1. 课程导入

欢迎来到《加速度计振动信号FFT特征与TinyML分类实战》课程。在工业4.0与边缘智能深度融合的今天，振动信号分析已成为预测性维护、设备状态监测和结构健康诊断的核心技术。本课程旨在架起传统信号处理与现代嵌入式机器学习之间的桥梁，帮助您从零构建一套能够部署在微控制器上的智能振动分类系统。本章作为课程的开篇，将明确学习目标、梳理课程结构、界定适用人群与前置知识，并深入探讨加速度计振动信号与TinyML结合的广阔应用前景。

1.1 学习目标：从信号到决策的完整链路

本课程的学习目标围绕一条清晰的技术主线展开：“采集→处理→特征→建模→部署→验证”。完成本课程后，您将能够独立完成以下任务：

• 掌握加速度计选型与数据采集规范：理解加速度计的工作原理、关键参数（量程、灵敏度、带宽、噪声密度）对振动信号质量的影响，能够根据应用场景选择合适的传感器与采样策略。
• 熟练运用FFT进行振动信号频谱分析：理解傅里叶变换的数学本质与工程意义，掌握加窗、补零、频谱泄露抑制等实用技巧，能够从频谱中提取有物理意义的特征（如转频、倍频、边带）。
• 构建有效的特征工程流程：学会从时域、频域、时频域多维度提取特征，并利用统计方法或降维技术筛选出最具区分度的特征子集，为分类模型提供高质量输入。
• 训练并优化TinyML分类模型：掌握适用于微控制器的轻量级模型（如决策树、随机森林、小型CNN、异常检测模型）的训练方法，理解模型量化、剪枝等压缩技术。
• 完成嵌入式端到端部署：能够将训练好的模型转换为TensorFlow Lite Micro或同等格式，部署到STM32、ESP32、Arduino等主流MCU平台，并实现实时推理。
• 建立系统化调试与验证思维：学会使用混淆矩阵、准确率/召回率等指标评估模型，掌握在真实硬件环境中排查信号干扰、时序延迟、内存溢出等问题的能力。

1.2 课程结构：六大模块递进式学习

本课程共30章，划分为六个递进式模块，每个模块解决一个核心工程问题：

模块	章节范围	核心主题	实战产出
模块一：基础与准备	第1-4章	课程导入、加速度计原理、信号采集与预处理、FFT数学基础	搭建数据采集环境，获取第一份真实振动数据
模块二：特征工程	第5-10章	时域特征、频域特征、时频域分析、特征选择与降维	构建包含30+特征的特征向量库
模块三：TinyML建模	第11-18章	传统机器学习、轻量级神经网络、模型训练与调优	训练出准确率≥95%的故障分类模型
模块四：嵌入式部署	第19-24章	MCU平台介绍、模型量化、TensorFlow Lite Micro、实时推理优化	在STM32上实现实时振动分类
模块五：系统实战	第25-28章	完整项目案例：电机轴承故障诊断、手持设备姿态识别	完成一个端到端可演示的智能监测系统
模块六：进阶与展望	第29-30章	边缘计算与云协同、课程总结与前沿趋势	形成个人技术路线图

这种结构设计遵循“认知负荷递减”原则：前期侧重理解与实验，中期侧重建模与调优，后期侧重工程整合与创新。每章包含理论讲解、代码演示、动手练习和思考题，确保知识内化。

1.3 适用人群与前置知识要求

本课程面向具有以下背景的学习者：

• 嵌入式系统工程师：希望为现有产品增加智能振动监测功能，提升设备附加值。
• 工业自动化/预测性维护从业者：需要从振动数据中提取故障特征，构建可靠的诊断系统。
• 物联网开发者：希望将AI能力下沉到边缘节点，实现低延迟、低功耗的智能感知。
• 高校学生与研究人员：正在从事信号处理、故障诊断或边缘AI相关课题。

前置知识要求如下：

1. 编程基础：熟悉Python语法，了解NumPy和Matplotlib的基本使用。课程中约70%的代码使用Python完成。
2. 数学基础：掌握高等数学中的微积分基本概念，理解线性代数中的矩阵运算。FFT涉及复数运算，但课程会从直观角度解释，不要求推导完整公式。
3. 嵌入式基础：了解C语言基本语法，熟悉Arduino或STM32的开发流程。如果完全没有经验，建议先学习第19章前的预备知识。
4. 机器学习入门：了解监督学习的基本概念（训练集/测试集、分类/回归），不要求深入掌握算法内部原理。

1.4 加速度计振动信号与TinyML结合的应用前景

加速度计作为最成熟的惯性传感器之一，每年出货量超过百亿颗，成本已降至几元人民币级别。与此同时，TinyML（微型机器学习）技术使得在功耗仅毫瓦级的MCU上运行神经网络成为可能。两者的结合正在催生一场“感知智能化”的革命。

从市场驱动力来看，工业领域对预测性维护的需求最为迫切。据IoT Analytics统计，意外停机每年给全球制造业造成约5000亿美元的损失。传统的振动分析依赖昂贵的状态监测系统（每通道数千美元）和专家人工解读，难以大规模普及。而基于TinyML的方案将成本降低1-2个数量级，且能在本地实时决策，无需依赖云端。

