第一章 课程导入：学习目标、核心概念、整体框架、适用人群与前置知识
欢迎来到《Edge AI传感器数据采集与设备闭环控制课程》。在工业4.0与智能制造的浪潮中，边缘人工智能（Edge AI）正从概念走向大规模落地。传感器数据采集是系统的“感官”，设备闭环控制是系统的“肌肉”，而边缘侧的AI推理则是连接两者的“决策大脑”。本章作为全课程的起点，将帮助您建立完整的知识地图，明确学习路径，并厘清边缘计算、传感器融合、实时控制与AI推理之间的内在逻辑关系。我们将从核心概念出发，剖析课程的整体架构，并给出前置知识清单，确保您在后续章节中能够顺畅地跟随学习。
1.1 学习目标：从“能采集”到“会决策”再到“精控制”
本课程的学习目标并非简单地教会您读取传感器数值或驱动一个电机，而是培养您在资源受限的边缘设备上，构建完整“感知-推理-控制”闭环系统的工程能力。具体而言，完成本课程后，您将能够：
- 掌握传感器数据采集的完整信号链：从传感器选型、接口协议（SPI/I2C/UART）、ADC采样配置、数据滤波与校准，到时间戳对齐与多传感器融合，理解噪声来源与抑制方法。
- 具备边缘AI模型部署能力：能够在Cortex-M系列MCU或低功耗MPU上部署轻量级神经网络（如TinyML、量化模型），实现振动异常检测、预测性维护等典型应用。
- 实现实时闭环控制算法：理解PID控制、前馈补偿、状态机控制等经典算法，并能在RTOS环境下以确定性的时序执行控制周期，保证系统的稳定性与响应速度。
- 构建系统级工程思维：能够权衡算力、功耗、成本与实时性之间的矛盾，设计出可量产、可维护的边缘AI控制系统。
1.2 核心概念：边缘AI、传感器数据采集与闭环控制
在进入技术细节之前，我们需要对三个核心术语建立精确的工程定义，避免概念混淆。
边缘AI（Edge AI）是指在靠近数据源头的物理设备（而非云端数据中心）上运行机器学习算法。与云端AI相比，边缘AI的核心优势在于：低延迟（毫秒级响应）、数据隐私（本地处理）、带宽节省（不上传原始数据）以及离线可用性。在工业控制场景中，边缘AI通常运行在MCU（如STM32H7、ESP32-S3）或轻量级MPU（如i.MX 8M Mini）上，使用TensorFlow Lite Micro、CMSIS-NN等推理引擎。
传感器数据采集不仅仅是读取寄存器数值。一个高质量的数据采集系统需要考虑：采样率与分辨率（Nyquist定理）、抗混叠滤波、信号调理（放大/衰减）、校准与补偿（温度漂移）、以及时间同步（多传感器数据融合的前提）。例如，在振动监测中，加速度传感器需要以至少2kHz的采样率采集，且需要加窗函数处理，才能有效提取轴承故障特征频率。
设备闭环控制是指通过传感器反馈实时调整执行器输出，使被控量（如温度、转速、位置）稳定在目标值。典型的闭环控制包括PID控制、模型预测控制（MPC）和模糊控制。在边缘AI系统中，AI模型输出的不是直接的控制量，而是控制策略的“参考输入”或“补偿量”。例如，AI模型预测到负载即将增大，提前调整PID目标值，实现前馈-反馈复合控制。
| 维度 | 传统嵌入式控制 | Edge AI 增强控制 |
|---|---|---|
| 决策依据 | 固定阈值、规则逻辑 | 数据驱动模型、模式识别 |
| 适应性 | 需人工调整参数 | 可在线学习/自适应 |
| 故障处理 | 简单报警 | 预测性维护、根因分析 |
| 算力需求 | 低（K级DMIPS） | 中（数百GOPS） |
| 典型硬件 | 8位/32位MCU | MCU+NPU / 低功耗MPU |
1.3 整体框架：30章递进式学习路径
本课程共30章，分为五个递进阶段，每个阶段解决一组核心工程问题。这种设计遵循“从点至面、从静态到动态、从开环到闭环”的认知规律。
- 基础篇（第1-6章）：课程导入、传感器原理与选型、信号调理与ADC、数字滤波与校准、通信接口（SPI/I2C/UART）、RTOS基础与任务调度。
- 数据篇（第7-12章）：多传感器时间同步、数据采集系统设计、存储与日志管理、传感器故障诊断、数据预处理与特征工程、边缘数据质量评估。
- AI篇（第13-20章）：边缘AI硬件加速器、TinyML模型设计与训练、模型量化与剪枝、推理引擎部署（TFLite Micro）、异常检测实战、预测性维护案例、AI模型在线更新策略。
- 控制篇（第21-26章）：PID控制原理与整定、前馈与串级控制、状态机与顺序控制、电机控制（FOC）、AI辅助控制策略、控制系统的稳定性分析。
- 综合实战篇（第27-30章）：边缘AI控制系统集成、低功耗设计优化、系统可靠性测试（HALT）、完整项目实战（智能温控与振动监测一体机）。
1.4 适用人群与前置知识
本课程面向以下三类人群，并针对不同背景给出了补充学习建议：
- 嵌入式软件工程师（期望转型AI方向）：您已熟悉MCU开发，需要补充机器学习基础与模型部署技能。建议重点学习第13-16章，并复习Python基础。
- 自动化/控制工程师（期望引入AI能力）：您精通PID与PLC，但对AI模型训练不熟悉。建议重点学习第7-9章（数据采集）和第17-20章（AI实战），并了解基本的张量操作。
- 物联网/硬件工程师（期望提升系统价值）：您擅长电路与通信，需要理解AI与控制算法如何与硬件协同。建议完整学习全部章节，尤其关注第5章（通信）与第27章（系统集成）。
前置知识清单（按重要程度排序）：
| 知识领域 | 具体要求 | 缺失时的补救建议 |
|---|---|---|
| C语言编程 | 熟练使用指针、结构体、回调函数 | 复习《C Primer Plus》第6-11章 |
| 数字电路基础 | 理解ADC/DAC原理、时序逻辑 | 学习《数字电子技术基础》第1-4章 |
| Python基础 | 能编写数据处理脚本，了解NumPy | 完成Python官方教程前8节 |
| 自动控制原理 | 了解传递函数、稳定性判据 | 观看B站“自动控制原理”速成课（前20讲） |
| Linux命令行 | 会使用SSH、文件操作、进程管理 | 练习《鸟哥的Linux私房菜》基础篇 |
1.5 常见误区与学习心态建设
在多年教学与项目实践中，我们发现初学者常陷入以下误区，在此提前预警：