📚 课程目录第3章 TinyML技术栈概览

3. TinyML技术栈概览

TinyML 预测性维护项目的落地，本质上是在“资源极度受限”的嵌入式环境中完成数据采集、信号处理、模型推理与结果上报的闭环。与云端 AI 不同，TinyML 技术栈的每一层选择都直接决定了项目的功耗、时延、成本与可维护性。本章将系统拆解微控制器（MCU）、传感器、边缘推理框架（TensorFlow Lite Micro 与 CMSIS-NN）以及开发板选型四个核心维度，帮助你在项目启动阶段建立清晰的技术选型地图。

3.1 微控制器：TinyML 的算力基座

核心原理：微控制器是 TinyML 推理的物理载体。预测性维护场景中，MCU 需要完成 FFT（快速傅里叶变换）、特征提取、神经网络推理等计算密集型任务。ARM Cortex-M 系列凭借其低功耗与 DSP 指令集成为主流选择。Cortex-M4 带有单精度 FPU 和 DSP 指令，Cortex-M7 具备双发射流水线和更高主频，而 Cortex-M33 在安全性与 TrustZone 支持上更优。

判断方法：选型时需评估三个核心指标：算力（以 CoreMark 或 DMIPS 衡量）、内存（RAM 决定模型中间激活值能否放下）、存储（Flash 存放模型权重与代码）。对于 1D CNN 或小型 LSTM 模型，建议 RAM ≥ 128KB，Flash ≥ 512KB。若使用 CMSIS-NN 加速，需确认 MCU 支持 SIMD（单指令多数据）指令。

MCU 型号	内核	主频	RAM	Flash	适用场景
STM32F746	Cortex-M7	216 MHz	320 KB	1 MB	多通道振动分析
nRF52840	Cortex-M4F	64 MHz	256 KB	1 MB	低功耗无线传感
ESP32-S3	Cortex-M4F	240 MHz	512 KB	8 MB (PSRAM)	边缘+Wi-Fi 上报
RP2040	Cortex-M0+	133 MHz	264 KB	2 MB (外部)	入门学习/原型验证

常见误区：只关注主频而忽略 RAM 带宽。Cortex-M7 虽然主频高，但若 RAM 为单 bank 且无缓存，频繁的随机访问会严重拖慢推理速度。建议优先选择带 I-Cache 和 D-Cache 的型号，并将模型权重放在 AXI SRAM 中。

3.2 传感器：数据质量决定模型上限

核心原理：预测性维护的传感器选型需匹配故障的物理特征。旋转机械故障（轴承磨损、不平衡）通常表现为 1kHz~10kHz 的振动信号，需选用高带宽加速度计；电机电流异常则需电流互感器配合高采样率 ADC。传感器输出接口（I2C/SPI/模拟）直接影响 MCU 的引脚分配与 DMA 配置。

操作流程：传感器选型五步法：① 确定故障特征频率范围 → ② 计算所需采样率（至少为最高频率的 2.56 倍）→ ③ 评估量程与灵敏度（避免削波或信噪比不足）→ ④ 确认接口与功耗预算 → ⑤ 验证与 MCU 的时序兼容性。

  案例拆解：某工厂对离心泵进行轴承故障预测。初始选用 ADXL345（±16g，带宽 3.2kHz），但实际轴承外圈故障特征频率为 4.5kHz，导致频谱混叠。更换为 ADXL1002（±50g，带宽 11kHz）后，采样率提升至 25.6kHz，成功捕捉到故障边带。代价是功耗从 40µA 升至 1mA，但通过间歇采样（每 10 秒采 1 秒）将平均功耗控制在 150µA 以内。

3.3 边缘推理框架：TensorFlow Lite Micro 与 CMSIS-NN

核心原理：TensorFlow Lite Micro（TFLM）是 Google 推出的微控制器推理引擎，支持 INT8 量化模型，解释器占用约 16KB RAM。CMSIS-NN 是 ARM 提供的 Cortex-M 内核优化库，通过汇编级指令（如 SMLAD、SMLALD）将卷积运算速度提升 4~6 倍。两者并非互斥：TFLM 可调用 CMSIS-NN 作为算子内核后端。

判断方法：当模型包含标准 CNN/RNN 层时，优先使用 TFLM 的完整算子支持；当模型结构简单（如全连接+少量卷积）且对时延敏感时，可直接调用 CMSIS-NN 手写推理逻辑。需注意 TFLM 的算子内核默认未启用 CMSIS-NN，需在编译时通过 OPTIMIZED_KERNEL_DIR=cmsis_nn 开启。

