1. 课程导入
TinyML（微型机器学习）正在将人工智能从云端数据中心推向数十毫瓦功耗的边缘设备。在工业预测性维护、智能家居、可穿戴健康监测等场景中，振动异常检测是最具落地价值的方向之一——它通过加速度计或振动传感器采集设备运行时的机械振动信号，利用轻量级神经网络在MCU（微控制器）上实时判断设备是否处于异常状态。然而，一个在PC端训练精度达到99%的模型，烧录到真实板卡后往往出现误报率飙升、推理延迟抖动、甚至系统死机等问题。这正是本课程要解决的核心矛盾：模型在板级验证与校准阶段，如何从“实验室可用”走向“现场可靠”。
本章作为整个课程的导入章节，将帮助你建立对TinyML振动异常检测板级验证与校准工作的全局认知。我们首先明确学习目标与课程结构，然后界定适用人群与前置知识要求，最后通过一张工程链路图展示板级验证在整个TinyML开发流程中的位置与关键环节。
上图展示了TinyML振动异常检测从数据采集到持续优化的完整工程链路。其中，板级部署、板级验证与校准（即第⑤⑥⑦阶段）是本课程的核心聚焦区域，它们直接决定了模型在真实硬件上的最终表现。值得注意的是，验证与校准并非一次性工作，而是通过反馈回路持续驱动模型与参数迭代的闭环过程。下面我们逐一展开本章的四个核心模块。
一、学习目标：从“能跑”到“可靠”的跨越
本课程的学习目标不是简单地教会你如何将模型烧录到开发板上，而是帮助你建立一套系统化的板级验证与校准方法论。完成本课程后，你将具备以下能力：
| 能力维度 | 具体目标 | 对应章节 |
|---|---|---|
| 硬件认知 | 理解MCU外设（ADC、DMA、定时器、I2C/SPI）在振动数据采集链路中的作用与配置要点 | 第2-4章 |
| 验证方法 | 掌握功能验证、性能验证、鲁棒性验证三类测试的设计方法与执行流程 | 第5-12章 |
| 校准技术 | 掌握阈值校准、灵敏度校准、漂移补偿、环境适配等核心校准技术 | 第13-20章 |
| 排障能力 | 能够定位并解决推理崩溃、精度下降、时序抖动、功耗异常等典型板级问题 | 第21-26章 |
| 工程素养 | 建立测试文档规范、自动化验证脚本、回归测试等工程化思维 | 第27-30章 |
需要特别强调的是，本课程的学习目标遵循“三层递进”逻辑：第一层是“能跑”——模型能够在目标板卡上正确推理；第二层是“能准”——在真实场景下保持可接受的准确率与误报率；第三层是“能稳”——在长时间运行、环境变化、干扰冲击下依然可靠。绝大多数工程师停留在第一层，而本课程的目标是帮助你达到第三层。
二、课程结构：30章系统化进阶路径
本课程共30章，分为六个模块，每个模块解决一个核心问题。课程结构设计遵循“由浅入深、先验证后校准、理论结合实战”的原则。
| 模块 | 章节范围 | 核心主题 | 关键产出 |
|---|---|---|---|
| 模块一：基础与准备 | 第1-4章 | 课程导入、硬件平台选型、开发环境搭建、振动数据采集基础 | 搭建可复用的实验平台 |
| 模块二：板级验证方法 | 第5-12章 | 功能验证、性能验证、鲁棒性验证、实时性验证、功耗验证 | 完整的验证测试报告模板 |
| 模块三：校准技术 | 第13-20章 | 阈值校准、灵敏度校准、漂移补偿、环境适配、多传感器融合校准 | 校准参数自动调优脚本 |
| 模块四：排障与优化 | 第21-26章 | 推理崩溃排查、精度下降分析、时序抖动优化、功耗异常定位 | 系统化排障决策树 |
| 模块五：工程化实践 | 第27-29章 | 自动化测试框架、CI/CD集成、量产测试方案 | 自动化验证流水线 |
| 模块六：综合实战 | 第30章 | 完整项目实战：从需求分析到量产交付 | 端到端项目案例 |
课程结构的设计有两点值得说明：第一，验证与校准并非割裂的两个阶段，而是相互交织的迭代过程。因此模块二和模块三在内容上有意穿插——例如第8章“实时性验证”中会涉及校准对推理延迟的影响，第15章“阈值校准”中会讨论验证数据对阈值设定的指导作用。第二，每章都配有可复用的代码模板和测试用例，你可以在自己的项目中直接修改使用，而不是从零开始编写。
三、适用人群：谁应该学习这门课程
本课程面向三类核心人群，每类人群的学习侧重点略有不同：
