1. 课程导入
欢迎进入《FFT与TinyML结合振动异常检测项目实战》的第一章。本章作为整个课程的起点，将帮助你建立对“振动异常检测”与“TinyML”这两个核心概念的全局认知。我们不会立刻陷入公式推导或代码细节，而是先回答三个关键问题：为什么要做振动检测？为什么传统方法在边缘端会遇到瓶颈？TinyML在这条技术链中扮演什么角色？理解这三者之间的逻辑关系，是后续三十章实战内容的地基。本章将明确课程的学习目标、整体结构，并深入剖析工业场景中的真实需求与TinyML的技术定位。
上图展示了本课程的核心知识框架。可以看到，工业价值是需求源头，它驱动我们选择合适的技术路径；FFT与特征提取是信号处理的核心手段；而TinyML则是将算法部署到资源受限边缘设备的使能技术。三者环环相扣，缺一不可。下面我们将逐一展开。
1.1 学习目标：从理论到落地的能力构建
本课程并非单纯的算法讲解，而是一个以项目实战为导向的综合性课程。完成学习后，你将具备以下核心能力：
- 理解振动信号的本质：掌握振动产生的物理机理、常见故障（如不平衡、不对中、轴承磨损、齿轮断齿）在频谱上的典型特征。
- 熟练运用FFT工具：能够使用Python（NumPy/SciPy）或C语言实现FFT，并正确解读幅值谱、功率谱，理解窗函数、频率分辨率、混叠等关键概念。
- 构建TinyML应用：了解TensorFlow Lite for Microcontrollers或Edge Impulse等框架，能够将训练好的模型转换为适合MCU运行的格式，并进行量化与优化。
- 完成端到端项目：独立完成从传感器数据采集、信号预处理、特征提取、模型训练到边缘设备部署的完整流程。
1.2 课程结构：三十章递进式学习路径
整个课程被精心设计为五个阶段，每个阶段解决一组特定问题，确保学习曲线平滑且逻辑连贯。
| 阶段 | 章节范围 | 核心主题 | 关键产出 |
|---|---|---|---|
| 一、基础准备 | 第1-5章 | 课程导入、数学基础、开发环境搭建、传感器选型 | 可运行的采集系统 |
| 二、信号处理 | 第6-12章 | FFT原理、窗函数、频谱分析、特征提取 | 特征工程代码库 |
| 三、模型训练 | 第13-20章 | 传统机器学习、CNN、LSTM、模型压缩 | 高精度异常检测模型 |
| 四、边缘部署 | 第21-26章 | TinyML框架、量化、MCU移植、功耗优化 | 可运行的固件 |
| 五、综合实战 | 第27-30章 | 完整项目复盘、系统联调、性能评估 | 完整项目文档与演示 |
这种结构设计遵循“先宽后深、先易后难”的原则。前五章让你快速看到系统全貌，避免陷入细节；中间章节深入算法核心；最后阶段则强调工程化能力，包括如何处理噪声、如何应对数据漂移、如何优化电池寿命等实际问题。
1.3 振动异常检测的工业价值：为什么值得投入？
在工业领域，旋转机械（电机、泵、风机、压缩机、涡轮机）是生产的核心动力。这些设备的故障往往有一个渐进过程，从轻微磨损到完全失效可能持续数周甚至数月。传统的维护策略有两种：事后维修（坏了再修）和定期维护（按固定时间保养）。前者会导致非计划停机，造成巨大生产损失；后者则可能造成“过度维护”，浪费备件和人工。
振动异常检测提供的是第三种思路：预测性维护（PdM）。通过在设备上安装振动传感器，持续监测振动信号，利用算法识别出故障的早期征兆，从而在设备真正失效前安排维修。
振动检测的价值不仅体现在成本节约上，还体现在：
- 安全性提升：避免因设备突然失效导致的安全事故。
- 产品质量保障：精密加工设备的振动异常会直接影响产品精度。
- 数据资产积累：长期振动数据可用于设备寿命预测、设计优化等更深层次分析。
1.4 TinyML的定位：边缘智能的最后一公里
传统的振动分析系统通常采用“采集-上传-云端分析”的模式。这种模式存在几个痛点：
