2. TinyML与振动异常检测基础
在工业设备预测性维护、旋转机械状态监测和结构健康监测等场景中，振动信号是反映设备运行状态最直接、最丰富的物理量之一。然而，传统振动分析依赖高采样率数据采集与云端服务器处理，存在带宽成本高、响应延迟大、数据隐私风险等问题。TinyML（微型机器学习）技术的出现，为在微控制器（MCU）级硬件上直接运行轻量化异常检测模型提供了可能，使得振动监测从“事后分析”走向“实时边缘智能”。本章将系统梳理TinyML的核心概念、边缘计算带来的工程优势、振动信号的关键特征维度，以及异常检测的典型应用场景，为后续板级验证与校准奠定理论基础。
上图展示了TinyML振动异常检测的完整链路：从传感器信号采集、边缘MCU上的特征提取与模型推理，到最终的本地决策与云端交互。整个链路中，振动信号的特征质量与模型在MCU上的适配程度，直接决定了板级验证与校准的成败。
2.1 TinyML核心概念与边缘计算优势
2.1.1 TinyML定义与技术边界
TinyML是机器学习与嵌入式物联网系统的交叉领域，其核心目标是在功耗受限、计算资源有限的微控制器上部署和运行机器学习模型。与云端AI不同，TinyML模型通常经过量化、剪枝、蒸馏等技术压缩至几百KB以内，推理过程完全在本地完成，不依赖网络连接。典型的TinyML硬件平台包括ARM Cortex-M系列、RISC-V MCU以及低功耗DSP，其RAM容量通常在16KB至512KB之间，Flash存储在256KB至2MB之间。
2.1.2 边缘计算在振动监测中的四大优势
将振动异常检测下沉到边缘设备，相比传统云端方案具有不可替代的工程价值，具体对比如下：
| 维度 | 云端计算方案 | TinyML边缘方案 | 工程收益 |
|---|---|---|---|
| 实时性 | 依赖网络，延迟100ms~数秒 | 本地推理，延迟<10ms | 满足高速旋转机械的瞬态报警需求 |
| 带宽成本 | 需持续上传原始波形（如25.6kHz×16bit） | 仅上传异常事件或特征摘要 | 降低90%以上数据传输量 |
| 数据隐私与安全 | 原始振动数据暴露于公网 | 数据不出设备，仅上报结论 | 符合工业数据合规要求 |
| 可靠性 | 断网即失效 | 本地自治，断网仍可监测 | 提升系统鲁棒性 |
以一条典型的工业产线为例，若部署20个振动监测点，每个测点以25.6kHz采样率、16bit分辨率连续采集，单日原始数据量约为44GB。若采用云端方案，即便经过压缩，每日仍需传输数GB数据；而采用TinyML边缘方案，仅需在检测到异常时上传一段1~2秒的波形片段，每日数据量可控制在几十MB以内，同时报警响应时间从秒级缩短至毫秒级。
2.2 振动信号特征体系与异常表征
2.2.1 振动信号的物理基础与采集约束
振动信号本质上是机械设备动力学行为在传感器敏感轴上的投影。对于旋转机械，振动源包括转子不平衡、轴不对中、齿轮啮合冲击、轴承滚动体缺陷等。在板级验证阶段，必须明确采样定理的工程约束：采样率至少为最高分析频率的2.56倍（工程常用系数），抗混叠滤波器截止频率应设置为采样率的0.4~0.45倍。例如，若要分析轴承故障特征频率（通常在2kHz~10kHz），采样率应不低于25.6kHz。
2.2.2 时域与频域关键特征指标
在TinyML模型设计中，特征选择直接影响模型复杂度与检测精度。下表归纳了振动异常检测中最常用的特征类别及其物理含义：
| 特征类别 | 具体指标 | 计算公式/获取方式 | 异常敏感方向 |
|---|---|---|---|
| 时域统计 | 均方根值（RMS） | \(\sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}\) | 整体能量变化，对磨损、负载变化敏感 |
| 时域统计 | 峭度（Kurtosis） | \(\frac{1}{N}\sum_{i=1}^{N}(\frac{x_i-\mu}{\sigma})^4\) | 冲击脉冲，对早期点蚀、裂纹敏感 |
| 频域特征 | 频谱峰值幅值 | FFT后提取1X、2X转频分量 | 不平衡、不对中、松动 |
| 频域特征 | 包络谱特征频率 | Hilbert变换+FFT | 轴承内圈/外圈/滚动体故障 |
| 时频特征 | 小波包能量熵 | 小波分解后各频带能量占比 | 非平稳、瞬态冲击 |
