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、可穿戴健康监测和结构健康监测等领域，振动信号是最具信息密度的物理量之一——它直接反映旋转机械的轴承磨损、齿轮啮合异常、电机转子不平衡以及建筑结构的疲劳损伤。然而，振动信号的高采样率（通常数千至数万赫兹）与TinyML设备极有限的存储、算力和功耗预算之间存在尖锐矛盾。本课程聚焦于这一矛盾的核心决策变量：采样频率与窗口长度。这两个参数决定了模型能“看到”什么频率成分、能“捕捉”多长时间的故障特征，也直接决定了特征提取的维度和模型推理的实时性。本节作为课程导入，将阐明应用背景、明确课程目标、规划学习路径，并给出整体框架。
上图展示了本课程的核心决策框架：采样频率与窗口长度的选择并非孤立的参数调优，而是在物理约束、设备约束和算法约束三个维度之间的联合优化。物理约束决定了信号中携带故障信息的频率上限和最低可分辨频率间隔；设备约束划定了硬件可实现的能力边界；算法约束则反映了模型对输入数据格式和计算量的实际需求。三者交汇处，才是TinyML振动检测系统设计的可行域。
1.1 TinyML振动检测的应用背景
工业4.0和智能制造的推进使得预测性维护成为降低停机成本、延长设备寿命的关键手段。传统的振动监测系统通常依赖高精度数据采集卡（采样率≥50kHz）和上位机分析软件，单通道成本数千元，且需要专业工程师进行离线分析。这种模式适用于大型旋转机械（如发电机组、压缩机），但无法覆盖数量庞大的中小型设备——电机、泵、风机、输送带滚筒等。这些设备单台价值低，但故障停机造成的产线损失却不容忽视。
TinyML技术的成熟改变了这一格局。以ARM Cortex-M4/M7、RISC-V或ESP32为代表的微控制器，配合MEMS加速度传感器（如ADXL345、MPU6050、LSM6DSOX），可以在毫瓦级功耗下完成振动信号的采集、特征提取和轻量级神经网络推理。一个典型的TinyML振动检测节点成本可控制在50元以内，体积小于火柴盒，电池供电可运行数月。这使得“每台设备一个传感器”的分布式监测成为可能。
然而，TinyML设备的资源限制是硬性的：以STM32L4系列为例，其主频80MHz，RAM仅64KB，Flash 256KB，内置ADC最高采样率约5Msps（但实际受功耗限制通常使用1-10kHz采样）。若直接照搬工业振动分析中“采样率25.6kHz、每帧4096点”的标准，一次数据采集就需要16KB RAM（16位精度），且FFT计算量达到4096×12=49152次蝶形运算，在80MHz主频下耗时超过10ms，功耗和延迟均不可接受。因此，必须针对TinyML场景重新设计采样策略。
1.2 课程目标
完成本课程学习后，学员将具备以下能力：
| 能力维度 | 具体目标 | 对应章节 |
|---|---|---|
| 理论理解 | 掌握奈奎斯特采样定理、混叠效应、FFT分辨率、窗函数频谱泄漏等核心概念，并能解释它们对TinyML振动检测的具体影响 | 第2-4章 |
| 参数决策 | 能够根据目标故障类型（轴承、齿轮、不平衡等）和硬件资源（MCU型号、RAM、电池容量）独立确定采样频率和窗口长度 | 第5-8章 |
| 工程实现 | 熟练使用C语言/CMSIS-DSP库在STM32、ESP32等平台实现数据采集、FFT、特征提取和模型推理的完整流水线 | 第9-15章 |
| 优化调优 | 掌握自适应采样、可变窗口、数据压缩等高级技巧，能够在保持准确率的前提下进一步降低功耗和延迟 | 第16-22章 |
| 系统验证 | 能够设计实验方案，评估不同参数组合下的模型性能，并形成可复现的测试报告 | 第23-27章 |
| 综合实战 | 独立完成一个从传感器选型到云端可视化的端到端TinyML振动检测系统 | 第28-30章 |
1.3 学习路径与整体框架
本课程共30章，按照“理论奠基→参数决策→工程实现→优化进阶→综合实战”五个阶段组织。每个阶段环环相扣，前一阶段的知识是后一阶段的基础。
阶段一：理论基础（第1-4章）
