1. 课程导论
欢迎来到《TinyML电机振动异常评分模型部署实战》的第一章。在工业4.0与智能制造的浪潮中，预测性维护已成为降低设备停机损失、提升生产安全性的关键手段。而电机作为工业现场的“动力心脏”，其健康状态直接关系到整条产线的连续性与产品质量。传统的振动分析依赖大型在线监测系统或人工定期巡检，存在成本高、响应慢、数据孤岛等问题。随着边缘计算与嵌入式机器学习（TinyML）技术的成熟，我们如今可以将复杂的异常检测与评分模型压缩至微控制器（MCU）级别，直接在电机旁路实现实时推理。本章将作为整个课程的地基，系统阐述TinyML的核心概念、电机振动检测的工程背景、异常评分模型的业务价值，并为你规划一条从理论到落地的清晰学习路径。
1.1 TinyML概述：边缘智能的最后一公里
核心原理：什么是TinyML
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（毫瓦级甚至微瓦级）、计算资源有限（通常为几十MHz主频、几百KB内存）的MCU上运行机器学习推理。与云端AI不同，TinyML强调本地推理、低延迟、数据隐私保护。它并非简单地将模型“缩小”，而是涉及模型架构设计、量化压缩、运行时优化等一系列系统工程问题。以电机振动检测为例，一个典型的TinyML方案通常包含：MEMS加速度传感器采集三轴振动数据，MCU执行FFT或特征提取，再通过轻量级神经网络（如MobileNetV1的极小变体或决策树集成）输出异常概率。
判断方法：TinyML适用场景的边界
并非所有工业场景都适合TinyML。判断一个任务是否适合TinyML，可参考以下三条准则：
- 数据量级：输入特征维度通常不超过数百维，训练集规模在几千至几万条即可覆盖主要工况。
- 实时性要求：推理延迟需在10ms-100ms级别，且不允许网络中断导致决策失效。
- 功耗与成本约束：设备依赖电池供电或能量采集，无法部署高性能CPU/GPU。
下表对比了TinyML与传统云端AI在电机监测场景中的关键差异：
| 对比维度 | TinyML边缘推理 | 云端AI推理 |
|---|---|---|
| 推理延迟 | <50ms（本地完成） | 500ms-2s（含网络传输） |
| 数据隐私 | 原始数据不出设备 | 需上传至云端 |
| 功耗预算 | 10mW-100mW | 5W-500W（含通信模块） |
| 模型复杂度 | 参数量<1MB，INT8量化 | 可运行大型Transformer |
| 断网鲁棒性 | 完全自主运行 | 依赖网络连接 |
案例拆解：从云端到边缘的迁移
某汽车零部件工厂曾部署一套基于工业PC的振动监测系统，每台电机需配备一台约3000元的工控机。工厂共有120台关键电机，总硬件成本高达36万元，且数据全部上传至私有云，带宽占用严重。我们将其改造为基于ESP32-S3的TinyML方案后，单节点硬件成本降至80元，推理在本地完成，仅将异常评分和告警信息通过Wi-Fi上传。改造后，系统响应时间从原来的2秒缩短至30ms，且断网期间仍能独立工作。这一案例说明，TinyML并非替代云端AI，而是将“感知与初步决策”下沉到边缘，云端则专注于全局优化与多设备协同。
常见误区与复盘
1.2 电机振动异常检测背景：工业现场的“听诊器”
核心原理：振动信号的物理本质
电机振动是机械状态信息的综合载体。滚动轴承故障（如内圈剥落、外圈点蚀）会在振动信号中产生周期性冲击，其频率与轴承几何尺寸和转速相关（可通过BPFO、BPFI公式计算）。转子不平衡则表现为转频（1X）分量的幅值异常增大。齿轮箱故障则会产生啮合频率及其边频带。这些特征在时域中表现为波形畸变，在频域中表现为特定频段的能量集中。异常评分模型的核心任务，就是将这些高维振动特征映射为一个直观的0-100分健康度指标。
判断方法：特征提取与异常判定流程
