1. 项目概述当热泵遇上TinyML如果你家里或者公司里有一台热泵可能偶尔会听到它发出一些不寻常的噪音或者感觉制热/制冷效率不如从前了。很多时候这些小问题会被忽略直到某天彻底罢工带来一笔不菲的维修费用和一段没有暖气的尴尬日子。传统的解决方案要么是定期人工巡检成本高、不及时要么是安装一套复杂的工业级在线监测系统价格昂贵、部署复杂。但现在情况不同了。这个项目要做的就是利用TinyML这项“小身材有大能量”的技术为热泵打造一个低成本、高精度的异常检测“听诊器”。核心思路很简单热泵在正常运行和不同故障状态下其振动和声音信号的特征是不同的。我们通过一个便宜的麦克风或振动传感器采集这些信号用一个超低功耗的微控制器比如 Arduino Nano 33 BLE Sense运行一个轻量化的机器学习模型实时判断热泵是否“健康”。一旦发现异常立即通过无线模块如蓝牙向你的手机发送警报。这不仅仅是又一个“智能家居”玩具。它瞄准的是工业预测性维护PdM的核心理念但将其门槛拉低到了个人开发者、小型工厂甚至家庭用户都能轻松实现的程度。你不需要云端服务器持续分析数据所有计算都在设备端Edge完成保护了数据隐私也避免了网络延迟。项目里用到的Edge Impulse平台更是将机器学习模型开发的复杂流程图形化、傻瓜化让你即使没有AI博士学历也能亲手训练出一个能用的模型。简单来说我们是要用一块指甲盖大小的电路板和几行代码去解决一个实际的工程问题。接下来我会带你从零开始完整走一遍这个项目的设计、实现和部署过程分享我踩过的坑和总结的技巧。2. 核心思路与方案选型2.1 为什么是TinyML而不是云端AI在开始动手之前我们先要理清技术路线的选择逻辑。为什么不用一个摄像头拍视频或者用更强大的传感器把数据传到云端让GPU集群去分析呢首先是成本与功耗。热泵可能安装在车库、屋顶或室外不一定有稳定的电源和网络。一个需要持续连接Wi-Fi并上传音频流的设备其功耗和硬件成本需要较强的处理器和网络模块会急剧上升。而TinyML设备像 Arduino Nano 33 BLE Sense在运行轻量模型时平均电流可以低至几个毫安用一块小电池就能工作数月。其次是实时性与可靠性。异常检测尤其是机械故障的早期预警对实时性要求很高。如果数据需要绕道云端再返回结果延迟可能达到秒级错过了最佳预警时机。本地计算意味着毫秒级的响应速度。同时网络连接本身也可能成为故障点本地计算消除了这个依赖。再者是数据隐私与带宽。持续采集并上传设备运行音频涉及隐私和安全问题。本地处理只需上传一个简单的“正常”或“异常”状态标签极大减少了数据暴露风险和对带宽的占用。最后是可行性。热泵的异常声音或振动模式通常是短时、特定的频谱特征比如某个频率的振幅突然增高。这类特征提取和分类任务非常适合用经过优化的、参数量极少的神经网络如深度可分离卷积网络在资源受限的MCU上运行。注意TinyML不是万能的。它适合处理传感器时序信号音频、振动、加速度等的分类或回归问题。如果你的应用需要处理高分辨率图像、自然语言理解或非常复杂的模式那么边缘设备可能仍然需要将原始数据发送到更强大的边缘网关或云端。2.2 硬件选型传感器与主控的权衡硬件是项目的骨架。我们的目标是在满足检测精度的前提下尽可能选择便宜、易得、低功耗的组件。1. 主控板Arduino Nano 33 BLE Sense这是我的首选也是这个项目的“明星”硬件。为什么选它它集成了我们需要的一切一颗强大的ARM Cortex-M4F处理器64MHz足以流畅运行TinyML模型内置了高精度数字麦克风MP34DT05省去了外接传感器的麻烦自带蓝牙5.0方便无线通信和调试更重要的是它被 Edge Impulse 官方完美支持有现成的数据采集固件和部署工具链。备选方案如果预算更紧可以考虑ESP32系列如ESP-EYE也带麦克风。ESP32的运算能力稍弱但胜在自带Wi-Fi且社区支持庞大。不过在TinyML的生态和优化程度上Arduino Nano 33 BLE Sense 与 Edge Impulse 的集成度目前略胜一筹。2. 传感器内置麦克风 vs. 