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最直接的“生理指标”。轴承磨损、齿轮断齿、转子不平衡、不对中、松动等机械故障，都会在振动频谱上留下独特的“指纹”。传统振动监测依赖大型在线系统或手持式测振仪，成本高、部署周期长、难以覆盖海量旋转设备。而TinyML（微型机器学习）技术的成熟，使得在MCU（微控制器）级别实现振动信号的边缘端智能诊断成为可能——将深度学习模型压缩至几十KB甚至几KB，部署在电池供电的无线传感器节点上，在数据产生的源头完成故障识别，仅上传报警结果或特征值。本课程将带你从零构建一套完整的TinyML振动故障诊断系统，涵盖信号采集、数据集构建、模型设计、量化压缩、部署验证与工程优化全链路。
1.1 TinyML与振动故障诊断的碰撞
传统振动故障诊断系统通常采用“传感器+数据采集卡+上位机分析”的架构，设备体积大、功耗高、成本昂贵，且依赖人工经验进行频谱解读。以某化工厂的机泵群监测为例，一套在线监测系统单测点造价超过2万元，而一个中型工厂往往需要部署上百个测点，初期投入动辄数百万元。更关键的是，大量旋转设备（如小型电机、风机、泵）并不在关键设备清单中，它们缺乏监测手段，却同样存在突发故障风险。
TinyML的出现彻底改变了这一局面。TinyML是机器学习与嵌入式物联网的交叉领域，旨在让极低功耗的MCU（微控制器）直接运行机器学习推理。以STM32L4系列为例，其Cortex-M4内核主频80MHz，内置512KB Flash和320KB SRAM，功耗在运行状态下仅为几十毫瓦，待机功耗低至微安级。这样的硬件资源足以运行一个经过量化的1D-CNN故障诊断模型——模型大小可控制在30KB以内，单次推理时间约20-50ms，完全满足工业实时监测需求。
将TinyML应用于振动故障诊断，核心价值体现在三个维度：成本——单节点硬件成本可控制在100元以内，相比传统方案降低一个数量级；实时性——数据在传感器端即刻完成推理，无需等待网络传输和云端处理，响应延迟从秒级降至毫秒级；隐私与可靠性——振动数据不出设备，既保护了工艺敏感信息，又避免了网络中断导致的监测盲区。
1.2 课程目标与学习成果
完成本课程学习后，你将具备以下核心能力：
| 能力维度 | 具体技能 | 对应工具/平台 |
|---|---|---|
| 信号采集 | 传感器选型、采样参数配置、数据标定 | ADXL345、MPU6050、STM32CubeMX |
| 数据处理 | 滑动窗口、FFT、特征提取、数据增强 | Python、NumPy、SciPy |
| 模型训练 | 1D-CNN设计、训练调优、过拟合抑制 | TensorFlow 2.x、Keras |
| 模型压缩 | 剪枝、量化（PTQ/QAT）、模型转换 | TFLite Converter、TFLite Micro |
| 嵌入式部署 | MCU移植、推理引擎集成、外设驱动 | STM32CubeIDE、Keil、CMSIS-NN |
| 系统验证 | 功耗测量、实时性测试、误报率评估 | 逻辑分析仪、功率分析仪、串口调试 |
课程采用“理论讲解+代码实战+硬件实操”三线并行的方式。每章包含原理剖析、代码示例、实验任务和常见问题复盘。建议学员准备一块STM32F407或ESP32开发板，以及一块I2C接口的加速度传感器模块（如ADXL345），总硬件成本控制在150元以内。
1.3 学习路径与章节框架
课程共30章，按工程实施顺序分为六个阶段，每个阶段解决一组关键问题：
- 基础准备（第1-5章）：掌握振动信号基础、传感器原理、TinyML技术栈概览，搭建开发环境。
- 数据工程（第6-10章）：完成振动数据采集系统搭建、故障模拟实验、数据集构建与特征分析。
- 模型训练（第11-16章）：从传统机器学习基线到1D-CNN、LSTM等深度学习模型，掌握训练调优方法论。
- 模型优化（第17-22章）：深入模型剪枝、量化、知识蒸馏，理解MCU资源约束下的模型适配。
