四阶段递进式设计
课程内容按照“基础准备 → 模型构建 → 部署优化 → 综合实战”四个阶段组织，共30章。每个阶段都有明确的产出物和检验标准。
- 阶段一（第1-6章）：环境与基础。搭建开发环境（STM32CubeIDE、TensorFlow 2.x），熟悉DS18B20传感器驱动编写，理解TFLite Micro的工程结构。产出物：能够通过串口打印实时温度数据。
- 阶段二（第7-14章）：模型训练与转换。采集温度数据并构建数据集，设计自编码器模型，完成训练、评估、量化与TFLite转换。产出物：一个可在PC上运行的异常检测模型文件（.tflite）。
- 阶段三（第15-24章）：MCU端部署。将模型集成到STM32工程，编写推理代码，实现温度数据实时采集与异常判断，并通过LED/蜂鸣器/OLED屏输出结果。产出物：在开发板上运行完整的异常检测程序。
- 阶段四（第25-30章）：优化与扩展。进行内存优化（共享缓冲区、算子融合）、功耗优化（低功耗模式）、检测阈值自适应调整，并探讨如何将方案迁移到其他传感器（如湿度、振动）场景。产出物：一个经过调优的、可演示的完整系统。
学习建议：每章结束后，建议完成课后练习并记录实验数据。特别是模型量化章节，建议对比不同量化方案（动态范围量化、全整数量化）对模型精度和推理速度的影响，形成自己的调优经验。
1.4 实战项目预览：工业设备温度异常检测系统
贯穿全课程的实战项目模拟一个工业场景：某工厂的旋转设备（如电机、泵）在正常运行时会持续产生温度数据，当设备出现轴承磨损、润滑不足或过载时，温度会呈现异常波动模式。我们的任务是开发一个部署在设备附近的MCU上的智能检测系统，实时分析温度数据流，在异常发生初期发出警报。
项目关键参数与约束：
- 硬件平台：STM32F407VET6（Cortex-M4F，168MHz，192KB RAM，1MB Flash）
- 传感器：DS18B20数字温度传感器，12位分辨率，测量范围-55°C至+125°C，精度±0.5°C
- 数据采样率：1Hz（每秒钟采集一个温度值），滑动窗口大小32个点（约32秒的历史数据）
- 模型输入：32个连续温度值（归一化后），输出为重构误差（MSE）
- 异常判定：当重构误差超过动态阈值时判定为异常
- 资源预算：模型大小≤50KB，推理时间≤50ms，峰值RAM占用≤30KB
项目实现流程：首先，我们将在PC上模拟生成正常温度波形（包含小幅随机波动）和异常温度波形（包含突变、漂移、周期性振荡等模式），用于模型训练和验证。然后，使用TensorFlow构建一个三层自编码器（输入层32节点，隐藏层16节点，输出层32节点），通过最小化重构误差训练模型。训练完成后，进行全整数量化（int8），将模型大小压缩至约5KB。在MCU端，我们编写DS18B20驱动，每秒钟读取一次温度值并存入环形缓冲区，当缓冲区满32个点时，将数据归一化后送入TFLite Micro解释器执行推理，计算重构误差并与阈值比较。若连续3次超过阈值，则触发报警。
项目风险提示：在真实工业环境中，温度传感器可能受到电磁干扰、接线松动、环境温度剧烈变化等因素影响，导致数据中出现尖峰噪声。这些噪声可能被模型误判为异常。因此，在数据预处理阶段需要加入中值滤波或限幅滤波，并在后续章节中专门讨论鲁棒性优化策略。
案例拆解：一次完整的异常检测过程
假设设备正常运行时的温度稳定在60°C左右，波动幅度±2°C。某日，由于轴承润滑脂劣化，设备温度在10分钟内缓慢上升至68°C，随后出现±5°C的快速波动。我们的系统检测过程如下：
- 数据采集：DS18B20以1Hz采样率持续读取温度，MCU将最近32个数据点保存在环形缓冲区中。
- 预处理：对32个数据点进行归一化（减去均值并除以标准差），得到模型输入张量。
- 推理计算：TFLite Micro解释器执行自编码器前向计算，输出重构后的32个数据点。
- 误差计算：计算输入与输出的均方误差（MSE）。正常状态下MSE约为0.001-0.005；当温度出现漂移时，MSE逐渐增大至0.02以上。
- 阈值判断：系统设定动态阈值为0.015（基于正常数据统计得出）。当MSE连续3次超过阈值时，判定为异常。
- 报警输出：GPIO驱动LED闪烁，同时通过UART发送报警帧到上位机。
这个案例展示了从数据采集到决策输出的完整闭环。在后续章节中，我们将逐步实现上述每个环节，并深入讨论如何优化每个环节的性能。
1.5 常见误区与学习总结
在开始正式学习之前，先了解一些常见误区，可以帮助你少走弯路：
- 误区一：模型越大越准。在MCU上，模型大小直接决定了Flash占用和推理延迟。一个包含大量全连接层的复杂模型可能精度略高，但推理时间可能超过200ms，无法满足实时性要求。本课程将教你如何在精度和资源之间取得平衡。
- 误区二：量化只是简单的精度损失。实际上，通过量化感知训练和适当的校准数据集，int8量化模型的精度损失可以控制在1%以内，甚至在某些情况下精度会略有提升（因为量化起到了一定的正则化作用）。
- 误区三：TFLite Micro只能运行极简单的模型。虽然TFLite Micro支持的算子有限，但通过算子融合和自定义算子扩展，可以运行包括CNN、LSTM在内的多种模型结构。本课程将展示如何利用现有算子构建有效的异常检测模型。
- 误区四：忽略数据预处理的重要性。很多初学者将精力集中在模型结构上，却忽略了数据归一化、滤波等预处理步骤。实际上，对于温度异常检测这类时间序列任务，预处理的质量往往比模型结构对最终效果的影响更大。