外置振动传感器内置麦克风优点是集成度高、无需焊接、对非接触式安装友好只需靠近热泵放置。它能捕捉包含丰富信息的空气传播声音。缺点是容易受到环境噪音干扰比如人声、其他设备运行声。外置振动传感器如IEPE加速度传感器优点是直接接触设备壳体采集的振动信号信噪比高更能反映机械内部状态如轴承磨损、不平衡。缺点是需要安装固定通常需要额外的信号调理电路电荷放大器增加了复杂度。我的选择与建议对于入门和大多数场景优先使用内置麦克风。它的简便性让我们能快速验证整个流程。在实际部署时如果环境噪音确实是个问题可以考虑将设备安装在热泵的隔音箱内或者尝试使用外置的MEMS麦克风模块如INMP441其性能通常比板载麦克风更好且可以通过I2S接口连接。振动传感器方案可以作为进阶优化项。3. 电源与外围电源如果热泵附近有USB接口如智能插座可以直接供电。如果需要电池供电推荐使用一块3.7V的锂聚合物电池如500mAh配合一个简单的低压差稳压器LDO或充放电管理模块。指示灯至少需要一个LED板载即可用于指示设备状态如开机、采样中、异常报警。2.3 软件与平台为什么是Edge Impulse自己从零开始写代码收集数据、训练模型、然后手工优化并部署到MCU是一个极其漫长且容易失败的过程。Edge Impulse 的出现彻底改变了游戏规则。它是一个在线的端到端机器学习开发平台专门为嵌入式设备和TinyML设计。它的核心价值在于零代码数据采集与标注通过上传固件到你的开发板你可以用手机或电脑直接遥控板子采集数据并在网页上轻松为每一段数据打上标签如“正常”、“轴承异响”、“风扇摩擦”。傻瓜化特征设计与模型训练平台提供了针对音频、振动等时序信号的预置处理模块如MFCC特征提取你只需要拖拽和配置参数。训练模型时它自动进行数据增强、分割训练集/测试集并提供多种轻量级神经网络架构选择。一键部署与性能分析训练完成后可以直接生成一个包含完整推理库和模型的Arduino库文件导入IDE即可使用。平台还会详细分析模型在MCU上的内存占用、推理时间并提供一个“实时分类”页面让你用实际设备即时测试模型效果。强大的社区与案例有大量类似项目如工业设备异常检测的公开项目可以参考避免了重复造轮子。简而言之Edge Impulse 把AI应用开发的“脏活累活”都包了让我们能专注于定义问题和准备数据这两个最关键的环节。3. 数据采集项目的成败关键机器学习界有句名言“垃圾进垃圾出。”对于TinyML项目数据质量直接决定了模型的上限。采集热泵声音数据听起来简单实则暗藏玄机。3.1 采集策略与场景模拟你不能只采集热泵正常工作的声音。模型需要学习区分“正常”和“各种异常”。因此你需要有计划地采集多类数据。1. 定义你的分类类别至少需要两类“正常”Normal和“异常”Anomaly。为了让模型更强大最好能将“异常”细分Bearing_Fault模拟轴承损坏的尖锐、周期性摩擦声。可以用一个小电机故意让它的轴承缺油运行来录制声音或者在网上找类似音效。Fan_Rub模拟风扇叶片刮擦外壳的“嗒嗒”声。可以用手轻轻拨动一个塑料风扇叶片去刮擦边缘来模拟。Loose_Component模拟部件松动的“嗡嗡”或“咔哒”声。敲击一个松动的金属片即可。背景噪音单独采集一段只有环境噪音无人声、无热泵运行的音频这有助于模型学习忽略无关噪声。2. 采集设备设置采样率对于机器声音通常8kHz到16kHz的采样率就足够了人耳可听范围约20Hz-20kHz。过高的采样率只会增加数据量和计算负担。在Edge Impulse中通常设置为16kHz。样本长度每个样本即一次分类所依据的音频片段多长太短可能信息不足太长则推理延迟高。对于周期性机械声1到2秒通常是个好的起点。在Edge Impulse采集时可以设置每次录制2秒。增益确保音频信号强度适中既不过载波形削顶也不过于微弱。在Edge Impulse的采集界面可以实时看到音频波形调整麦克风增益或设备位置让波形幅度达到满幅度的70%-80%为佳。3. 实操采集步骤使用Edge Impulse在Edge Impulse官网创建新项目。进入“Devices”页面连接你的 Arduino Nano 33 BLE Sense。