把AI放进传感节点：MCU振动异常检测的硬件与算法落地思路

为什么振动监测适合做端侧AI

电机、风机、泵、压缩机和传动机构在运行时都会产生稳定的振动特征。轴承磨损、偏心、松动、碰擦、缺润滑等问题发生后，振动波形通常不会立刻变成“故障报警”那么明显，而是先在幅值、峭度、频带能量或包络特征上出现细微变化。

传统做法是把传感器数据上传到网关或云端，再由上位系统做趋势分析。这种方式适合集中管理，但在现场会遇到三个现实问题：第一，原始振动数据量大，持续上传会占用通信带宽；第二，异常往往出现在毫秒到秒级窗口，云端链路不一定能保证响应；第三，很多产线设备不希望把高频运行数据长期外发。

端侧AI并不是把大模型塞进小芯片，而是让传感节点先完成“是否值得上报”的判断。MCU负责采样、预处理、特征提取和轻量推理，只把异常事件、特征摘要和少量原始片段上传。这样既降低了链路压力，也让维护系统获得更接近设备现场的第一手判断。

一个节点的硬件架构

振动节点可以按“传感器 + 信号链 + MCU + 通信 + 电源”来拆解。

传感器部分常见有两类选择。MEMS三轴加速度计成本低、体积小、容易通过SPI或I2C接入，适合中低频振动、趋势监测和批量布点；压电式或IEPE传感器频响更宽、动态范围更高，更适合高速旋转设备和严肃的预测性维护。工程上不必一开始就追求最高规格，关键是让被监测对象的主要故障频段落在传感器可用带宽内，并留出足够的安装一致性。

信号链决定了数据质量。对于数字MEMS，重点是采样率、量程、噪声密度、FIFO深度和时间戳同步；对于模拟传感器，则要处理偏置、抗混叠滤波、ADC分辨率和输入保护。很多误报并不是算法不行，而是机械安装、接地、走线、供电纹波或采样抖动把噪声带进了特征空间。

MCU侧需要关注三项指标：算力、内存和外设。算力不只看主频，还要看是否有DSP指令、FPU、矩阵加速或NPU；内存要能容纳采样窗口、特征缓存和量化模型；外设则需要覆盖SPI/I2C、ADC、DMA、定时器、RS485/CAN/以太网或低功耗无线通信。对于很多振动节点，稳定的DMA采样链路比峰值AI算力更重要。

通信层建议采用“事件优先”的策略。正常状态只上传健康评分、RMS、主频能量等摘要；出现异常时再上传窗口波形、频谱片段和模型置信度。这样网关侧可以保存证据，现场维护人员也能追溯报警原因。

从波形到结论：算法链路怎么做

端侧AI的前提是先把信号处理做扎实。一个可落地的流程通常包括以下几个步骤：

固定采样窗口，例如256点、512点或1024点，窗口长度根据转速和关注频段决定。

去直流、限幅、窗口函数和必要的带通滤波，减少安装姿态和低频漂移影响。

计算时域特征，例如均方根值、峰峰值、峭度、波形因子和冲击因子。

计算频域或包络特征，例如主频能量、倍频能量、宽带噪声能量和特定频带能量占比。

将特征输入轻量模型，或把预处理后的短窗口直接输入一维CNN、TCN、AutoEncoder等小模型。

将模型输出与工程阈值组合，形成“正常、关注、告警、停机建议”等分级结果。

图2：振动数据从采样到推理的端侧处理链路

这里有一个容易被忽略的取舍：模型越“聪明”，越依赖训练数据覆盖完整工况；规则越简单，越容易解释但对复杂工况适应性差。现场比较稳妥的做法是“特征阈值 + 轻量模型”并行。阈值用于兜底和解释，模型用于识别多特征组合后的异常趋势。

在MCU上部署时，模型通常会做INT8量化。量化后不仅能降低Flash和RAM占用，也能提升推理速度。但量化不是简单导出文件，最好把归一化参数、特征缩放范围和异常阈值一起固化成版本化配置。否则现场更新模型后，旧阈值和新特征分布不匹配，报警稳定性会明显下降。

