3、TinyML技术栈概览：微控制器、边缘设备、传感器、嵌入式系统、TinyML框架的选型
工业异常检测场景中，TinyML系统的技术选型直接决定了项目的成本、功耗、实时性与维护复杂度。与云端AI不同，TinyML要求在极小的功耗预算（通常为毫瓦级）和有限的计算资源（KB级RAM、MB级Flash）内完成数据采集、信号处理、模型推理与结果上报。本章将系统梳理从传感器到微控制器再到推理框架的完整技术栈，帮助你在项目启动阶段做出合理的选型决策。
3.1 传感器选型：从物理量到数字信号的精准映射
工业异常检测的物理基础是传感器。选型时需明确三个核心问题：测什么物理量（振动、温度、电流、声发射）、信号特征频率范围（低频缓变还是高频冲击）、安装环境约束（高温、高湿、防爆、空间限制）。以旋转机械故障检测为例，振动传感器是最常用的选择，但不同故障类型对应的频率范围差异巨大：不平衡和不对中通常表现为1倍频（1X）和2倍频（2X）的低频分量，而轴承早期点蚀则会产生20kHz以上的高频冲击信号。
传感器选型的关键参数包括：灵敏度（mV/g或pC/g）、频率响应范围、量程、横向灵敏度、工作温度范围、供电方式（IEPE恒流源或电荷输出）。对于TinyML系统，还需要特别关注传感器的功耗和数字接口。MEMS加速度计（如ADXL345、MPU6050）功耗低至微安级，自带I2C/SPI数字接口，可直接与MCU连接，适合电池供电的无线监测节点。而工业级IEPE压电传感器需要外部恒流源供电（典型2-20mA），输出模拟信号，需要额外的信号调理电路和ADC采样，但信噪比和频率范围更优。
| 传感器类型 | 典型型号 | 输出接口 | 频率范围 | 功耗 | 适用场景 |
|---|---|---|---|---|---|
| MEMS加速度计 | ADXL345, MPU6050 | I2C/SPI数字 | 0.5Hz-5kHz | 23-350µA | 便携式、低功耗监测 |
| IEPE压电加速度计 | PCB 352C33, B&K 4507 | 模拟（恒流源） | 0.5Hz-10kHz | 2-20mA | 高精度、宽频带诊断 |
| 温度传感器 | PT100, DS18B20 | 模拟/1-Wire | DC-10Hz | 0.5-1mA | 轴承温度、电机过热 |
| 电流传感器 | ACS712, 罗氏线圈 | 模拟/数字 | DC-100kHz | 3-10mA | 电机电流特征分析 |
| 声发射传感器 | VS150, R15I | 模拟（电荷） | 50kHz-400kHz | 1-5mA | 轴承早期微裂纹检测 |
3.2 微控制器与边缘设备选型：算力、功耗与成本的平衡
微控制器是TinyML推理的算力核心。选型时需综合评估算力（CPU主频、是否带FPU/DSP指令）、内存（SRAM大小、Flash容量）、外设接口（ADC通道数、DMA、定时器）、功耗模式（深度睡眠电流、唤醒时间）以及生态成熟度（开发工具、社区支持、量产供货）。对于工业异常检测场景，推荐优先考虑Cortex-M4或Cortex-M7内核的MCU，它们具备硬件浮点单元（FPU）和DSP指令集，可以高效执行FFT、滤波等信号处理算法。
以STM32F407为例，其168MHz主频、192KB SRAM、1MB Flash，足以运行一个参数量在50KB以内的1D-CNN或决策树模型，推理时间可控制在10ms以内。如果检测任务需要更高的采样率（如声发射信号200kHz采样）或更复杂的模型（如LSTM），则需要选择更高性能的Cortex-M7（如STM32H743，480MHz）或带NPU加速的芯片（如MAX78000，内置CNN加速器）。
边缘设备（如ESP32-S3、Raspberry Pi Pico）则提供了更丰富的连接能力（WiFi/BLE）和更大的内存，适合需要无线数据传输或多传感器融合的场景。但需要注意，ESP32-S3的AI加速能力（向量指令）相比专用NPU仍有差距，且WiFi通信的功耗较高，不适合纯电池供电的长期监测。
3.3 TinyML框架选型：TensorFlow Lite Micro与Edge Impulse的对比
软件框架决定了从模型训练到嵌入式部署的整个工作流效率。目前工业TinyML领域最主流的两个框架是TensorFlow Lite Micro（TFLM）和Edge Impulse，此外还有CMSIS-NN、STM32Cube.AI等厂商专用工具链。
TensorFlow Lite Micro是Google推出的开源推理引擎，专为MCU设计，核心特点包括：极小的运行时内存（约16KB）、支持量化模型（INT8）、算子覆盖全面（卷积、LSTM、Transformer等）、与TensorFlow训练生态无缝衔接。使用TFLM需要手动编写C++部署代码，包括模型加载、输入张量填充、推理调用和输出解析，适合有嵌入式开发经验的团队。