平台会提供一段固件代码用Arduino IDE烧录到板子中。进入“Data acquisition”页面。这里你可以控制板子开始/停止采样。采集“正常”声音启动热泵让它稳定运行。将开发板用胶带或磁吸方式固定在热泵外壳上注意避开高温和运动部件。在Edge Impulse界面设置标签为“normal”样本长度2000ms然后开始采集。建议在不同功率档位低、中、高下各采集50-100个样本总计150-300个样本。采集“异常”声音这是难点因为你可能没有一台真正的故障热泵。可以采用以下方法软件模拟在电脑上使用音频编辑软件如Audacity对“正常”音频进行加工添加特定频率的谐波、噪声或脉冲模拟故障特征。但这种方法生成的信号可能和真实物理故障有差距。物理模拟如前所述用小电机、风扇等部件模拟特定故障声音进行录制。这是更可靠的方法。公开数据集寻找工业设备声音异常检测的公开数据集看是否有兼容的样本。但需要注意设备类型和声音特征的差异。合作获取如果可能联系维修公司或工厂看能否在维修现场录制真实故障声音。对于每一类异常也建议采集50-100个样本。采集背景噪音在热泵关闭时采集一段环境噪音标签设为“noise”。实操心得数据采集是最耗时但也最重要的环节。不要吝啬时间。确保每个类别下的样本有足够的多样性例如正常声音应包含启动、平稳运行、负载变化等不同状态。采集时可以轻微移动麦克风位置模拟实际安装的微小差异这能增强模型的鲁棒性。3.2 数据标注与增强在Edge Impulse中你采集的每一段数据都会自动成为一个带标签的数据样本。平台还提供了强大的数据增强功能这对于小数据集尤为重要。自动训练/测试集分割Edge Impulse会自动将你的数据按比例如80/20分割为训练集和测试集确保公平评估。数据增强在“Impulse design”环节你可以为音频数据添加增强选项如添加随机噪声、轻微的时间拉伸或音高变化。这能有效增加数据的多样性防止模型过拟合到有限的采集样本上。异常检测NN Anomaly Detection如果你的异常样本极少或难以获取可以考虑使用“异常检测”模型而不是多分类模型。这种模型只学习“正常”数据的模式任何偏离该模式的情况都会被标记为异常。这在故障样本稀缺的场景下非常有用但可能无法区分异常的具体类型。4. 模型训练与优化在边缘设备上“瘦身”数据准备好了接下来就是设计并训练一个能在MCU上跑得动的轻量模型。4.1 脉冲设计从原始数据到特征在Edge Impulse中一个完整的处理流水线被称为“Impulse”脉冲。我们的设计通常包括以下模块处理模块Audio (MFCC)。这是关键一步。原始音频波形时域信号数据量大且特征不明显。梅尔频率倒谱系数MFCC是一种广泛用于语音和声音识别的特征提取方法它能模拟人耳听觉特性将音频转换为一个紧凑的、包含频谱形状信息的系数矩阵。我们需要配置参数窗口大小通常与傅里叶变换的窗口一致例如0.025秒25ms。步长窗口移动的间隔例如0.01秒10ms。步长小于窗口大小意味着有重叠能捕捉更连续的特征。MFCC系数个数例如13个。这决定了输出特征向量的维度。系数越多信息越丰富但计算量也越大。滤波器数量例如32个。更多的滤波器能提供更精细的频率分析。 点击“Save parameters”后平台会为所有数据样本提取MFCC特征并生成一个特征可视化图你可以看到不同类别的样本在特征空间里是否可区分。学习模块Neural Network (Keras)。这里我们选择神经网络分类器。网络架构对于音频分类一个经典的轻量级架构是输入层MFCC特征 - 1D卷积层用于提取局部特征- 池化层降维- 扁平层 - 全连接层 - 输出层Softmax。Edge Impulse 提供了“Transfer Learning (Keyword Spotting)”预设它基于一个预训练的关键词识别模型非常适合音频分类任务通常能取得比从头训练更好的效果尤其是数据量不大时。训练参数设置训练轮数如30轮、学习率如0.0005。平台会自动划分一部分训练数据作为验证集监控模型是否过拟合。