1. 课程导入
TinyML（微型机器学习）与振动异常检测的结合，正在工业预测性维护、智能传感器节点和边缘计算领域掀起一场静默的革命。本课程《TinyML振动异常检测FFT频谱分析入门教程》旨在为硬件工程师、算法工程师以及工业物联网开发者搭建一座从传统信号处理到嵌入式机器学习落地的桥梁。振动信号中蕴含着旋转机械的健康密码，而FFT（快速傅里叶变换）则是将时域波形转化为频域指纹的核心工具。本课程将引导你从零开始，掌握在资源受限的MCU（微控制器）上实现振动采集、频谱分析、特征提取与异常推理的完整链路。
1.1 学习目标：从“会用”到“懂原理”再到“能落地”
本课程的学习目标分为三个递进层次，确保不同基础的学员都能找到自己的成长路径。第一层次是工具应用层：学员能够熟练使用常见的振动传感器（如ADXL345、MPU6050或工业级IEPE传感器）完成数据采集，并借助CMSIS-DSP或KissFFT等库在STM32、ESP32等主流MCU上完成FFT变换，输出正确的频谱图。第二层次是原理理解层：深入理解FFT的数学本质、频谱泄漏的成因、窗函数的补偿作用以及频率分辨率与采样点数、采样率之间的关系。学员应能解释为什么同样一段振动数据，使用矩形窗和汉宁窗会得到不同的频谱形态，并能够根据旋转机械的转速特征选择合适的分析参数。第三层次是系统设计层：能够独立设计一个完整的TinyML振动异常检测系统，包括传感器选型、信号调理电路设计、嵌入式特征提取、轻量级模型训练与量化部署，以及异常报警策略的制定。
1.2 适用人群：谁应该学习这门课程？
本课程面向三类核心人群，同时也欢迎对边缘计算感兴趣的跨界学习者。第一类：嵌入式系统工程师——你已经熟悉MCU开发，但希望拓展信号处理和机器学习技能，为产品增加智能振动监测功能。你将在课程中学会如何高效地在资源受限的硬件上运行FFT和轻量级推理。第二类：工业物联网开发者——你负责搭建预测性维护系统，需要从传感器数据中提取有价值的故障特征。本课程将帮助你理解振动信号的频域本质，避免“盲目采集数据、堆砌模型”的常见陷阱。第三类：算法工程师——你精通机器学习，但对嵌入式部署和硬件约束缺乏直观认识。通过本课程，你将理解模型量化、内存占用、计算延迟等实际工程约束，从而设计出真正可落地的TinyML模型。
对于初学者，建议具备以下基础：能够阅读简单的C语言程序，了解基本的单片机外设（如ADC、GPIO、定时器），对傅里叶变换有初步的感性认识（不要求推导公式）。课程中会安排必要的数学原理回顾，但始终以工程应用为导向，避免陷入纯理论推导的泥潭。
1.3 课程整体框架：四大模块、三十章递进式学习
课程内容按照“基础→算法→模型→系统”的逻辑组织为四大模块，共30章。每个章节都包含理论讲解、代码示例、实验任务和常见问题分析，确保学员能够“学一章、练一章、通一章”。
| 模块 | 章节范围 | 核心内容 | 实践项目 |
|---|---|---|---|
| 模块一：信号与硬件基础 | 第1-7章 | 振动传感器原理、信号调理、ADC采样、时域特征、MCU选型 | 搭建基于STM32的振动数据采集系统，实现波形实时显示 |
| 模块二：FFT频谱分析 | 第8-15章 | DFT/FFT数学原理、窗函数、频谱泄漏、功率谱、FFT库移植 | 实现512点FFT，对比不同窗函数对频谱的影响 |
| 模块三：特征工程与TinyML模型 | 第16-24章 | 频域特征提取、边缘计算、轻量级神经网络、模型量化 | 训练一个轴承故障分类模型，并量化部署到MCU |
| 模块四：系统集成与实战 | 第25-30章 | 低功耗设计、实时性优化、无线传输、完整案例复盘 | 完成一个电池供电的无线振动监测节点 |
1.4 学习路径建议：如何高效使用本课程
为了最大化学习效果，我们建议采用“三遍学习法”。第一遍是快速浏览：通读全部章节的标题、图表和代码框架，建立整体知识图谱，不需要理解每个细节。第二遍是重点攻克：按照模块顺序，每周完成2-3章的学习，每章必须动手完成实验任务。遇到不理解的概念，先标记下来，继续向后学习，往往在后续章节中会得到解答。第三遍是项目复盘：完成第30章的综合项目后，回头重新审视前期的知识点，你会发现许多当时困惑的问题已经融会贯通。
在学习过程中，强烈建议你准备一个实验笔记本，记录每次实验的参数设置、波形截图和异常现象。振动分析是一门实验科学，很多经验无法从书本直接获得，必须通过亲手调试才能掌握。例如，你会发现传感器安装的松紧程度会显著影响高频成分的幅值，采样率设置不当会导致频谱混叠，FFT点数选择过小则无法区分相邻的故障特征频率——这些“手感”只能通过实践积累。
1.5 常见误区与学习心态建设
在长期的教学实践中，我们发现学员在学习TinyML振动检测时容易陷入几个误区。误区一：重模型轻数据——许多学员急于训练神经网络，却忽视了振动数据采集的质量。实际上，对于工业异常检测，一个经过良好滤波和特征工程的简单阈值模型，往往比一个输入原始波形的复杂神经网络更可靠、更易解释。误区二：盲目追求高精度——在嵌入式环境中，模型精度与计算量、内存占用是矛盾的。一个在PC上达到99%准确率的模型，经过8bit量化后可能降至95%，但内存占用减少4倍，推理速度提升3倍。学会在精度与资源之间做权衡，是TinyML工程师的核心能力。误区三：忽视频谱的物理意义——FFT输出的每一个频率分量都对应着机械部件的特定运动状态。如果只把频谱当作“特征向量”输入模型，而不理解其物理含义，当设备工况发生变化时，模型很容易失效。
最后，请保持耐心和好奇心。振动信号分析是一门需要“感觉”的技术——当你第一次从频谱中清晰地看到转频及其谐波时，那种成就感会激励你继续深入。本课程的目标不是培养“调包侠”，而是培养能够理解系统全貌、解决实际工程问题的TinyML工程师。每一章的内容都经过精心设计，确保你在完成课程后，能够自信地面对真实的工业振动监测需求。