- 部署实战（第23-27章）：基于STM32平台完成TFLite Micro部署、外设驱动、实时推理与性能优化。
- 系统集成（第28-30章）：实现无线通信、低功耗管理、多节点组网与现场验证。
这种“先宽后深”的路径设计，确保学员在前期建立完整的系统视野，后期能够聚焦关键技术细节。每个阶段结束都设有综合实战项目，例如第10章要求完成一个“基于时域特征的轴承故障分类器”，第22章要求将模型压缩至50KB以内且精度损失不超过2%。
1.4 典型应用场景与案例导入
为了帮助学员建立直观认知，我们引入一个贯穿全课程的实际案例——某水泥厂辊压机轴承故障诊断系统。该厂有12台辊压机，每台配备4个轴承座，工作环境粉尘大、温度高、电磁干扰强。此前采用人工巡检方式，每2小时用测振笔测量一次振动速度有效值（mm/s），但无法捕捉高频冲击信号，曾发生两次轴承保持架断裂导致的非计划停机，单次停产损失超过30万元。
项目约束条件非常明确：
- 不能铺设电缆（现场有重型车辆频繁通行），必须采用电池供电的无线方案；
- 电池寿命要求≥1年（按10分钟采集一次、每次采集2秒计算）；
- 故障报警准确率要求≥95%，误报率≤1次/月/节点；
- 环境温度最高65℃，传感器需耐受粉尘和轻微振动冲击。
基于这些约束，我们选择了STM32L431（Cortex-M4, 80MHz, 256KB Flash）作为主控，搭配ADXL345加速度传感器（量程±16g，分辨率13位），采用BLE 5.0进行低功耗数据上报。模型方面，初期使用1D-CNN对原始振动波形进行端到端识别，输入为1024个采样点（采样率512Hz，时长2秒），输出为正常/外圈故障/内圈故障/滚动体故障四分类。经过INT8量化后，模型大小仅为28KB，单次推理耗时35ms，RAM占用约12KB。
这个案例将在后续章节中反复出现：第7章我们用它讲解数据采集系统的搭建，第14章用它进行模型训练实验，第24章完成STM32部署，第29章进行现场长期运行验证。通过一个案例的完整闭环，学员能够看到每个技术决策如何影响最终系统的实际表现。
1.5 常见误区与学习心态
根据过往教学经验，初学者在TinyML振动诊断领域容易陷入以下误区：
- 误区一：追求模型复杂度。认为模型越复杂准确率越高。实际上，MCU资源有限，一个参数量超过100K的模型在部署时往往面临内存溢出或推理超时。工业场景中，简单模型配合好的特征工程往往能达到同等效果。
- 误区二：忽视数据质量。振动信号对采样同步性、传感器安装刚度、线缆屏蔽非常敏感。很多学员在实验室采集的数据效果很好，一到现场就准确率骤降，原因往往是现场存在工频干扰、安装共振或线缆松动等问题。
- 误区三：量化后精度大幅下降就放弃。INT8量化确实会带来一定精度损失，但通过量化感知训练（QAT）、适当调整模型结构或增加数据增强，通常可以将精度损失控制在1%以内。不要轻易放弃量化这条路。
- 误区四：只关注算法不关注工程。TinyML是软硬结合的技术，电池电压波动、温度漂移、时钟精度都会影响推理结果。一个合格的TinyML工程师需要同时具备算法思维和硬件调试能力。
学习本课程的正确心态是：“先完成，再完美”。第一遍学习时，不必追求每个细节都理解透彻，先按照教程把完整流程跑通——从采集数据到训练模型再到部署到开发板。当你看到开发板上的LED灯根据振动状态亮起不同颜色时，你就已经掌握了TinyML的核心链路。之后，再回头深入理解每个环节的原理和优化空间。
总结而言，TinyML振动故障诊断是一个典型的跨学科领域，它融合了机械工程（故障机理）、电子工程（传感器与嵌入式系统）、计算机科学（机器学习与优化）三大学科知识。本课程的目标不是培养单一领域的专家，而是培养能够打通这三个领域的系统工程师。当你完成全部30章学习后，你将具备独立设计、部署和优化一套完整TinyML振动监测系统的能力，能够根据实际工业场景的约束条件做出合理的技术选型和工程决策。