📚 课程目录第1章课程导入

课程导入：学习目标、适用人群、课程项目全景与最终成果演示

欢迎来到《TFLite Micro设备闭环异常检测部署实战》。这是一门面向嵌入式开发者和AI应用工程师的实战型课程，核心目标是在资源极度受限的微控制器（MCU）上，实现一个完整的、可闭环运行的异常检测系统。本课程不满足于仅仅在PC端跑通一个TensorFlow模型，而是将焦点放在模型如何被压缩、转换、部署到Cortex-M系列芯片上，并配合传感器完成数据采集、实时推理、异常判定与反馈控制的全链路工程实现。本章作为课程的第一讲，将为你勾勒出整个学习旅程的全景图，明确学习目标、适用人群、项目架构以及最终成果的形态。

上图展示了本课程的三阶段核心链路：从数据与模型训练，到模型转换与嵌入式部署，再到闭环控制与系统集成。这三个阶段并非孤立的步骤，而是一个需要反复迭代和调优的工程闭环。接下来，我们将逐一拆解每个环节的学习目标、关键技术和实战要点。

1.1 学习目标：从“能跑通”到“跑得稳”

本课程的学习目标分为三个层次，层层递进，确保你不仅掌握工具链的使用，更能理解其背后的工程原理。

层次	目标描述	验收标准
基础层	掌握TFLite Micro的模型转换流程、算子支持范围以及C++集成方法	能够将训练好的Keras模型转换为.tflite文件，并在STM32开发板上运行一个简单的分类或回归任务
进阶层	理解量化原理（特别是INT8量化）、内存优化策略以及CMSIS-NN加速机制	模型大小压缩至原始FP32模型的1/4，推理速度提升2倍以上，且精度损失控制在2%以内
综合层	独立设计并实现一个完整的闭环异常检测系统，包括传感器驱动、实时推理、异常响应	系统能够连续运行24小时无故障，对预设异常模式的检测准确率≥95%，误报率≤1%

需要特别强调的是，本课程的目标不是让你成为一个“调包侠”，而是培养你在资源受限环境下的工程权衡能力。例如，当模型精度与推理延迟发生冲突时，你应该如何调整网络结构？当Flash空间不足时，是选择更激进的量化还是重新设计特征工程？这些决策能力，才是嵌入式AI工程师的核心竞争力。

1.2 适用人群：你需要具备哪些基础

考虑到课程内容的综合性，我们建议你具备以下基础，这将直接影响你的学习体验和进度。

嵌入式C/C++开发经验：至少熟悉STM32或类似Cortex-M系列MCU的开发流程，能够独立完成GPIO、UART、I2C等外设的配置与驱动编写。如果你只熟悉Arduino的简单调用，建议先补充寄存器级别的开发知识。
Python与TensorFlow基础：了解Keras或TensorFlow 2.x的基本模型构建与训练流程，知道什么是卷积层、全连接层、损失函数和优化器。不要求你精通深度学习理论，但至少要有训练过简单模型的经验。
信号处理基本概念：本课程的项目以振动信号异常检测为例，因此你需要了解采样定理、时域特征（均值、方差、峰值）和频域特征（FFT频谱）的基本含义。
硬件工具使用能力：能够使用示波器或逻辑分析仪查看传感器输出波形，会使用万用表测量电压和电流。这些技能在调试硬件接口时至关重要。

经验提醒：如果你发现自己对上述某一项基础比较薄弱，不必气馁。本课程在关键节点会提供“基础补强”提示，但不会花大量篇幅从头讲解。建议在开始项目前，先花一周时间复习C语言指针与内存管理，以及Python的NumPy数组操作，这会让你在后续章节中事半功倍。

1.3 课程项目全景：电机振动异常检测与自动保护系统

为了让你对课程有更直观的认识，我们设计了一个贯穿全课程的实战项目——电机振动异常检测与自动保护系统。这个项目具有典型的工业应用背景，且非常适合展示TFLite Micro的技术特点。

项目背景与约束：某工厂的传送带驱动电机在长时间运行后，轴承可能出现磨损或润滑不良，导致振动模式异常。如果未能及时发现，轻则损坏电机，重则引发生产线停机事故。传统方案是人工定期巡检，但存在滞后性。我们希望在电机控制板上直接部署一个AI模型，实时分析振动数据，一旦检测到异常，立即触发报警并自动切断电机电源。

硬件平台：

主控芯片：STM32F407VG（Cortex-M4F，168MHz，1MB Flash，192KB RAM）
传感器：ADXL345三轴加速度计（I2C接口，量程±16g，采样率3200Hz）
执行器：继电器模块（控制电机电源通断）、RGB LED（状态指示）
通信：板载ST-Link（调试）、USB转UART（日志输出）

