1. 课程导入

工业设备非计划停机造成的损失往往是灾难性的——一条汽车产线停摆1小时可能损失数十万元，一台风机齿轮箱突发故障可能导致整机报废。传统的定期维护（Time-Based Maintenance）按固定周期更换零部件，既造成过度维护浪费，又无法阻止突发故障；而基于云端的预测性维护虽然分析能力强，却受限于网络延迟、数据隐私和带宽成本，难以覆盖边缘侧毫秒级的实时决策需求。TinyML（微型机器学习）的出现，为这一矛盾提供了全新的解题路径：将轻量化神经网络部署在MCU级别的低功耗芯片上，在传感器附近直接完成振动信号的特征提取与故障分类，实现真正的"端侧智能"。本章作为课程的开篇，将系统阐述TinyML在工业预测性维护中的价值定位、轴承故障诊断的工程意义，并明确本课程的学习目标与整体框架，为后续30章的技术实践奠定认知基础。

1.1 TinyML在工业预测性维护中的核心价值

1.1.1 从传统维护到智能维护的范式跃迁

工业维护策略经历了三个阶段的演进。第一阶段是事后维护（Reactive Maintenance），设备故障后才进行维修，代价是生产中断和连带损失；第二阶段是预防性维护（Preventive Maintenance），按照固定周期更换易损件，虽然降低了突发故障概率，但存在"维护不足"和"维护过剩"的双重风险——更换过早浪费剩余寿命，更换过晚仍可能发生故障；第三阶段是预测性维护（Predictive Maintenance），通过持续监测设备状态，在故障发生前精准定位异常并安排维护窗口。

预测性维护的核心在于"状态感知"能力。振动信号作为旋转机械最丰富的"健康语言"，包含了轴承磨损、齿轮啮合、轴系不对中等大量故障信息。然而，传统振动分析依赖高精度传感器和上位机软件，数据需要回传至服务器或云端处理，存在三个结构性痛点：

• 实时性瓶颈：从数据采集到云端推理再到结果返回，典型延迟在数百毫秒到数秒之间，无法满足高速旋转机械的毫秒级保护需求；
• 带宽与成本约束：工业现场往往有数十甚至数百个监测点，每个监测点以20kHz采样率、16bit精度连续采集，单通道数据量约40KB/s，多通道汇聚后对网络带宽和存储成本构成巨大压力；
• 数据隐私与可靠性：部分工厂对生产数据外传有严格合规要求，且网络中断时云端分析完全失效。

TinyML的引入从根本上改变了这一格局。TinyML是指在毫瓦级功耗的微控制器（MCU）上部署机器学习模型的技术体系，其核心特征包括：模型参数量通常在几十KB到几百KB之间、推理功耗低于10mW、端到端延迟在10ms以内。将振动特征提取和故障分类模型直接部署在传感器节点或设备附近的MCU上，实现了"数据不出设备、决策就在现场"的闭环。

1.1.2 TinyML在工业场景中的典型应用模式

在工业实践中，TinyML的部署模式通常分为三种：

部署模式	硬件平台	典型场景	优势	局限
传感器节点级	Cortex-M0+/M4 MCU	无线振动传感器节点	功耗极低、安装灵活	算力有限，模型复杂度受限
设备边缘级	Cortex-M7/A系列处理器	电机控制柜、泵站控制器	算力较强，可处理多通道数据	功耗相对较高，成本增加
网关汇聚级	Linux边缘网关+NPU	车间级多设备监测	可运行复杂模型，支持多设备	延迟略高，依赖供电稳定性

本课程聚焦于前两种模式，即真正意义上的TinyML部署——在MCU上完成从信号采集到故障判别的完整流程。这种部署方式特别适合轴承这类旋转部件的监测，因为轴承故障特征频率通常在几十赫兹到几千赫兹之间，采样率需求适中（10-50kHz），且故障特征可以通过精心设计的轻量特征提取方法有效捕获。