4.2 训练、验证与性能解读点击“Start training”等待几分钟到几十分钟取决于数据量。完成后你会看到几个关键指标准确率模型在测试集从未参与训练的数据上的分类准确率。目标是95%以上。如果低于90%可能需要检查数据质量或调整模型。混淆矩阵这个表格非常重要。它显示了模型在每个类别上的具体表现。理想情况是主对角线正确分类的数字很高其他格子很低。如果发现某个异常类别总是被误判为“正常”说明这个异常的特征没有被模型学到需要补充该类别的数据。模型概览这里会显示模型在设备上的预估性能RAM消耗、Flash占用和推理时间。这是TinyML的核心约束Arduino Nano 33 BLE Sense的典型资源RAM约256KBFlash约1MB。我们的模型必须远小于这个值。目标推理时间最好在200ms以内对应2秒音频的实时处理RAM占用最好在100KB以下Flash占用在200KB左右这样能为程序逻辑留下足够空间。如果模型太大或太慢你需要启动“瘦身”流程调整MFCC参数减少系数个数如从13减到10或滤波器数量。简化神经网络减少卷积层的滤波器数量或全连接层的神经元数量。使用量化在Edge Impulse的“Dashboard” - “Retrain model”中启用量化Quantization。这是最有效的一招它可以将模型权重和激活值从32位浮点数转换为8位整数。这通常能将模型大小减少75%推理速度提升2-3倍而精度损失往往很小1%。务必在量化后重新评估准确率。使用EON编译器Edge Impulse的EON编译器能进一步优化模型生成更高效的代码。在部署时可以选择。注意事项不要一味追求测试集上的高准确率而把模型做得非常复杂。一个在测试集上99%准确率但需要500ms推理时间的模型在实际部署中可能不如一个95%准确率但只需50ms的模型。必须在精度、速度和资源消耗之间找到平衡点。5. 部署与集成让模型在设备上跑起来模型训练满意后就可以把它变成设备上的实际功能了。5.1 固件部署在Edge Impulse项目的“Deployment”页面选择“Arduino library”格式然后点击“Build”下载一个ZIP文件。导入库在Arduino IDE中点击“项目” - “加载库” - “添加.ZIP库…”选择下载的文件。打开示例在“文件” - “示例” - 最下方“自定义库”里找到以你项目命名的示例通常叫[your_project_name]_inferencing。理解代码结构示例代码已经包含了模型初始化和运行推理的核心逻辑。你需要关注的主要是setup()函数中的EI_IMPULSE_ERROR错误处理。loop()函数中的音频缓冲区填充和run_classifier()函数调用。分类结果 (result.classification[ix].value) 的读取和判断。烧录与测试将代码烧录到设备。打开串口监视器波特率115200你应该能看到设备启动信息然后每隔一段时间对应你的样本长度输出一次分类结果和置信度。此时你可以对着麦克风发出不同的声音观察分类是否准确。5.2 编写应用逻辑示例代码只完成了推理我们需要添加业务逻辑使其成为一个完整的异常检测系统。// 伪代码/关键逻辑示例 #include your_model_library.h // Edge Impulse生成的库 // 定义分类标签索引根据你训练时的顺序 #define LABEL_NORMAL 0 #define LABEL_BEARING_FAULT 1 #define LABEL_FAN_RUB 2 #define LABEL_NOISE 3 // 设置置信度阈值 const float CONFIDENCE_THRESHOLD 0.7; // 只有置信度超过70%才认为有效 const int ANOMALY_WINDOW 5; // 连续5次检测到异常才报警防误触 int anomalyCounter 0; bool alarmTriggered false; void loop() { // 1. 填充音频缓冲区 (代码由Edge Impulse示例提供) // ... // 2. 