本阶段建立信号处理与TinyML的交叉知识体系。第2章深入讲解采样定理在振动检测中的实际含义，包括混叠的数学本质和工程规避方法；第3章聚焦窗口长度与频率分辨率的关系，推导Δf = fₛ/N这一核心公式，并讨论矩形窗、汉宁窗、布莱克曼窗对频谱泄漏的抑制效果；第4章介绍振动信号的基本特征参数（RMS、峰值因子、峭度、包络谱），为后续特征选择奠定基础。
阶段二：参数决策方法论（第5-8章）
这是本课程的核心阶段。第5章给出采样频率选择的完整决策流程：从轴承故障特征频率计算（BPFO、BPFI、BSF、FTF）出发，结合共振频带分析，确定最低所需采样率；第6章讨论窗口长度的确定方法，包括最少旋转周期数准则、瞬态冲击捕捉要求和FFT分辨率约束；第7章引入资源预算模型，建立RAM、Flash、功耗与采样参数的量化关系；第8章通过三个完整案例（低速重载轴承、高速电机、齿轮箱）演示参数决策全过程。
阶段三：工程实现（第9-15章）
本阶段将理论转化为可运行代码。第9章介绍MEMS加速度传感器的选型与配置，包括量程、灵敏度、噪声密度等关键参数；第10章讲解ADC采样时序设计，包括触发模式、DMA传输和环形缓冲区实现；第11章使用CMSIS-DSP库实现实数FFT，并讨论定点数运算的精度问题；第12章设计轻量级特征提取模块，包括时域统计特征和频域峰值搜索；第13-15章分别介绍基于决策树、随机森林和1D-CNN的TinyML模型实现，并对比不同模型的资源占用。
阶段四：优化与进阶（第16-22章）
本阶段解决“如何在有限资源下做得更好”的问题。第16章讨论自适应采样策略——根据振动能量动态调整采样频率，在平稳期降低采样率，在瞬态期提高采样率；第17章介绍可变窗口长度技术，通过滑动窗口和重叠率优化实现时间分辨率与频率分辨率的动态平衡；第18章讲解数据压缩方法（增量编码、小波变换、稀疏表示）以减少无线传输量；第19章讨论模型量化与剪枝，将浮点模型压缩为8位整数模型；第20章引入迁移学习，利用预训练模型减少目标域数据需求；第21章分析功耗优化策略，包括睡眠模式、事件驱动采集和分级唤醒；第22章给出系统可靠性设计，包括看门狗、数据校验和异常恢复。
阶段五：综合实战（第23-30章）
最后阶段将全部知识整合为完整系统。第23章设计实验方案，包括故障注入方法、数据标注规范和评估指标（准确率、召回率、F1分数、延迟、功耗）；第24章搭建测试平台，使用振动台和标准故障轴承验证系统性能；第25章进行参数敏感性分析，找出对性能影响最大的参数组合；第26章完成端到端系统集成，包括传感器节点、边缘网关和云平台；第27章编写部署文档和运维手册；第28章复盘一个真实工业场景的部署案例，分析遇到的问题和解决方案；第29章讨论TinyML振动检测的局限性、安全性和未来趋势；第30章进行课程总结，并给出进一步学习资源。
1.4 常见误区与学习心态
在多年教学和工程实践中，我们发现学员在学习本课程时容易陷入以下误区，在此提前指出，帮助大家建立正确的学习路径：
- 误区一：盲目追求高采样率。很多学员认为采样率越高越好，忽略了TinyML设备的功耗和存储限制。实际上，对于大多数轴承故障检测场景，2kHz-10kHz的采样率已经足够，过高的采样率只会浪费资源。
- 误区二：忽视窗口长度的物理意义。窗口长度不仅影响FFT分辨率，还决定了模型能“观察”到多长时间的振动行为。对于低速设备（如风机转速300rpm），一个窗口必须覆盖至少1个完整旋转周期，否则无法捕捉到与旋转频率相关的故障特征。
- 误区三：将工业振动分析标准直接套用到TinyML。ISO 10816等标准针对的是在线监测系统，其采样率和窗口长度要求远超TinyML设备的能力。需要理解标准背后的物理原理，然后根据TinyML的约束进行合理折中。
- 误区四：只关注模型准确率，忽略端到端延迟。在预测性维护场景中，从振动事件发生到模型输出告警的延迟通常要求在100ms以内。如果采样窗口过长（如10秒），即使模型准确率再高，也无法满足实时性要求。
本课程的设计理念是“理论够用、实践为重、案例驱动”。每一章都包含至少一个完整的案例拆解，从问题定义、数据采集、参数选择、模型训练到部署验证，完整呈现工程决策过程。我们相信，通过30章的系统学习，你将能够自信地面对任何TinyML振动检测项目的参数设计挑战。