1. 课程导入
工业设备在运行过程中，振动信号是设备健康状态的“晴雨表”。轴承磨损、齿轮断裂、转子不平衡、不对中等机械故障，都会在振动频谱中留下独特的“指纹”。传统振动分析依赖人工查看频谱图，不仅效率低下，而且对工程师的经验要求极高。随着边缘计算与嵌入式机器学习（TinyML）的成熟，我们可以在STM32、ESP32等低成本MCU上直接运行振动故障分类模型，实现毫秒级实时诊断。本课程将带领你从零开始，使用Edge Impulse平台完成“数据采集→特征工程→模型训练→部署验证”的完整闭环，最终在真实硬件上跑通一个振动故障分类器。
1.1 学习目标：从“看懂频谱”到“训练模型”
本课程不是单纯讲解机器学习理论，而是以“振动故障分类”这一具体工业场景为切入点，让你掌握一套可复用的端到端工作流。完成本课程后，你将具备以下核心能力：
- 数据层面：能够使用加速度传感器（如ADXL345、MPU6050）或工业振动采集卡获取原始振动数据，理解采样率、分辨率、量程对故障特征的影响，并完成数据切片、去噪、标注等预处理操作。
- 特征层面：掌握时域特征（峰值、均方根、峭度、波形因子）与频域特征（FFT频谱、功率谱密度、包络谱）的提取方法，理解为什么峭度对轴承早期故障敏感，为什么频谱峰值能区分不平衡与不对中。
- 模型层面：熟练使用Edge Impulse的DSP（数字信号处理）模块自动提取特征，并训练分类器（如随机森林、XGBoost、神经网络）。理解模型大小、推理延迟与准确率之间的权衡。
- 部署层面：能够将训练好的模型导出为C++库或Arduino库，部署到STM32F407、ESP32等MCU上，实现实时推理。掌握模型量化（int8）与内存优化的基本方法。
- 工程层面：建立“数据-特征-模型-部署”的迭代思维，能够诊断模型准确率低下的原因（数据不平衡？特征选择不当？过拟合？），并制定改进策略。
1.2 课程结构：30章五阶段递进式学习
课程按照工业项目落地的自然顺序，划分为五个阶段，每个阶段包含若干章节，形成“理论→实践→优化→部署”的完整闭环。
| 阶段 | 章节范围 | 核心内容 | 实战产出 |
|---|---|---|---|
| 第一阶段：基础与准备 | 第1-5章 | 振动故障机理、传感器选型、Edge Impulse平台操作、数据采集实验 | 完成一组轴承正常/故障数据的采集与上传 |
| 第二阶段：特征工程 | 第6-12章 | 时域/频域特征、FFT窗口选择、频谱分析、特征生成器配置 | 在EI中配置DSP模块，生成可视化特征图 |
| 第三阶段：模型训练 | 第13-20章 | 分类器选择、训练参数调优、过拟合抑制、混淆矩阵分析 | 训练出准确率≥95%的故障分类模型 |
| 第四阶段：部署与优化 | 第21-26章 | 模型量化、C++代码生成、MCU部署、实时推理测试 | 在STM32上运行模型，实现LED指示故障类型 |
| 第五阶段：综合实战 | 第27-30章 | 多传感器融合、边缘端持续学习、项目答辩与复盘 | 完成一个完整的工业振动监测原型系统 |
每个章节内部遵循统一的教学节奏：先讲解核心原理，再给出操作步骤或判断方法，接着通过案例拆解加深理解，最后总结常见误区。这种结构设计是为了让你既能“知其然”，也能“知其所以然”。例如在第7章讲解FFT时，我们不仅会告诉你“在EI中选择4096点FFT”，还会解释为什么选择4096点而不是1024点——因为频率分辨率与采样率、窗口长度直接相关，错误的选择会导致频谱泄漏或无法区分相邻故障频率。
1.3 振动故障分类的应用价值：从“定期检修”到“预测性维护”
在工业领域，设备停机造成的损失往往是灾难性的。以一条汽车生产线为例，关键工位的减速机若发生轴承故障，可能导致整条产线停线，每小时损失可达数十万元。传统的维护策略有两种：事后维修（故障发生后再处理，停机损失最大）和定期检修（按固定周期更换零件，容易造成“过度维修”或“维修不足”）。而基于振动分析的预测性维护（PdM），通过持续监测设备振动状态，在故障早期（如轴承出现微小剥落）就发出预警，从而安排计划内停机，将非计划停机时间降低50%以上。
振动故障分类模型的价值体现在三个层面：
- 早期发现：振动信号对机械故障的响应非常灵敏。例如，轴承内圈故障的特征频率通常在几百赫兹到几千赫兹之间，通过包络谱分析可以在故障发展初期（故障特征频率幅值仅比正常状态高2-3倍时）就捕捉到异常，而此时设备表面温度、噪声等指标可能完全正常。