- 带宽与成本：高频振动数据（如采样率50kHz，16位精度）单通道数据率高达800kbps，多通道长时间上传成本极高。
- 实时性：云端往返延迟通常在数百毫秒到数秒，无法满足紧急停机等实时控制需求。
- 隐私与安全：某些工业数据涉及商业机密，不适合上传云端。
- 可靠性：网络中断或云服务故障会导致监测系统失效。
TinyML正是为解决这些问题而生。它指的是在极低功耗、极小内存（通常小于256KB RAM）的微控制器（MCU）上部署机器学习模型的技术。其核心定位是：在数据产生的地方进行智能处理。
在本课程中，TinyML的定位体现在三个层面：
- 算法层面：使用轻量级模型（如MobileNetV1、TinyLSTM）或传统机器学习（决策树、随机森林）在MCU上实现分类。
- 系统层面：设计“传感器+MCU+无线模块”的智能节点，实现本地决策与云端协同。
- 工程层面：掌握模型转换、量化校准、内存管理、功耗调优等实战技能。
1.5 案例拆解：一个微型振动监测节点的技术选型
为了让你更直观地理解上述概念，我们来看一个简化的案例。假设我们要为一个小型电机做一个振动监测节点，要求成本低于50元，电池供电（两节AA电池），工作6个月以上。
初始约束与目标：
- 电机转速：3000 RPM（基频50Hz）
- 需要检测的故障：轴承磨损（特征频率在500Hz-2kHz）
- 采样率：4kHz（满足奈奎斯特采样定理，覆盖2kHz分析带宽）
- 数据量：每次采样1秒，即4000个点，16位精度，约8KB数据
- 决策要求：每10秒进行一次推理，输出“正常/异常”
方案对比：
| 方案 | 处理器 | 内存 | FFT实现 | 推理方式 | 功耗 |
|---|---|---|---|---|---|
| 云端方案 | ESP32+WiFi | 320KB | ESP-DSP库 | 上传原始数据 | 高（WiFi平均80mA） |
| TinyML方案 | STM32L432 | 64KB | ARM CMSIS-DSP | 本地决策树 | 低（平均5mA） |
分析过程：云端方案虽然开发简单，但WiFi传输8KB数据需要约0.5秒，平均电流高达80mA，两节AA电池（约2000mAh）只能工作25小时，远不满足要求。而TinyML方案，使用STM32L432在低功耗模式下，每次采样+FFT+推理约消耗0.2mAh，10秒一次，每天8640次，总消耗约1.7mAh/天，加上待机功耗，电池寿命可超过6个月。
实际操作步骤：
- 使用ADXL345加速度计，配置为±16g量程，4kHz输出。
- 在STM32上使用CMSIS-DSP库的
arm_rfft_fast_f32函数执行512点FFT。 - 提取频谱中1kHz-2kHz频段的能量作为特征。
- 训练一个深度为3的决策树模型，模型大小仅200字节。
- 使用STM32CubeMX配置低功耗定时器，每10秒唤醒一次。
结果与复盘：最终方案实现了0.5%的误报率和98%的故障检出率。关键经验是：特征工程比模型复杂度更重要。在这个案例中，简单的频段能量特征配合决策树，效果优于直接使用原始数据训练的复杂神经网络。同时，功耗优化的核心在于“休眠-唤醒”策略，而非单纯降低CPU频率。
1.6 常见误区与学习建议
在开始后续章节前，请先了解以下几个常见误区，它们可能会影响你的学习效果：
- 误区一：FFT只是公式，会用库就行。实际上，不理解窗函数和频率分辨率，你可能会得到错误的频谱，导致误判。
- 误区二：TinyML就是模型量化。量化只是其中一环，还需要考虑算子支持、内存布局、硬件加速等。
- 误区三：振动数据是“干净的”。真实工业现场存在大量噪声、工频干扰、安装共振等问题，数据预处理往往占整个项目60%以上的工作量。
- 误区四：模型精度越高越好。在边缘端，精度、延迟、内存、功耗是相互制约的。你需要学会做权衡，而不是一味追求精度。