1. 课程导入
在工业现场，传感器每天都在产生海量数据：振动、温度、压力、电流、声音、流量、位移。过去，这些数据通常被上传到网关或云端再做分析；而在很多场景里，真正需要“立刻判断”的时刻，往往发生在设备端——例如电机轴承出现异常摩擦、阀门动作迟滞、泵体出现空化、传送带跑偏。如果所有判断都依赖远端计算，网络延迟、带宽成本、断网风险和隐私合规都会成为障碍。TinyML（Tiny Machine Learning，微型机器学习）正是为解决这类问题而生：它把轻量级机器学习模型部署到资源极其受限的微控制器（MCU）和传感器节点上，让设备在本地完成推理、识别、分类和异常判断。
本课程围绕“工业传感器 + TinyML”展开，目标不是训练一个超大模型，而是让你掌握一条完整可落地的技术链路：从传感器信号采集、特征提取、模型训练与压缩，到在 MCU 上部署、推理、优化和运维。学完本课程，你应当能够独立完成一个小型工业传感器智能应用原型，并能判断哪些场景适合端侧智能，哪些场景应交给边缘网关或云端。
一、TinyML 的核心定义与边界
TinyML 可以理解为“在毫瓦级到几十毫瓦级功耗、KB 到 MB 级内存、无操作系统或轻量 RTOS 的嵌入式设备上运行的机器学习”。它通常具备四个特征：模型小、算力低、功耗低、响应快。与云端 AI 相比，TinyML 不追求通用大模型的泛化能力，而是针对特定任务做“小而准”的判断，例如“轴承是否异常”“阀门是否内漏”“电机是否过载”。
需要明确的是，TinyML 不等于“把模型硬塞进 MCU”。它是一套工程方法：先用传感器采集高质量数据，再做窗口化、滤波和特征工程，然后选择合适模型（如决策树、随机森林、SVM、小型 CNN、1D-CNN、异常检测自编码器），最后通过量化、剪枝、知识蒸馏等手段压缩到目标设备可运行的程度。其核心矛盾是：在有限 RAM/Flash 和算力下，尽可能保持准确率与实时性。
一句话理解：TinyML 让传感器节点从“只采集”变成“会判断”，把智能推到数据产生的地方。
二、工业传感器智能应用的典型场景
工业场景中，TinyML 最适合处理高频、连续、对时延敏感、且数据隐私或带宽受限的任务。常见场景包括：
- 旋转设备预测性维护：在电机、风机、泵、压缩机上采集三轴振动或电流信号，本地判断轴承磨损、不平衡、松动、齿轮故障。
- 阀门与执行器状态识别：通过声学、压力、位移信号判断阀门内漏、卡涩、动作不到位。
- 传送带与产线异常检测：利用振动、声音、光电信号识别跑偏、堵料、异物、皮带打滑。
- 能耗与负载识别：基于电流波形识别设备启停、空载、过载、异常功耗。
- 安全与人员行为监测：在边缘节点识别危险区域闯入、设备异常声响、气体泄漏前兆。
这些场景的共同点是：数据在本地产生、判断需要秒级甚至毫秒级完成、现场往往没有稳定网络，且不希望把原始数据全部上传。TinyML 正好填补了“传感器—云端”之间的空白。
三、学习目标与整体课程框架
本课程共 30 章，按“认知—数据—模型—部署—场景—运维”的主线推进。学习目标分为四层：
- 认知层：理解 TinyML 的定义、边界、工业价值与典型场景，能判断任务是否适合端侧。
- 数据层：掌握工业传感器数据采集、标注、分帧、特征提取与数据集构建方法。
- 模型层：能训练并压缩适用于 MCU 的分类、回归与异常检测模型。
- 部署与运维层：能在 STM32、ESP32、Arduino Nano 33 BLE 等平台部署模型，完成推理、功耗优化、OTA 更新与现场排障。
课程框架可概括为下表：
| 阶段 | 核心内容 | 关键产出 |
|---|---|---|
| 第 1～5 章 | TinyML 概念、工业场景、硬件平台、开发环境 | 能搭建最小推理工程 |
| 第 6～12 章 | 传感器信号采集、预处理、特征工程、数据集构建 | 可训练的数据集与特征管线 |
| 第 13～20 章 | 模型训练、量化、剪枝、TFLite Micro 部署 | 可运行的端侧模型 |
| 第 21～26 章 | 预测性维护、异常检测、声学识别、能耗识别等案例 | 完整场景原型 |
| 第 27～30 章 | 功耗优化、OTA、现场排障、项目复盘与扩展 | 可交付的工业级方案 |
四、案例导入：从“云端判断”到“端侧判断”
假设某工厂有一台关键水泵，过去采用“振动传感器 + 网关 + 云端模型”的方案。问题在于：采样率 10kHz 的三轴振动数据，每秒产生约 60KB 原始数据，多台设备同时上传会挤占带宽；一旦网络抖动，异常报警延迟可达数秒；而且原始振动数据涉及工艺参数，客户不愿全部上云。
改用 TinyML 方案后，节点在本地完成分帧、特征提取和推理，只上传“正常/异常/故障类型”和少量统计量。典型部署参数如下：
目标平台：STM32F407 / ESP32-S3
采样率：10 kHz，三轴振动
窗口长度：1024 点，重叠 50%
特征：RMS、峰值、峭度、频谱前 8 个峰值
模型：1D-CNN + 全连接，量化后 48KB
RAM 占用：约 32KB
单次推理：约 6ms
输出：正常 / 轴承磨损 / 不平衡 / 松动
上传：仅上传标签与置信度，原始数据本地留存这个案例说明：TinyML 的价值不是替代云端，而是把“必须实时、必须本地、必须低带宽”的判断下沉到传感器节点，让云端专注于模型训练、版本管理和长期趋势分析。
学习建议：每学完一个模块，尽量在真实或模拟传感器数据上跑通一次“采集—特征—训练—部署—推理”闭环。TinyML 的难点往往不在模型本身，而在数据质量、窗口设计和部署约束。
五、常见误区与复盘
- 误区一：模型越大越准。在 MCU 上，模型大小、RAM 和延迟是硬约束，过大模型可能根本无法部署，或导致实时性崩溃。
- 误区二：忽略数据质量。工业现场噪声、工况变化、传感器安装差异都会影响模型。没有高质量标注数据，再好的算法也难以落地。
- 误区三：把 TinyML 当万能方案。复杂视觉、大语言模型、需要全局上下文的任务，仍应交给边缘网关或云端。
- 误区四：部署后不运维。设备老化、工况漂移、模型版本过期都会导致准确率下降，必须建立监控、回传和 OTA 更新机制。
排障提示：如果端侧推理结果与 PC 端差异明显，优先检查量化方式、输入归一化参数、窗口对齐和特征计算是否一致，而不是先怀疑模型结构。
本章作为课程导入，已经建立了 TinyML 的基本定义、工业场景、学习目标和课程框架。接下来你将进入硬件平台与开发环境，亲手搭建第一个可在 MCU 上运行的推理工程。