运行分类器 signal_t signal; // ... 将音频数据包装成signal ei_impulse_result_t result {0}; EI_IMPULSE_ERROR err run_classifier(signal, result, false); if (err ! EI_IMPULSE_OK) { Serial.printf(ERR: Failed to run classifier (%d)\n, err); return; } // 3. 处理结果 int maxIndex 0; float maxValue result.classification[0].value; for (int i 1; i EI_CLASSIFIER_LABEL_COUNT; i) { if (result.classification[i].value maxValue) { maxValue result.classification[i].value; maxIndex i; } } // 4. 逻辑判断 if (maxValue CONFIDENCE_THRESHOLD) { if (maxIndex ! LABEL_NORMAL maxIndex ! LABEL_NOISE) { // 检测到异常类别 anomalyCounter; Serial.printf(Anomaly detected: %s (confidence: %.2f), counter: %d\n, result.classification[maxIndex].label, maxValue, anomalyCounter); if (anomalyCounter ANOMALY_WINDOW !alarmTriggered) { triggerAlarm(maxIndex); // 触发报警函数 alarmTriggered true; } } else { // 检测到正常或噪音重置计数器 anomalyCounter 0; if (alarmTriggered) { Serial.println(Anomaly cleared. Alarm reset.); alarmTriggered false; } } } else { // 置信度太低忽略此次结果 anomalyCounter max(0, anomalyCounter - 1); // 缓慢递减计数器 } // 5. 添加蓝牙报警功能 (以ArduinoBLE库为例) if (alarmTriggered) { // 通过BLE特征值通知连接的手机App // BLECharacteristic anomalyChar; // anomalyChar.setValue(anomalyTypeCode); // ... } } void triggerAlarm(int anomalyType) { Serial.println(!!! ALARM !!! Persistent anomaly confirmed!); // 1. 板载LED快速闪烁 // 2. 通过BLE发送警报 // 3. 如果可以记录时间戳和异常类型到Flash中 }关键逻辑解析置信度阈值防止模型在“不确定”时乱报。需要根据测试结果调整这个阈值。滑动窗口计数器这是防止单次误报的关键。要求连续多次检测到异常才触发报警大大提升了系统的稳定性。状态管理使用alarmTriggered标志位避免警报重复触发。蓝牙通信你需要集成ArduinoBLE库定义服务和特征值以便与手机App如 Nordic nRF Connect或网关通信。5.3 功耗优化实战对于电池供电的设备功耗就是生命线。降低采样率在满足检测需求的前提下使用最低的采样率如8kHz。间歇性工作热泵异常不是瞬间发生的。可以让设备大部分时间处于深度睡眠模式每隔10-30秒唤醒一次采集2秒数据进行分析然后继续睡眠。这能极大降低平均功耗。