下面是一段简化的窗口推理逻辑，展示端侧软件的基本结构：

while (node_is_running()) {
if (sample_window_ready()) {
read_samples_by_dma(buffer);
preprocess(buffer, feature_vector);
score = tiny_model_infer(feature_vector);
level = fuse_rule_and_score(feature_vector, score);
update_health_index(level, score);

if (level >= ALARM_LEVEL_ATTENTION) {  
        save_waveform_snapshot(buffer);  
        report_event(level, score, feature_vector);  
    }  
}

}

真正落地时，还要给每次推理带上时间戳、转速或负载状态。没有工况上下文的振动数据很容易被误读：同一台电机在空载、半载和满载下的频谱差异，可能比轻微故障造成的变化还大。

低功耗不是简单休眠

很多工业传感节点并不是一直有稳定电源，电池、能量采集或两线制供电都可能限制功耗。低功耗设计不能只看MCU休眠电流，而要看完整工作周期。

比较实用的策略是分层唤醒：传感器保持低功耗监测，FIFO或中断负责捕捉超过门限的振动片段；MCU被唤醒后进入高频采样和推理；如果结果正常，则只更新健康计数并回到休眠；如果结果异常，再打开通信模块上报数据。这样可以避免通信模块和高性能内核长期在线。

图3：低功耗振动节点的工作周期示意图

低功耗还会影响算法。采样窗口越短，功耗越低，但低频故障特征可能不完整；采样间隔越长，平均电流越低，但可能错过瞬态冲击。因此节点需要根据设备类型定义不同策略：连续旋转设备适合周期性采样和趋势评分，冲击型设备则更适合中断触发和短时高采样率捕获。

工程调试的五个关键点

第一，先做空载和正常负载的基线采集。没有健康样本，异常模型很难判断“偏离了什么”。

第二，机械安装要可重复。传感器固定方式、螺丝预紧力、胶粘厚度和安装方向都会影响振动传递。算法调得再好，也抵不过节点每次安装姿态都不同。

第三，保留原始波形快照。只上传一个报警结果无法复盘，至少要保存报警前后的短窗口数据，便于后续迭代阈值和模型。

第四，把误报当成系统问题处理。误报可能来自算法，也可能来自电源干扰、通信重试、设备启停瞬态、温度漂移或操作工况变化。调试时应同时查看电源纹波、采样时间戳、环境温度和设备状态。

第五，模型版本要可追踪。端侧节点上线后，模型、阈值、特征归一化参数和固件版本应一起记录。维护系统看到报警时，必须知道当时是哪一套算法在做判断。

选型和设计检查清单

传感器带宽是否覆盖目标故障频段，量程是否留有冲击裕量。

采样率是否满足目标频带分析，抗混叠设计是否完整。

MCU RAM是否能同时放下采样缓存、特征缓存、通信缓存和模型工作区。

推理时间是否小于采样周期，异常情况下是否会阻塞数据采集。

正常、关注、告警三类事件的数据上报策略是否分级。

供电、接地、ESD和浪涌保护是否按工业现场条件设计。

是否有本地日志、远程升级、模型回滚和参数校准机制。

结语

MCU端侧AI振动监测的核心价值，不在于让节点取代云端平台，而是让现场数据先经过一次低成本、低延迟、可解释的筛选。一个设计良好的节点应当先保证信号链可靠，再谈模型精度；先让告警可复盘，再谈自动诊断；先在单一设备上跑稳定，再扩展到整条产线。

当传感器、MCU、算法和通信策略形成闭环后，工业设备维护就不再只是“坏了再修”，而是可以逐步走向按状态维护和预测性维护。对于电子工程师来说，这类节点的挑战也正好落在硬件、嵌入式软件和算法交叉的位置，是端侧AI最值得动手验证的方向之一。

百度蜘蛛池出租平台 - 网页抓取与快速收录爬虫蜘蛛池：sqjgfc.cn

审核编辑 黄宇