课程导入：TinyML与工业异常检测的定义、价值、应用场景、课程目标与学习路径
工业制造正在经历一场由数据驱动的深刻变革。传统的异常检测依赖人工巡检和阈值报警，往往在故障发生后才被动响应，导致非计划停机、质量缺陷和安全隐患。与此同时，边缘计算与嵌入式AI的成熟，使得在微控制器（MCU）级别运行轻量级机器学习模型成为可能。TinyML——这一在极低功耗、资源受限设备上部署机器学习模型的技术——正在为工业异常检测带来全新的范式：将智能推理下沉到传感器节点，实现毫秒级响应、本地化决策和隐私保护。本章作为课程的开篇，将系统梳理TinyML与工业异常检测的核心概念、产业价值、典型应用场景，并明确课程的学习目标与进阶路径，为后续30章的技术实战打下坚实的认知基础。
1.1 TinyML的定义与技术边界
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运行机器学习推理。与云端AI或边缘服务器不同，TinyML设备通常只有几十KB到几百KB的RAM，Flash存储也以MB为单位，处理器主频多在几十MHz到几百MHz之间。这种极端的资源约束决定了TinyML技术栈的独特性：模型必须经过量化（如从FP32压缩到INT8）、剪枝和知识蒸馏等手段，才能在保持可接受精度的前提下适配MCU的算力。
从技术架构看，TinyML系统通常包含四个层次：感知层（各类工业传感器，如加速度计、麦克风、温度探头、电流互感器）、信号处理层（滤波、特征提取、时频变换）、推理层（轻量级神经网络或传统机器学习模型在MCU上的运行）、决策与通信层（异常判定、本地告警或通过BLE/LoRa上报）。值得注意的是，TinyML并非简单地将模型"塞进"单片机，而是需要从数据采集策略、特征工程到模型架构设计进行全链路协同优化。
1.2 工业异常检测的范畴与挑战
工业异常检测（Industrial Anomaly Detection）是指通过监测设备运行状态或产品质量特征，识别出与正常模式显著偏离的事件。其范畴涵盖：设备级异常（轴承磨损、齿轮断裂、电机过热）、过程级异常（压力波动、流量异常、温度漂移）、产品级异常（表面划痕、尺寸偏差、内部缺陷）。传统方法依赖固定阈值报警或人工经验判断，存在响应滞后、误报率高、无法识别复合故障等痛点。
工业环境对异常检测系统提出了严苛要求：高可用性（7×24小时连续运行）、强鲁棒性（抵抗电磁干扰、温度变化、振动噪声）、可解释性（维护人员需要理解报警原因）、低成本（单节点硬件成本通常需控制在百元级）。这些约束恰好与TinyML的特性高度契合——MCU方案相比工控机或边缘服务器，在成本、功耗、体积和部署灵活性上具有显著优势。
| 对比维度 | 传统阈值报警 | 云端AI分析 | TinyML边缘推理 |
|---|---|---|---|
| 响应延迟 | 秒级~分钟级 | 网络传输+云端计算，秒级 | 毫秒级 |
| 网络依赖 | 无 | 强依赖，断网即失效 | 无（本地推理） |
| 数据隐私 | 本地处理 | 需上传云端，有泄露风险 | 完全本地化 |
| 硬件成本 | 低（继电器/PLC） | 高（服务器/网关） | 低（MCU+传感器） |
| 功耗 | 数瓦~数十瓦 | 数百瓦以上 | 毫瓦级 |
| 智能程度 | 低（固定阈值） | 高（复杂模型） | 中高（轻量模型） |
| 维护复杂度 | 简单 | 需专业IT运维 | 简单，可远程升级 |
1.3 课程目标与能力模型
完成本课程学习后，学员将具备以下核心能力：第一，能够独立完成工业数据采集系统的搭建，包括传感器选型、信号调理电路设计和数据标注；第二，掌握针对MCU的模型设计与优化技术，包括特征工程、轻量级网络架构（如MobileNetV1、TinyMLPerf基准模型）和INT8量化实战；第三，具备在STM32、ESP32或国产GD32等主流MCU上完成模型部署与推理优化的工程能力；第四，能够设计完整的异常检测闭环系统，包括异常判定策略、告警机制和模型持续迭代方案。
课程强调"从零到部署"的完整链路，而非孤立的算法讲解。每个技术模块都配有可运行的代码示例和工业场景案例，学员将亲手完成从原始振动数据采集到MCU上实时异常识别的全过程。课程还特别关注工程落地中的"最后一公里"问题：如何处理数据分布漂移？如何校准传感器偏差？如何在有限Flash空间内实现模型热更新？这些实战经验将帮助学员避免"实验室能跑、现场不能用"的尴尬。
1.4 典型应用场景深度解析
为了帮助学员建立直观认知，这里拆解三个最具代表性的TinyML工业异常检测场景。
场景一：旋转机械振动监测。在工厂车间，电机、泵、风机等旋转设备占设备总数的70%以上。通过在轴承座附近安装三轴加速度计，以1kHz~4kHz采样率采集振动信号，TinyML模型可以在时域和频域提取特征（如RMS值、峰值因子、频谱能量分布），识别轴承磨损、不对中、松动等故障模式。某化工厂案例显示，在循环水泵上部署基于STM32L4的TinyML模型后，成功在轴承故障前72小时发出预警，避免了约15万元的非计划停机损失。该方案硬件成本仅约120元/节点，而传统在线监测系统单点成本超过5000元。
场景二：工业声学异常检测。在食品饮料灌装线上，利用MEMS麦克风采集设备运行声音，通过MFCC特征提取和轻量级CNN模型，可以识别传送带卡顿、瓶盖未拧紧、气压不足等异常。某啤酒厂在灌装车间部署了32个TinyML声学节点，检测准确率达到96.8%，误报率控制在每班次2次以内。由于推理完全在本地完成，即使车间网络中断，检测功能依然正常运行。
场景三：电流信号故障诊断。通过电流互感器（CT）采集电机驱动电流，利用电流信号的谐波成分和暂态特征判断负载异常。相比振动传感器，电流检测无需接触设备本体，安装更安全便捷。某纺织厂在络筒机上部署基于ESP32的TinyML电流分析模块，成功识别出纱线张力异常导致的电机过载，将设备损坏率降低了40%。
1.5 课程学习路径与章节导航
本课程共30章，按照"基础-模型-部署-实战"四个阶段递进设计。基础篇（第1~8章）涵盖TinyML概念、工业传感器选型、信号预处理、特征工程和异常检测算法原理；模型篇（第9~16章）聚焦轻量级模型设计、训练技巧、量化压缩和模型评估方法；部署篇（第17~24章）深入MCU移植、推理引擎优化、外设驱动开发和低功耗设计；实战篇（第25~30章）通过三个完整工业项目（振动监测、声学检测、多传感器融合）串联全部知识点，并讲解系统测试、可靠性验证和项目交付规范。
每章均包含理论讲解、代码示例、案例拆解和常见误区分析。建议学员按照章节顺序学习，每章结束后完成配套练习。对于有经验的工程师，可以直接从第9章开始学习，但建议至少浏览前8章以了解课程的技术约定和代码规范。课程配套的GitHub仓库提供了全部示例代码、数据集和硬件原理图，学员可以在此基础上进行二次开发。