1.2 轴承故障诊断的工程意义与技术挑战

1.2.1 轴承在工业设备中的关键地位

轴承是旋转机械中最普遍也最脆弱的部件。据统计，在工业电机故障中，轴承故障占比高达40%-50%；在风机、泵、压缩机等设备中，轴承故障导致的停机时间占总停机时间的60%以上。轴承一旦失效，轻则产生振动噪声、降低运行效率，重则引发转子扫膛、设备损毁甚至安全事故。

轴承故障的演化过程具有明显的阶段性特征：

1. 初期微弱磨损：金属表面出现微观疲劳裂纹，振动信号中开始出现微弱的冲击成分，此时故障特征频率幅值很小，容易被噪声淹没；
2. 中期明显损伤：裂纹扩展形成剥落坑，振动冲击能量显著增强，故障特征频率及其谐波清晰可辨；
3. 后期严重破坏：滚动体或滚道出现大面积剥落，保持架变形，振动波形呈现剧烈冲击调制，设备运行状态急剧恶化。

预测性维护的目标就是在第一阶段末期或第二阶段初期捕捉到故障征兆，为维护决策争取足够的准备时间。这要求诊断系统具备高灵敏度（能检测微弱信号）和高准确性（能区分不同故障类型），而这两点恰恰是TinyML系统设计中的核心挑战。

1.2.2 轴承故障诊断的技术难点

在TinyML约束下进行轴承故障诊断，面临以下特殊挑战：

• 特征频率计算与提取：轴承不同部件（内圈、外圈、滚动体、保持架）的故障特征频率与转频、几何尺寸相关，需要精确计算并设计针对性的特征提取算法。例如，外圈故障特征频率BPFO = (n/2)×fr×(1-d/D×cosα)，其中n为滚动体数量，fr为转频，d为滚动体直径，D为节圆直径，α为接触角。
• 信噪比与微弱信号检测：早期故障的振动冲击能量往往比背景噪声低10-20dB，需要采用包络分析、小波变换等时频域方法增强故障特征，但这些方法计算量较大，需要在MCU上做算法轻量化。
• 变工况适应性：工业设备转速和负载经常变化，导致故障特征频率随之漂移，模型需要具备转速归一化或自适应能力。
• 模型大小与精度平衡：MCU的Flash通常只有256KB-1MB，RAM只有64KB-256KB，而一个标准的CNN分类模型动辄数百KB到数MB，必须通过量化、剪枝、知识蒸馏等手段压缩模型。

1.3 课程学习目标与整体框架

1.3.1 学习目标体系

本课程采用"理论-方法-实践-复盘"四层递进的学习路径，完成学习后，学员将具备以下能力：

能力维度	具体目标	对应章节
理论基础	理解轴承故障机理、振动信号特性、TinyML技术边界	第1-4章
信号处理	掌握时域/频域/时频域特征提取方法，能针对轴承信号选择合适特征	第5-10章
模型训练	能使用TensorFlow/Keras训练轻量级故障分类模型，掌握数据增强与正则化	第11-18章
模型压缩	熟练运用量化、剪枝、蒸馏技术，将模型压缩至MCU可部署规模	第19-24章
部署验证	能在STM32等MCU平台完成模型部署，进行实时推理与性能评估	第25-30章

1.3.2 课程内容框架与学习路径

课程共30章，分为五个模块，每个模块既有独立的知识体系，又形成完整的技术闭环：

模块一：基础与准备（第1-4章）——本模块建立TinyML和轴承故障诊断的认知基础。第2章讲解振动信号采集硬件选型与传感器接口设计；第3章介绍轴承故障的物理机理与特征频率计算；第4章搭建开发环境，包括TensorFlow Lite Micro工具链和STM32CubeMX工程模板。

模块二：特征提取与信号处理（第5-10章）——这是课程的技术核心之一。第5-6章分别讲解时域统计特征（RMS、峰值因子、峭度等）和频域特征（FFT谱、功率谱密度、包络谱）；第7章引入小波变换和希尔伯特-黄变换等时频分析方法；第8章专门讲解特征选择与降维（PCA、LDA）；第9-10章通过两个实战案例，演示从原始振动信号到特征向量的完整流程。

