课程导入：TinyML与工业异常分类的背景、课程目标、学习路径与项目总览
工业制造正在经历从“自动化”向“智能化”的深刻转型。传统的大型工业设备预测性维护系统往往依赖云端计算，将传感器数据传输至数据中心进行分析，这带来了带宽成本高、响应延迟大、数据隐私泄露风险等问题。与此同时，边缘计算与嵌入式AI的成熟，使得在微控制器（MCU）上直接运行轻量级机器学习模型成为可能。TinyML（微型机器学习）正是这一趋势的核心技术——它让设备在本地、低功耗、实时地完成数据采集、特征提取与推理决策。本课程聚焦于一个极具代表性的落地场景：基于STM32微控制器与STM32Cube.AI工具链，部署一个工业异常分类模型，实现对旋转机械、传送带或泵机等设备的振动异常实时识别。
上图展示了本课程所涉及的核心工程链路。从左侧的振动传感器数据采集，到中间的模型训练与量化压缩，再到右侧基于STM32Cube.AI的代码生成与MCU端推理，构成了一个完整的TinyML落地闭环。值得注意的是，这条链路并非简单的线性流程，而是需要反复迭代优化的系统工程。例如，在模型训练阶段选择的特征工程方法，会直接影响部署时MCU的RAM占用和推理延迟；而量化策略的选择，则需要在模型精度与存储空间之间做出权衡。本课程将沿着这条链路，逐步深入每一个关键环节。
1.1 TinyML的核心原理与工业场景价值
核心原理：TinyML是机器学习与嵌入式物联网的交叉领域，其本质是在资源极度受限的MCU（通常只有几十KB到几百KB的RAM，主频在几十MHz到几百MHz）上运行经过极致优化的神经网络模型。与云端AI不同，TinyML强调“数据不动，模型动”——传感器数据在本地完成处理，只有最终的异常结论或高度压缩的特征才会上传。这一范式转变带来了三个关键优势：实时性（毫秒级响应，不受网络波动影响）、隐私性（原始振动数据不出设备）、经济性（无需持续支付云服务费用，电池供电可运行数月）。
在工业异常分类场景中，TinyML的价值尤为突出。以旋转机械为例，其振动信号中蕴含着丰富的健康状态信息。正常工况下，振动频谱具有稳定的基频和倍频特征；当轴承出现磨损、转子不平衡或齿轮点蚀时，频谱中会出现新的边频带或特定频段的能量异常上升。传统方法依赖人工经验设定阈值，难以适应工况变化；而TinyML模型能够学习到高维特征模式，实现更精准的异常识别。
| 对比维度 | 传统云端AI方案 | TinyML边缘方案 |
|---|---|---|
| 响应延迟 | 100ms - 数秒（含网络传输） | 1-10ms（本地推理） |
| 带宽需求 | 持续上传原始波形，≥ 100kbps | 仅上传异常事件，≤ 1kbps |
| 数据隐私 | 原始数据暴露于云端 | 数据本地处理，隐私安全 |
| 功耗预算 | 通信模块功耗高，电池寿命短 | MCU级功耗，电池供电数月 |
| 离线可用性 | 断网即失效 | 完全离线运行 |
场景化理解：想象一条汽车发动机装配线上的拧紧机。该设备每分钟完成30次拧紧动作，每次动作持续2秒。如果采用云端AI方案，需要将每次拧紧过程中的振动波形（采样率25.6kHz，每次动作产生约51200个数据点）实时上传，网络稍有抖动就会导致数据丢失。而采用TinyML方案，STM32F4系列MCU在本地完成FFT特征提取和CNN推理，在动作结束后的5ms内即可输出“正常/异常”判断，异常时仅上传一个16字节的状态码。这不仅降低了网络压力，更实现了真正的实时闭环控制——异常拧紧动作可以在下一个动作开始前被拦截。
1.2 课程目标与学习路径设计
本课程的目标是培养学员独立完成一个完整的TinyML工业异常分类项目的能力。具体而言，学完本课程后，学员将能够：（1）理解工业振动信号的特点与异常模式；（2）使用Python完成数据预处理、特征工程与模型训练；（3）掌握模型量化与压缩技术，使模型适配MCU资源；（4）熟练使用STM32Cube.AI工具将训练好的模型转换为C代码并集成到嵌入式工程中；（5）在真实硬件上完成系统调试与性能验证。