从技术可行性来看，现代MCU（如Cortex-M4/M7/A32）已具备足够的算力运行轻量级模型。例如，一个用于轴承故障分类的1D-CNN模型，参数量可压缩至10KB以内，推理时间小于10ms，功耗低于1mW。这使得“永远在线”的振动监测成为可能。

从应用场景来看，除了工业设备监测，消费电子领域的应用同样广阔：

• 智能家居：洗衣机、空调等家电的振动异常检测，实现故障自诊断。
• 可穿戴设备：基于振动特征的人体活动识别（走路、跑步、跌倒），以及运动质量评估。
• 汽车电子：发动机爆震检测、轮胎磨损估计、车内异响识别。
• 智慧城市：桥梁、隧道等基础设施的结构健康监测，通过分布式节点实现低成本覆盖。

从技术演进趋势来看，未来将出现三个重要方向：一是“感知+计算”融合的智能传感器，将FFT和分类算法直接集成在传感器内部；二是基于自监督学习的通用振动特征预训练模型，减少对标注数据的依赖；三是边缘-云协同架构，边缘节点负责实时响应，云端负责模型迭代和全局优化。

1.5 案例拆解：一个典型的TinyML振动分类项目全貌

为了帮助您建立整体认知，我们以一个电机轴承故障诊断项目为例，展示本课程将涉及的技术环节。假设您需要为一台额定转速1500rpm（25Hz）的感应电机设计一个轴承状态监测器，目标是区分四种状态：正常、外圈故障、内圈故障、滚动体故障。

项目约束条件：

• 使用单轴加速度计（量程±16g，灵敏度0.8mg/LSB），采样率4kHz。
• 主控为STM32L4系列MCU（80MHz，512KB Flash，256KB RAM）。
• 要求每10秒输出一次分类结果，功耗低于5mW。
• 训练数据来自实验室故障注入实验，每种状态采集200组样本，每组1秒。

技术实施路径：

1. 数据采集：使用DMA+定时器实现连续采样，每1秒数据为一帧（4000个采样点）。
2. 预处理：去除直流分量（减去均值），应用汉宁窗减少频谱泄露。
3. FFT计算：对4000点做FFT，得到2000个有效频率点（0-2000Hz），频率分辨率1Hz。
4. 特征提取：从频谱中提取峰值频率、峰值幅值、频谱质心、频带能量比（如0-500Hz、500-1000Hz、1000-2000Hz）等8个特征。
5. 模型训练：在PC端使用Python训练一个随机森林分类器（100棵树，最大深度10），准确率达到98.5%。
6. 模型转换：将随机森林转换为C数组，使用emlearn库部署到MCU，模型大小约12KB。
7. 实时推理：MCU每10秒执行一次FFT+特征提取+分类，总耗时约35ms，功耗约3.2mW。
8. 验证与调优：在测试台上运行24小时，实际分类准确率96.8%，误报率低于2%。

项目复盘与经验：

• 初始方案使用3轴加速度计，但发现Z轴（轴向）信号对轴承故障不敏感，最终仅使用径向X轴，降低了计算量。
• FFT点数从1024增加到4096后，频率分辨率提升，但计算时间增加4倍。通过优化FFT实现（使用CMSIS-DSP库），最终在80MHz主频下仍能满足实时性要求。
• 模型在实验室数据上表现优异，但在现场安装后准确率下降至85%。原因是现场存在工频干扰和基础振动。解决方案是增加一个高通滤波器（截止频率10Hz）并重新采集现场数据微调模型。

这个案例展示了本课程的核心价值：不是孤立地讲解某个算法，而是教会您如何在实际约束下做出合理的技术决策。

1.6 常见误区与学习路径建议

在长期的教学和工程实践中，我们发现学习者容易陷入以下误区：

• 误区一：盲目追求高采样率。采样率越高，数据量越大，但并非所有应用都需要高频采样。应根据目标故障的最高特征频率确定采样率，遵循奈奎斯特定理并留出1.5-2倍裕量。
• 误区二：忽视信号预处理。直接对原始信号做FFT往往效果不佳。去直流、去趋势、滤波、加窗是保证频谱质量的关键步骤。
• 误区三：特征越多越好。高维特征不仅增加计算负担，还可能导致过拟合。应结合领域知识选择有物理意义的特征，并使用交叉验证评估特征稳定性。
• 误区四：模型越复杂越准确。在MCU上，模型大小和推理时间与准确率同等重要。一个简单的决策树可能比深度网络更适合资源受限场景。
• 误区五：忽略现场验证。实验室环境与真实工况差异巨大，必须进行充分的现场测试，并建立模型持续更新机制。

学习路径建议：

1. 前5章务必打好基础，尤其是FFT的物理意义和Python实现，这是后续所有分析的前提。
2. 第6-10章的特征工程部分，建议结合自己的数据集动手实践，不要只运行示例代码。
3. 第11-18章的建模部分，先理解传统机器学习方法（决策树、随机森林），再尝试轻量级神经网络。
4. 第19-24章的部署部分，建议准备一块开发板（如STM32F407或ESP32），边学边练。
5. 最后4章的实战项目，建议选择一个自己感兴趣的领域，完整走一遍流程。