# 启用 CMSIS-NN 加速的编译示例
make -f tensorflow/lite/micro/tools/make/Makefile \
  TARGET=stm32f4 \
  OPTIMIZED_KERNEL_DIR=cmsis_nn \
  BUILD_TYPE=release \
  generate_hello_world_project

对比维度	TensorFlow Lite Micro	CMSIS-NN
抽象层级	框架级（解释器+算子）	算子级（函数库）
模型支持	支持 TFLite 量化模型	需手动实现网络结构
内存占用	基础 16KB + 算子	仅算子代码（约 8KB）
性能	通用优化	针对 Cortex-M 深度优化
适用场景	快速部署、模型迭代频繁	极致性能、固定模型

经验提醒：在 STM32F746 上运行 1D CNN（3 层卷积+2 层全连接，INT8 量化），纯 TFLM 推理耗时 45ms，启用 CMSIS-NN 后降至 12ms。但需注意 CMSIS-NN 对输入张量要求 4 字节对齐，且部分算子（如 LSTM）不支持，需混合编程。

3.4 开发板选型：从原型到量产

核心原理：开发板选型需平衡三方面：硬件资源（MCU 性能、传感器集成度）、软件生态（BSP 驱动、TFLM 移植难度）、扩展能力（外部 Flash、无线模块接口）。对于预测性维护项目，优先选择板载 IMU（惯性测量单元）或预留 SPI 接口的开发板，减少外部布线干扰。

操作流程：开发板选型评估清单：① 是否支持 TFLM 官方移植（查 tensorflow/lite/micro/examples）→ ② 是否具备调试接口（SWD/JTAG）→ ③ 是否有足够的 GPIO 与 DMA 通道 → ④ 功耗模式是否满足电池供电需求 → ⑤ 社区资料与示例代码丰富度。

  实战场景：某团队需在 3 个月内交付电机振动监测原型。选择 Arduino Nano 33 BLE Sense（Cortex-M4F，板载 LSM9DS1 IMU），利用官方 TFLM 示例快速跑通数据采集→FFT→CNN 推理流程。但后期发现 64MHz 主频无法满足 20kHz 采样下的实时推理（需 8ms 内完成），遂迁移至 STM32F746G-Discovery，主频提升至 216MHz，并利用其 LCD 接口实时显示频谱。迁移成本约 2 人天，主要工作量在驱动适配与内存重分配。

风险提示：避免选择“过于新颖”的开发板。某些新发布的 MCU 虽然性能强劲，但 TFLM 算子支持不完整或 CMSIS-NN 未适配，导致模型无法部署。建议优先选择 ARM 官方 CMSIS 版本已支持的芯片，并确认 TFLM 的 supported_ops.md 列表。

3.5 技术栈整合与复盘

核心原理：完整的技术栈需打通“传感器→数据预处理→特征提取→模型推理→结果输出”链路。数据预处理（去直流、加窗）通常在 MCU 上以 C 语言实现，特征提取（RMS、峰值因子、FFT 频谱）可复用 CMSIS-DSP 库。模型推理输出需通过 UART/蓝牙/Wi-Fi 上报至网关或云端。

总结复盘：本章技术栈选型的关键决策点可归纳为：先定传感器，再定 MCU，最后选框架。传感器决定信号质量与采样率，MCU 决定算力与内存上限，框架决定开发效率与性能天花板。实际项目中，建议先使用高配开发板（如 STM32F746）验证算法可行性，再根据资源占用裁剪至低成本 MCU（如 STM32G0 系列）以降低量产成本。

选型步骤	关键问题	推荐工具/方法
1. 传感器	故障特征频率？量程？	频谱分析仪、数据手册
2. MCU	RAM/Flash 是否满足？	模型内存估算工具
3. 框架	算子是否支持？	TFLM 算子列表
4. 开发板	调试便利性？	官方评估板 + 逻辑分析仪

经验总结：在项目初期，务必使用版本管理工具锁定 TFLM 与 CMSIS-NN 的版本。这两个库更新频繁，不同版本间的 API 差异可能导致移植代码失效。建议在 CI 中固化编译环境，并记录每次模型转换的量化参数（scale/zero_point），便于复现与排障。