- 故障类型识别：不同故障在频谱上具有不同的“签名”。不平衡故障表现为1倍转频（1X）幅值突出；不对中故障表现为2倍转频（2X）幅值增大；轴承外圈故障则会在特征频率（BPFO）处出现峰值。机器学习模型能够自动学习这些模式，替代人工查频谱的繁琐工作。
- 边缘端实时决策：传统方案将振动数据上传到云端分析，存在网络延迟和带宽成本。而Edge Impulse训练的模型可以直接部署在传感器旁边的MCU上，实现“数据不出厂区”的本地实时诊断。对于高速旋转设备（如离心机转速30000rpm），故障可能在几秒内恶化，边缘计算的优势尤为明显。
1.4 Edge Impulse平台简介：为什么选择它？
Edge Impulse（简称EI）是目前最成熟的边缘机器学习平台之一，专为资源受限的嵌入式设备设计。它解决了传统ML开发流程中的三大痛点：数据管理混乱（不同设备、不同格式的数据难以统一）、特征工程门槛高（需要手动编写FFT、滤波等代码）、部署链路长（从训练到嵌入式部署需要大量移植工作）。
EI的核心优势可以概括为以下几点：
- 全流程可视化：从数据上传、标注、特征生成、模型训练到部署，所有步骤都在浏览器中完成，无需配置本地Python环境。对于硬件工程师而言，这大大降低了入门门槛。
- 自动特征工程：内置的DSP模块（如Spectral Features、Flatten）可以自动从原始振动信号中提取频域特征。你只需要设置FFT长度、窗口类型、特征列表等参数，平台会生成特征向量并可视化。
- 模型压缩与量化：训练好的模型可以一键转换为int8量化版本，RAM占用和Flash占用大幅减少。例如，一个随机森林模型从float32量化到int8后，RAM占用可减少75%，推理速度提升2-3倍，而准确率损失通常小于1%。
- 多平台部署支持：支持导出为Arduino库、C++源码、CubeMX项目、TFLite微控制器包等，覆盖STM32、ESP32、Nordic nRF52、Raspberry Pi Pico等主流硬件。
- 设备端学习（可选）：EI还支持在设备端进行增量学习（EON Tuner），允许模型在部署后继续适应新的工况，但本课程将重点放在离线训练流程上。
EI的工作流程与传统的“Python+TensorFlow”流程有显著区别。传统流程中，你需要自己编写数据加载器、特征提取函数、模型定义和训练脚本，而EI将这些步骤封装为“Impulse Design”中的三个模块：Input Block（定义输入数据格式）、Processing Block（特征提取）、Learning Block（分类器）。这种模块化设计让整个流程更加清晰，也便于调试——你可以单独查看每个模块的输出，判断问题出在数据、特征还是模型。
1.5 课程实战环境准备
在开始第2章之前，建议你提前准备以下硬件和软件环境，以便后续章节的实操练习能够顺利进行。
| 类别 | 推荐型号/版本 | 用途说明 |
|---|---|---|
| 开发板 | STM32F407G-DISC1 或 ESP32-DevKitC | STM32性能更强，适合复杂模型；ESP32自带WiFi，便于数据无线传输 |
| 振动传感器 | ADXL345（I2C接口）或 MPU6050（含陀螺仪） | ADXL345量程±16g，适合工业振动；MPU6050性价比高，适合入门 |
| 数据采集工具 | Edge Impulse Data Forwarder 或串口助手 | 将传感器数据实时传输到EI云端 |
| 软件环境 | Edge Impulse账号（免费版）、Arduino IDE 2.x、STM32CubeProgrammer | 用于固件烧录与调试 |
| 辅助工具 | 小型直流电机（带偏心轮模拟不平衡）、备用轴承（人为制造故障） | 用于生成不同故障类型的振动数据 |
如果你暂时没有硬件，也可以使用EI提供的公开数据集（如轴承故障数据集）完成课程练习。但强烈建议至少准备一块开发板和传感器，因为“亲手采集数据→训练→部署”的完整体验是理解边缘ML工作流的关键。
1.6 常见误区与学习建议
根据过往教学经验，初学者在学习振动故障分类时容易陷入以下几个误区，这里提前指出，帮助你在后续学习中少走弯路。