在MCU上实现上述特征时，需要特别注意计算效率。例如，峭度计算涉及四次方运算，在无FPU的Cortex-M0上可能消耗较多周期，此时可考虑使用绝对值四阶矩近似，或降低计算帧长。FFT点数通常选择256、512或1024点，对应频率分辨率分别为100Hz、50Hz、25Hz（在25.6kHz采样率下），需根据目标故障特征频率间隔合理选择。
2.2.3 异常检测的建模思路
振动异常检测通常分为两类建模路径：基于重构误差的自动编码器（AE）和基于分类的监督模型。在TinyML场景中，由于正常样本易获取、故障样本稀缺，更推荐采用半监督或单类分类方法。例如，在MCU上部署一个轻量级自编码器，输入为提取的振动特征向量（如12维），中间隐藏层仅4~6个神经元，输出为重构向量。通过正常数据训练后，计算重构误差（MSE），当误差超过阈值时判定为异常。该模型参数量通常不足500个，量化后仅需2KB Flash，非常适合板级部署。
2.3 典型应用场景与板级验证需求
2.3.1 旋转机械健康监测
以某化工厂的冷却水泵为例，电机转速为2970rpm（转频50Hz），水泵轴承型号为6312。轴承外圈故障特征频率（BPFO）约为3.05×转频=152.5Hz。在TinyML方案中，传感器以25.6kHz采样率采集振动数据，MCU每秒钟计算一次特征向量（包括RMS、峭度、1X/2X幅值、包络谱BPFO幅值），输入轻量级异常检测模型。当模型输出异常评分超过阈值时，本地LED告警并通过UART上报事件。
2.3.2 刀具磨损预测
在CNC机床主轴监测中，刀具磨损会导致切削力增大，进而引起振动信号的高频分量能量上升。TinyML模型可提取主轴振动在3kHz~8kHz频段的能量占比，结合主轴负载电流，实现刀具剩余寿命的粗略估计。由于机床控制柜空间有限，通常采用贴片式加速度计与邮票型MCU模块，整体功耗控制在0.5W以内。
2.3.3 结构健康监测
对于桥梁、建筑等大型结构，振动频率较低（0.5Hz~20Hz），采样率可降低至100Hz~200Hz。此时TinyML的优势在于可以部署大量无线节点，每个节点独立进行频谱峰值跟踪，当固有频率偏移超过5%时触发报警。这种应用对MCU的ADC精度要求较高（至少16bit），但对算力要求较低。
2.4 常见误区与设计复盘
2.4.1 误区一：忽视采样率与抗混叠滤波的匹配
在板级验证中，若ADC前未放置合适的抗混叠滤波器，高频噪声会折叠到低频段，导致特征提取失真。例如，采样率25.6kHz时，若传感器谐振频率为30kHz，则30kHz信号会折叠至21.2kHz（30-25.6=4.4kHz，实际折叠至25.6-4.4=21.2kHz），污染高频特征。正确做法是在ADC驱动电路前加入二阶有源低通滤波器，截止频率设为10kHz（0.4×采样率）。
2.4.2 误区二：模型精度与资源消耗的失衡
部分开发者倾向于使用较大的深度学习模型以追求精度，但忽略了MCU的Flash和RAM限制。例如，一个包含3层卷积的模型（参数量约50K）在量化后仍需约50KB Flash，而典型MCU可用Flash仅256KB，还需存放Bootloader、RTOS和协议栈。建议在模型设计阶段就设定资源预算：Flash占用不超过总容量的60%，RAM峰值不超过总RAM的70%。
2.4.3 误区三：忽略温度漂移对振动传感器的影响
工业现场温度变化范围大（-40℃~85℃），MEMS加速度计的零偏和灵敏度会随温度漂移。在板级校准时，若未进行温度补偿，可能导致误报或漏报。建议在PCB上靠近传感器位置放置NTC热敏电阻，在MCU中建立温度-零偏查找表，每10℃一个补偿点，线性插值修正。
2.4.4 设计复盘：从原型到量产的关键检查项
在完成TinyML振动异常检测板级验证后，建议按照以下清单进行复盘：
- 信号链路完整性：确认从传感器到ADC的每一级增益、偏置、滤波参数是否与设计一致，使用信号发生器注入已知正弦波验证链路增益误差<±2%。
- 特征提取一致性：在PC端与MCU端分别运行相同的特征提取代码，对比输出结果，确保RMS误差<0.5%，FFT幅值误差<1%。
- 模型推理确定性：输入相同的固定特征向量，连续运行100次，确保输出结果完全一致（无随机性）。
- 功耗验证：在连续运行模式下，测量MCU核心电流与传感器电流，确认总功耗满足电池供电或能量采集的预算要求。
- 异常注入测试：使用电磁激振器模拟轴承外圈故障特征频率，验证系统能在2秒内触发报警，且无误报。