学习路径遵循“理论→实践→优化”的螺旋上升结构。课程分为四个阶段：第一阶段（第1-5章）建立TinyML与工业异常分类的理论基础，包括信号处理基础、机器学习核心概念和STM32平台介绍；第二阶段（第6-15章）聚焦模型训练与优化，从数据采集、特征工程到CNN/轻量级模型设计，每章配套一个可运行的Python实验；第三阶段（第16-25章）进入STM32Cube.AI部署实战，涵盖模型转换、代码集成、内存优化和功耗调优；第四阶段（第26-30章）完成一个综合项目——基于加速度计数据的泵机异常分类系统，从需求分析到最终验收，完整走一遍工程流程。
学习建议：本课程强调动手实践。建议学员准备一块STM32F407或STM32L4系列开发板（如Nucleo-F446RE），以及一个I2S或SPI接口的数字加速度传感器（如LIS3DSH或ADXL345）。软件方面，需要安装STM32CubeMX、STM32CubeIDE和Python 3.8+环境。如果暂时没有硬件，也可以先使用STM32Cube.AI的PC仿真模式完成模型验证，待硬件到位后再进行移植。
1.3 项目总览：泵机异常分类系统
贯穿本课程的项目案例是一套离心泵振动监测系统。离心泵广泛应用于化工、水处理和暖通空调行业，其故障类型包括轴承磨损、叶轮不平衡、气蚀和电机故障。本项目选用工业级加速度传感器（量程±16g，灵敏度0.98mg/LSB）采集泵体三个轴向的振动信号，采样率设定为12.8kHz，每次采集1秒数据（12800个采样点）。
项目初始目标如下：（1）在STM32F446RE（Cortex-M4F，180MHz，128KB RAM）上实现异常分类，模型推理时间不超过15ms；（2）模型参数量不超过50KB，RAM占用不超过40KB；（3）对轴承故障、不平衡和气蚀三类异常的识别准确率不低于95%；（4）系统支持通过UART输出诊断结果，并可通过GPIO驱动LED指示状态。
项目开发过程中将面临一系列挑战：振动信号中的噪声干扰、不同工况下的数据分布漂移、MCU有限的计算资源对模型结构的约束、以及量化带来的精度损失。这些挑战将在课程各章节中逐一拆解。例如，在第8章中，我们将对比不同特征提取方法（时域统计特征、FFT频谱特征、小波包能量特征）对分类性能的影响；在第18章中，我们将演示如何使用STM32Cube.AI的模型优化器进行8位量化，并分析量化前后精度变化。
重要提醒：工业异常分类系统的可靠性至关重要。一个漏报可能导致设备损坏甚至安全事故。因此，本课程在模型设计阶段就引入“异常检测”与“异常分类”的双层架构：第一层使用自编码器检测“是否异常”（对未知故障类型敏感），第二层使用CNN分类器识别“属于哪类已知异常”。这种设计能够有效应对训练数据中未覆盖的故障模式，提高系统的鲁棒性。
1.4 常见误区与总结复盘
在TinyML项目的学习与实践中，初学者常陷入以下误区：
- 误区一：盲目追求高精度模型。在云端AI中，98%的准确率可能很常见；但在MCU上，一个复杂的ResNet模型可能因为内存不足而无法部署。正确的做法是优先考虑模型效率，使用深度可分离卷积、模型剪枝等技术，在精度损失可控的前提下大幅压缩模型体积。
- 误区二：忽视数据采集环节。很多学员直接使用公开数据集训练模型，然后发现部署到实际设备后效果很差。这是因为工业现场的环境噪声、传感器安装方式、设备工况都与实验室条件不同。本课程强调“数据先行”，在第6章专门讲解如何设计数据采集实验，包括传感器安装位置选择、采样率设定、抗混叠滤波等。
- 误区三：将STM32Cube.AI视为“黑盒”。虽然该工具可以自动将Keras或ONNX模型转换为C代码，但理解其内部机制（如内存复用策略、算子融合方式）对于优化部署至关重要。例如，当模型包含LSTM层时，STM32Cube.AI可能会生成较大的状态缓冲区，需要手动调整内存分配策略。
- 误区四：忽略系统级验证。模型在PC上推理正确，不代表在MCU上也能正确工作。定点运算误差、中断延迟、传感器时序偏差都可能导致推理结果异常。本课程第24章专门讲解系统级测试方法，包括使用已知故障样本注入、长时间稳定性测试、以及功耗测量。