107、Arduino Nano 33 BLE Sense的预测维护案例从一次电机烧毁说起去年秋天，我帮朋友调试一条小型产线的振动监测系统。用的是Arduino Nano 33 BLE Sense，板子小、自带IMU和麦克风，想着做个原型验证挺合适。结果第三天晚上，电机轴承温度飙升，等我看到串口打印的异常数据时，电机已经冒烟了。朋友说：“你不是搞预测维护吗？怎么变成事后诸葛亮了？”那次之后我重新审视了整个方案。问题出在几个地方：采样率不够、特征提取太粗糙、阈值设得太死。今天这篇笔记，就把踩过的坑和最终跑通的方案拆开来讲。硬件选型：为什么是Nano 33 BLE Sense很多人觉得预测维护得上树莓派或者STM32F4这种高性能MCU。但实际产线场景里，传感器节点往往要装在电机外壳、泵体、传送带支架上，体积和功耗是硬约束。Nano 33 BLE Sense的优势在于：板载LSM9DS1九轴IMU，加速度计量程±16g，够用自带蓝牙，省去外接无线模块的麻烦45mm×18mm的尺寸，热熔胶一粘就能固定功耗低，一节18650电池能跑8小时但注意：它的Cortex-M4F主频只有64MHz，跑不了复杂的深度学习模型。所以我们的策略是——在板子上做轻量级特征提取，把推理交给云端或边缘网关。别想着在Nano上跑TinyML全流程，会卡死。
107、Arduino Nano 33 BLE Sense的预测维护案例从一次电机烧毁说起去年秋天，我帮朋友调试一条小型产线的振动监测系统。用的是Arduino Nano 33 BLE Sense，板子小、自带IMU和麦克风，想着做个原型验证挺合适。结果第三天晚上，电机轴承温度飙升，等我看到串口打印的异常数据时，电机已经冒烟了。朋友说：“你不是搞预测维护吗？怎么变成事后诸葛亮了？”那次之后我重新审视了整个方案。问题出在几个地方：采样率不够、特征提取太粗糙、阈值设得太死。今天这篇笔记，就把踩过的坑和最终跑通的方案拆开来讲。硬件选型：为什么是Nano 33 BLE Sense很多人觉得预测维护得上树莓派或者STM32F4这种高性能MCU。但实际产线场景里，传感器节点往往要装在电机外壳、泵体、传送带支架上，体积和功耗是硬约束。Nano 33 BLE Sense的优势在于：板载LSM9DS1九轴IMU，加速度计量程±16g，够用自带蓝牙，省去外接无线模块的麻烦45mm×18mm的尺寸，热熔胶一粘就能固定功耗低，一节18650电池能跑8小时但注意：它的Cortex-M4F主频只有64MHz，跑不了复杂的深度学习模型。所以我们的策略是——在板子上做轻量级特征提取，把推理交给云端或边缘网关。别想着在Nano上跑TinyML全流程，会卡死。