模块三：模型训练与优化（第11-18章）——聚焦轻量级神经网络的设计与训练。第11-12章讲解1D-CNN和深度可分离卷积在振动信号分类中的应用；第13章介绍循环神经网络（LSTM/GRU）处理时序振动数据；第14章讨论数据增强策略（加噪、时移、转速扰动）；第15-16章讲解模型正则化与超参数调优；第17-18章通过案例对比不同模型架构在准确率、参数量、推理延迟三个维度的表现。

模块四：模型压缩与TinyML部署（第19-24章）——这是TinyML区别于普通深度学习的核心环节。第19章讲解TensorFlow Lite模型转换与量化（PTQ/QAT）；第20章介绍权重剪枝与结构化剪枝；第21章讲解知识蒸馏技术；第22章介绍模型微调与迁移学习在边缘场景的应用；第23-24章通过实战演示将训练好的模型压缩至100KB以内并部署到STM32F4系列MCU。

模块五：系统集成与工程实践（第25-30章）——完成从模型到产品的最后一公里。第25章讲解MCU上的实时推理优化（CMSIS-DSP加速、内存管理）；第26章设计完整的TinyML轴承监测节点（传感器+MCU+无线通信）；第27章介绍多传感器融合与边缘-云端协同架构；第28章讲解模型持续更新与在线学习策略；第29章通过一个完整的工业案例（风机轴承监测系统）串联全部知识点；第30章总结TinyML在工业预测性维护中的最佳实践与未来趋势。

1.3.3 课程案例设计思路

为了让学员获得真实的工程体验，课程设计了三个递进式案例：

案例一（第9-10章）：使用公开的CWRU轴承数据集，完成特征提取和传统机器学习分类（SVM、随机森林），建立基线准确率。此案例帮助学员理解特征工程的重要性。

案例二（第17-18章）：基于自采或仿真振动数据，训练1D-CNN模型，对比不同架构和超参数的效果，学习模型调优方法。此案例让学员掌握深度学习在振动信号分类中的应用技巧。

案例三（第29章）：完整搭建一个基于STM32的轴承故障监测节点，实现数据采集、特征提取、模型推理、结果输出的全流程，并在真实电机上验证系统性能。此案例模拟工业现场的真实约束（功耗、实时性、可靠性），培养学员的系统集成能力。

1.4 常见误区与学习复盘

1.4.1 初学者常见误区

根据过往教学经验，学员在学习TinyML轴承故障诊断时容易陷入以下误区：

• 误区一：忽视物理机理，盲目堆叠模型——不理解轴承故障特征频率的物理含义，直接使用通用图像分类网络处理振动波形，导致模型参数量大且泛化能力差。正确的做法是先计算故障特征频率，再设计针对性的特征提取层。
• 误区二：特征提取过度复杂——在MCU上实现复杂的时频分析算法（如连续小波变换）导致计算量超限。需要根据MCU的算力（通常为几十到几百MHz）和内存限制，选择计算复杂度适中的特征（如FFT+包络谱）。
• 误区三：忽略数据分布漂移——训练数据来自实验室环境（恒定转速、恒定负载），部署到现场后转速波动导致准确率骤降。需要设计转速归一化模块或采集多工况数据进行训练。
• 误区四：量化后精度损失过大——直接使用训练后量化（PTQ）导致模型精度下降超过5%。需要采用量化感知训练（QAT）或在量化后进行微调。

1.4.2 本章总结与学习路径规划

本章作为课程导入，明确了三个关键认知：TinyML是工业预测性维护的边缘智能基石，它解决了云端方案的实时性、成本和隐私痛点；轴承故障诊断是TinyML最具落地价值的工业场景之一，其故障机理清晰、特征频率可计算、诊断结果可验证；本课程提供从信号采集到模型部署的完整技术链路，学员需要动手实践才能真正掌握。

在进入后续章节之前，建议学员完成以下准备工作：

1. 复习数字信号处理基础知识（采样定理、FFT、滤波器设计）；
2. 安装Python环境（Anaconda）并熟悉NumPy、Matplotlib、Scikit-learn库；
3. 安装TensorFlow 2.x并验证GPU或CPU版本可用；
4. 准备STM32F407开发板和ADXL345传感器模块（可选，但强烈推荐）。