- 数据采集：使用ADXL345或MPU6050传感器，采样率设为4kHz，每次采集1秒数据（4000个采样点）。
- 预处理：去除直流分量，应用汉宁窗减少频谱泄漏。
- 特征计算：提取时域特征（RMS、峰值因子、峭度）和频域特征（1X幅值、2X幅值、高频段能量比）。
- 评分映射：通过训练好的模型，将特征向量映射为异常概率，再转换为评分。
案例拆解：轴承故障的早期识别
某化工厂的循环水泵电机（转速2970rpm）在例行巡检中，手持测振仪显示振动速度有效值2.8mm/s，处于“警戒区”。但频谱分析发现，在2.4kHz附近存在明显的边频带，间隔为故障特征频率（BPFO=118Hz）。若仅依据ISO 10816标准的总振值判断，该电机仍可运行，但边频带的存在表明轴承外圈已出现早期剥落。我们利用TinyML模型，将包含边频带信息的频段能量比作为关键特征，模型输出异常评分从正常时的12分骤升至78分，触发预警。检修更换轴承后，拆解发现外圈滚道确有长约5mm的剥落坑。这一案例表明，异常评分模型的价值在于捕捉总振值无法反映的早期微弱故障特征。
常见误区与总结
1.3 异常评分模型的价值：从“报警”到“预测”
核心原理：评分模型与阈值告警的本质区别
传统阈值告警仅提供“正常/异常”二值输出，且阈值设定依赖人工经验。异常评分模型则输出连续的健康度分数，其价值体现在三个层面：趋势预测（通过分数下降速率预估剩余寿命）、分级维护（80-100分正常，60-80分关注，40-60分计划检修，<40分立即停机）、误报抑制（通过多特征融合减少单点误触发）。
判断方法：评分模型的设计原则
- 单调性：故障恶化时评分应单调下降，避免波动。
- 可解释性：评分下降时应能追溯至具体特征（如“高频能量比上升”）。
- 归一化：不同工况（空载/满载）下评分应具有可比性。
案例拆解：评分驱动的维护决策
某水泥厂对辊压机电机实施TinyML评分监测。在连续运行3个月后，评分从92分缓慢降至85分，未触发任何告警。但第4个月，评分下降速率加快，一周内从85分降至71分。系统据此发出“计划检修”建议。检修发现电机驱动端轴承润滑脂已严重干涸，补充润滑脂后评分恢复至90分。若采用传统阈值告警（设定80分为报警线），该故障将在评分降至80分以下时才会被发现，而此时轴承可能已出现磨损。评分模型通过变化速率而非绝对阈值捕捉了潜在风险。
常见误区与复盘
1.4 课程目标与学习路径：从理论到部署的闭环
核心原理：课程的知识体系架构
本课程共30章，分为四大阶段：基础篇（第1-8章）讲解信号处理与机器学习基础；模型篇（第9-16章）聚焦特征工程与模型训练；部署篇（第17-24章）深入MCU移植与优化；实战篇（第25-30章）完成完整项目闭环。每章均包含理论讲解、代码实现、硬件实验和故障排查四个环节。
判断方法：学习效果自测清单
| 阶段 | 核心能力 | 验证方式 |
|---|---|---|
| 基础篇 | 能独立完成振动信号FFT分析 | 在STM32上实现实时频谱显示 |
| 模型篇 | 能训练一个异常分类模型 | 模型在测试集上准确率>95% |
| 部署篇 | 能将模型部署至MCU | 推理延迟<30ms，RAM占用<80KB |
| 实战篇 | 能完成系统联调与现场验证 | 连续运行72小时无死机，告警准确率>90% |
案例拆解：一个完整的课程项目
课程最终项目要求学员为一台0.75kW的三相异步电机搭建TinyML异常评分系统。项目约束：使用STM32F411开发板（Cortex-M4，100MHz），加速度传感器通过SPI接口连接，系统需在电池供电下连续工作24小时。学员需完成：数据采集固件编写→在PC端训练模型→转换为TensorFlow Lite格式→使用STM32CubeMX生成工程→编写推理代码→设计评分显示界面（OLED屏）→进行故障注入测试（人为敲击轴承座模拟冲击）。通过该项目，学员将完整经历“数据→模型→部署→验证”的全流程。