Edge Impulse则是一个完整的端到端平台，提供从数据采集（手机/开发板直接上传）、信号处理（频谱分析、滤波）、模型训练（AutoML）、到代码生成（C++库）的全流程可视化操作。其最大优势是低代码和自动化，工程师无需深入掌握模型优化细节，即可在数小时内完成一个可部署的模型。Edge Impulse还内置了设备端推理性能评估（RAM/Flash占用、推理延迟），方便快速迭代。
| 对比维度 | TensorFlow Lite Micro | Edge Impulse | STM32Cube.AI |
|---|---|---|---|
| 部署方式 | 开源C++库，手动集成 | 自动生成C++库 | STM32专用工具链 |
| 模型支持 | 广泛（CNN/RNN/Transformer） | CNN/决策树/异常检测 | CNN/RNN（经X-CUBE-AI转换） |
| 量化支持 | INT8/INT16 | INT8 | INT8/FP32 |
| 开发门槛 | 高（需C++/嵌入式经验） | 低（可视化操作） | 中（需STM32CubeIDE） |
| 硬件适配 | 所有支持TFLM的MCU | 官方支持列表（STM32/Nordic等） | 仅STM32系列 |
| 适合场景 | 定制化需求、深度优化 | 快速原型验证、非嵌入式背景团队 | STM32生态内量产项目 |
3.4 实战案例：电机轴承故障监测节点的技术选型
某工厂需要为50台电机部署轴承故障在线监测系统，要求每台电机一个监测节点，数据本地处理，仅上报异常状态和特征值，预算为每节点硬件成本不超过300元，电池供电（2节18650锂电池）需连续工作6个月以上。
初始约束分析：电机转速为1500rpm（25Hz），轴承故障特征频率（BPFO/BPFI）通常在100Hz-2kHz范围，但早期点蚀会产生5kHz-20kHz的高频冲击。因此采样率需至少40kHz才能捕捉高频成分。功耗预算：2节18650电池（约20Wh），6个月（4320小时）平均功耗需控制在4.6mW以内。
选型过程：
- 传感器：选择IEPE压电加速度计（PCB 352C33），灵敏度100mV/g，频率范围0.5Hz-10kHz，但需要恒流源供电（2mA@24V），功耗约48mW，超出预算。改用MEMS加速度计ADXL357（数字输出，量程±40g，带宽1kHz），功耗仅200µA@3.3V（0.66mW），但带宽不足。最终选择ADXL1002（模拟输出，带宽11kHz，功耗1mA），配合外部ADC采样。
- MCU：选择STM32L4系列（Cortex-M4，80MHz，带FPU），SRAM 128KB，Flash 512KB，深度睡眠电流1µA。该芯片内置12位ADC（最高5Msps），可满足40kHz采样需求，且支持DMA连续采样。
- 信号调理：ADXL1002输出模拟信号，需一级运放（OPA333）进行电平偏移和放大，将±40g对应电压映射到ADC输入范围（0-3.3V）。
- 软件框架：使用Edge Impulse进行数据采集和模型训练（1D-CNN，输入长度1024点，约25ms数据），生成C++库后集成到STM32CubeIDE工程中。模型量化后参数量约32KB，推理时间约8ms。
结果与复盘：实际部署后，节点平均功耗为3.2mW（采样+推理+待机），满足6个月续航要求。模型对轴承外圈故障的识别准确率达96.5%，但初期误报率偏高（每周约2次），分析发现是MEMS传感器在电机启停阶段的冲击导致。解决方案是在软件中加入启停检测逻辑（通过电流传感器辅助判断），仅在稳定运行阶段启用异常检测，误报率降至每周0.3次。
3.5 常见误区与选型复盘
在TinyML工业项目的选型过程中，以下误区最为常见：
- 过度追求高算力：选择带NPU的高端芯片，但实际模型参数量仅几十KB，NPU利用率不足10%，反而增加了成本和功耗。应根据模型运算量（MACs）匹配算力，而非盲目堆料。
- 忽略传感器噪声与温漂：工业环境电磁干扰严重，MEMS传感器在高温下零漂明显。选型时需关注传感器的长期稳定性指标，并在电路设计中加入滤波和屏蔽。
- 框架选型与团队技能脱节：团队只有嵌入式工程师，却选择TFLM手动部署，导致开发周期延长；或团队只有算法工程师，却选择Edge Impulse，无法进行深度定制。应基于团队技能矩阵选择框架。
- 忽视通信与OTA升级：工业现场设备数量多，若需更新模型，必须考虑无线OTA能力。选型时需确认MCU是否支持外部Flash（用于存储固件备份）和无线模块（LoRa/WiFi/4G）。
选型复盘清单：在项目立项阶段，建议完成以下检查——① 明确检测对象的故障特征频率范围；② 计算功耗预算并留出30%余量；③ 用Edge Impulse或TFLM跑通一个最小模型，评估RAM/Flash占用；④ 确认MCU的ADC采样率与DMA带宽是否满足要求；⑤ 检查开发板供货周期和长期可用性（避免选型刚量产就停产）。