数据与模型设计：我们预先在PC端采集了电机在正常状态、轴承磨损状态、转子不平衡状态下的振动数据。每个样本为256个采样点（约80ms @ 3200Hz）的三轴加速度数据。模型采用1D-CNN结构，输入为(256, 3)，经过两层卷积和池化后，通过全连接层输出3个类别的概率（正常/磨损/不平衡）。模型训练完成后，进行INT8量化，目标是将模型大小控制在50KB以内。

闭环控制逻辑：

// 伪代码示意
while (1) {
    // 1. 采集256个采样点（三轴）
    sensor_read(accel_data, 256);
    // 2. 预处理：归一化到[-1, 1]
    preprocess(accel_data);
    // 3. 运行TFLite Micro推理
    interpreter->Invoke();
    // 4. 获取输出概率
    float* output = interpreter->typed_output_tensor<float>(0);
    // 5. 异常判定（概率阈值0.8）
    if (output[1] > 0.8 || output[2] > 0.8) {
        relay_off();  // 切断电机电源
        led_set(RED); // 红色LED报警
        uart_send("ALARM: abnormal vibration detected!");
    } else {
        led_set(GREEN);
    }
    // 6. 控制推理频率（每200ms一次）
    delay_ms(200);
}

关键指标与验收标准：

指标项	目标值	测试方法
模型Flash占用	≤ 50 KB	编译后查看.map文件
运行时RAM占用	≤ 20 KB	使用STM32CubeMonitor查看
单次推理延迟	≤ 30 ms	GPIO翻转+示波器测量
异常检测准确率	≥ 95%	使用预留的测试数据集
系统响应时间	≤ 100 ms	从异常发生到继电器断开

1.4 最终成果演示：从数据到决策的完整链路

在课程的最后，你将完成一个可以独立运行的演示系统。以下是演示场景的具体描述，你可以以此为目标，检验自己的学习成果。

演示环境：将STM32开发板固定在小型直流电机旁，电机轴上粘贴一个偏心轮以模拟不平衡状态。ADXL345传感器用双面胶固定在电机外壳上。开发板通过USB线连接PC，PC端打开串口终端（波特率115200）查看日志。

演示步骤与预期现象：

正常状态：电机以额定转速（3000 RPM）运行。串口终端每200ms输出一条状态信息：[INFO] Status: NORMAL, Prob: [0.98, 0.01, 0.01]。LED保持绿色常亮。
异常注入：手动在电机轴上增加一个小磁铁（模拟不平衡）。约1秒后，串口输出：[ALARM] Status: UNBALANCE, Prob: [0.05, 0.02, 0.93]。同时，继电器断开，电机停止转动，LED变为红色并开始闪烁。
恢复测试：移除磁铁，按下开发板上的复位按键。系统重新初始化，电机恢复转动，LED变绿，系统回到正常监控状态。

整个演示过程展示了从传感器数据采集、边缘AI推理、异常判定到执行器控制的完整闭环。更重要的是，你可以通过串口日志中的概率值，直观地看到模型对当前状态的“置信度”，这有助于你理解模型的行为和潜在风险。

  项目复盘与工程思考：在实现上述演示的过程中，有几个容易被忽视的工程细节值得你特别关注。首先是传感器的采样同步问题——ADXL345的FIFO缓冲区需要正确配置，否则会导致数据错位。其次是电源噪声对振动信号的影响，电机启动瞬间的电流冲击可能导致ADC读数跳变，需要在硬件上增加去耦电容，在软件上增加数字滤波。最后是模型阈值的选择——过高的阈值会导致漏报，过低的阈值会导致误报，你需要根据实际场景中的“代价矩阵”来权衡。例如，在本项目中，停机检查的代价远低于电机烧毁的代价，因此我们选择了相对保守的0.8作为报警阈值。

风险提示：在操作继电器控制电机电源时，务必注意安全。确保开发板与电机驱动电路之间采用光耦隔离，避免电机启停时产生的反电动势损坏MCU。在调试阶段，建议先用LED代替继电器进行逻辑验证，确认无误后再接入真实负载。

通过本章的课程导入，相信你已经对本课程的学习路径和最终目标有了清晰的认识。在接下来的29个章节中，我们将从环境搭建开始，一步步带你完成数据采集、模型训练、量化部署、代码编写和系统联调的全过程。每一步都会配有详细的代码示例、调试技巧和常见问题排查指南。请准备好你的开发板，让我们开始这段充满挑战与成就感的嵌入式AI实战之旅吧。