// 使用Arduino LowPower库 #include ArduinoLowPower void loop() { // 采集并分析数据... // ... 业务逻辑 ... Serial.println(Entering deep sleep for 30 seconds...); LowPower.deepSleep(30000); // 睡眠30秒 // 唤醒后程序会从loop()开头重新执行 }关闭调试输出在最终部署版本中移除所有Serial.print语句它们非常耗电。优化外设在睡眠前确保关闭所有不必要的外设ADC、I2C等。测量验证使用万用表或专门的功耗分析仪测量设备在不同模式运行、睡眠下的电流计算理论续航时间。6. 常见问题、调试与进阶思考6.1 模型在实际中不准了——域适应与持续学习这是最常遇到的问题在实验室里准确率95%的模型装到真实热泵上却频频误报或漏报。原因分析环境噪音差异实验室环境相对安静而实际安装位置可能有其他设备干扰、风声等。设备个体差异你训练用的热泵声音和目标热泵的声音存在固有差异。安装位置影响麦克风粘贴的位置、松紧程度都会改变拾取到的声音频谱。解决方案数据采集阶段就考虑多样性在多个位置、多种环境背景下采集“正常”数据。在线学习/微调进阶这是更彻底的解决方案。设计一个机制当设备安装好后在最初的一周“学习期”人工确认设备状态正常让设备将这些新环境下的“正常”数据收集起来定期上传到Edge Impulse创建一个新版本的数据集重新训练并更新模型。Edge Impulse支持通过API进行数据上传和模型重建。集成传感器融合如果单一麦克风信号不稳定可以考虑增加一个振动传感器。两个传感器信号可以同时输入模型需要Edge Impulse企业版支持多模态输入或者分别判断再用逻辑“与/或”来综合决策提高可靠性。6.2 资源超限与优化检查表部署时遇到编译错误提示内存不足[ ]检查模型量化是否开启这是减少Flash和RAM占用的首要步骤。[ ]检查EON编译器是否启用在部署时选择“Optimized (EON Compiler)”版本。[ ]减少分类类别合并一些不常见的异常类型或者改用“正常/异常”二分类。[ ]缩短样本长度尝试将2秒样本缩短至1.5秒或1秒这会减少输入特征的数量。[ ]简化神经网络结构返回设计环节减少层数或神经元数量。[ ]检查Arduino代码移除不必要的全局变量、大型数组使用PROGMEM将常量数据存放到Flash而非RAM。6.3 从原型到产品还需要考虑什么把这个原型变成一个可靠的产品还有几步要走外壳与安装设计一个防水防尘的外壳3D打印或购买成品并考虑如何牢固、非侵入式地安装在热泵上磁铁、扎带、胶粘。电源管理如果电池供电需要设计低功耗电路和充电管理。也可以考虑从热泵控制板取电需注意电气隔离。通信可靠性蓝牙的传输距离有限通常10米。如果热泵安装在远处需要考虑使用蓝牙Mesh网络通过多个节点中继。换用Sub-GHz如LoRa模块进行远距离传输。使用带Wi-Fi的ESP32作为网关设备通过蓝牙将数据传给附近的ESP32网关再由网关通过Wi-Fi上传到云或通知用户。云端集成与可视化将报警信息通过网关发送到云平台如AWS IoT, ThingsBoard, Home Assistant实现历史记录查询、多设备管理和可视化仪表盘。6.4 扩展应用不止于热泵这个项目的框架具有通用性。只需更换训练数据同样的硬件和流程可以应用于洗衣机/烘干机异常检测不平衡、轴承异响。空调室外机故障预警。电脑服务器风扇故障预测。汽车引擎异响识别需考虑车载环境更复杂的噪音。我个人在实际操作中的体会是TinyML项目的核心挑战往往不在算法本身而在于如何获取高质量、有代表性的数据以及如何将实验室原型稳健地部署到复杂多变的真实环境中。从在Edge Impulse里看到第一个高准确率模型时的兴奋到把设备装上去发现各种误报时的沮丧再到通过调整阈值、增加滤波逻辑、优化安装位置最终让它稳定工作的成就感——这个过程充满了工程实践的乐趣。最后一个小技巧在最终部署前一定要做长时间的老化测试。让设备在目标环境里连续运行至少48小时记录下所有的误报和漏报分析原因这是打磨一个可靠产品的必经之路。