- 嵌入式软件工程师（MCU方向）：你已经熟悉STM32、ESP32、nRF52等MCU的开发，了解I2C/SPI/UART等外设接口，但缺乏机器学习模型部署经验。你的学习重点是模型如何与硬件资源匹配——包括内存布局、算子优化、推理引擎选择等。建议重点学习第5-8章（功能与性能验证）和第21-23章（推理崩溃与精度问题排查）。
- 算法工程师（AI/ML方向）：你精通TensorFlow/PyTorch等框架，熟悉CNN、LSTM等网络结构，但对嵌入式平台的资源约束和实时性要求认识不足。你的学习重点是模型如何适应硬件约束——包括量化误差分析、算子支持度检查、推理延迟优化等。建议重点学习第9-12章（鲁棒性与实时性验证）和第13-16章（阈值与灵敏度校准）。
- 测试工程师/技术管理者：你负责产品测试方案的制定或团队技术决策，不需要亲自编写每一行代码，但需要理解验证与校准的核心逻辑。你的学习重点是测试覆盖度设计与质量评估——包括测试用例设计方法、验收标准制定、风险控制策略等。建议重点学习第5章（验证方法论总览）、第27-28章（自动化测试与CI/CD）和第30章（完整项目实战）。
四、前置知识要求：你需要具备的基础
为了确保学习效果，我们设定了明确的前置知识要求。这些要求并非门槛，而是为了让你在学习过程中不被基础概念卡住，能够专注于课程的核心内容。
| 知识领域 | 具体要求 | 推荐学习资源 |
|---|---|---|
| C语言编程 | 熟练掌握指针、结构体、回调函数、内存管理；能够阅读和理解中等复杂度的嵌入式C代码 | 《C Primer Plus》第6版；嵌入式C编码规范文档 |
| 嵌入式基础 | 了解GPIO、定时器、中断、DMA的基本概念；熟悉I2C或SPI中至少一种通信协议 | 《STM32嵌入式系统开发实战指南》；对应MCU的参考手册 |
| 机器学习基础 | 理解分类、回归、过拟合等基本概念；了解神经网络的前向传播过程；熟悉训练集/验证集/测试集的划分逻辑 | 吴恩达《机器学习》课程前4周内容；《深度学习》花书第1-5章 |
| 信号处理基础 | 了解采样定理、傅里叶变换的基本概念；理解时域与频域的关系；熟悉常见的滤波概念（低通、高通、带通） | 《数字信号处理》程佩青第1-3章；B站“信号与系统”公开课 |
| 工具链使用 | 能够使用Git进行代码版本管理；熟悉命令行操作；了解CMake或Makefile的基本语法 | Pro Git在线书籍；CMake官方教程 |
需要特别说明的是，前置知识要求并非绝对刚性。如果你在某个领域稍有欠缺，可以在学习过程中随时查阅相关资料进行补充。但建议至少满足“C语言编程”和“嵌入式基础”两项要求，因为本课程的大量实践内容都建立在这两项基础之上。对于“机器学习基础”和“信号处理基础”，我们会在涉及相关概念的章节中给出简要回顾，但不会展开系统讲解。
五、常见误区与学习心态建议
根据我们多年TinyML项目实战经验，初学者在板级验证与校准阶段最容易陷入以下四个误区。提前了解这些误区，可以帮助你建立正确的学习心态。
- 误区一：验证=跑通Demo。很多工程师认为只要模型能在开发板上输出正确结果就算验证完成。实际上，Demo跑通只代表“功能正确”，距离“性能达标”和“鲁棒可靠”还有很大差距。真正的验证需要覆盖不同工况、不同数据分布、不同环境条件下的表现。
- 误区二：校准=调阈值。阈值调整只是校准的一个方面。完整的校准还包括传感器灵敏度校准、采样时钟校准、滤波参数校准、模型输出概率校准等多个维度。只调阈值而不做系统校准，往往按下葫芦浮起瓢。
- 误区三：忽视数据采集链路。振动异常检测的准确性高度依赖数据采集质量。ADC采样率配置错误、DMA传输冲突、传感器量程设置不当等问题，都会导致模型输入数据失真。很多“模型精度下降”问题，根源其实在数据采集链路。
- 误区四：验证与校准分离。验证发现的问题需要通过校准来解决，校准的效果需要通过验证来确认。两者是迭代关系而非先后关系。正确的做法是建立“验证→校准→再验证”的闭环流程。
基于以上误区，我们建议你在学习本课程时保持以下心态：第一，动手优先——每学完一个章节，立即在开发板上实践；第二，数据说话——所有验证和校准结论都要有测试数据支撑，不要凭感觉判断；第三，系统思维——遇到问题不要只盯着模型本身，要从数据采集、预处理、推理引擎、硬件资源等多个环节综合分析。