1. 项目概述：当微控制器学会“听声辨位”

几年前，我在一个工业现场遇到一个棘手的问题：一台关键的风机设备，每隔几个月就会毫无征兆地出现轴承损坏，导致整条生产线停机，每次损失都以数十万计。维护团队疲于奔命，要么过度保养，要么事后救火。当时我就在想，如果能有一种方法，让设备自己“告诉”我们它快要不行了，那该多好。今天我们要聊的这个项目，就是实现这个想法的“平民化”方案：利用Wio Terminal和Edge Impulse，打造一个低成本、端侧智能的预测性维护异常检测系统。

简单来说，Wio Terminal是一款功能强大的开源硬件，自带屏幕、传感器和无线连接；而Edge Impulse是一个让机器学习变得像搭积木一样简单的在线平台。这个项目的核心，就是教会Wio Terminal通过内置的麦克风“聆听”设备（比如电机、泵、齿轮箱）运行时的声音或振动，利用在Edge Impulse上训练好的微型机器学习模型，直接在设备端实时判断当前状态是“正常”还是“异常”。它不再需要将海量数据源源不断地发送到云端，避免了网络延迟、带宽成本和隐私风险，实现了真正的边缘智能。

这适合谁呢？如果你是嵌入式开发者，想切入AIoT领域；如果你是运维工程师或创客，想用低成本方案解决实际工业痛点；甚至如果你只是个对机器学习感兴趣的新手，想找一个有明确应用场景的实战项目——这个从数据采集、模型训练到嵌入式部署的完整流程，都将是一次绝佳的练手机会。接下来，我将拆解整个实现过程，分享每一步的关键细节和我踩过的坑。

2. 核心思路与方案选型：为什么是“端侧异常检测”？

在深入动手之前，我们必须先理清逻辑：为什么选择这个技术栈？它解决了传统方案的哪些痛点？

2.1 从“定期维修”到“预测性维护”的范式转变

传统的设备维护主要有两种模式：事后维修和预防性维护。前者是坏了再修，损失巨大；后者是定期保养，不管设备状态好坏都按计划执行，容易造成过度维护或维护不足。而预测性维护的目标，是基于设备实际运行状态的数据，预测其剩余使用寿命或故障发生点，从而在恰当时机进行干预。实现预测性维护的关键在于状态监测和异常检测。

异常检测，就是建立设备“健康”状态的基线模型，当实时数据显著偏离这个基线时，即触发警报。声音和振动信号是旋转机械类设备最直接、最丰富的状态信息载体。一个磨损的轴承、一个松动的螺丝，其运行时的声学特征会发生微妙但可检测的变化。

2.2 方案选型：Edge AI vs. Cloud AI

实现异常检测，通常有两条路：

1. 云端分析方案：在设备端安装传感器，持续将原始音频/振动数据通过Wi-Fi/4G发送到云端服务器，利用强大的云计算资源进行实时或离线分析。
2. 边缘智能方案：在设备端（如Wio Terminal）集成一个轻量级AI模型，直接对采集到的信号进行实时分析，只在检测到异常或需要聚合报告时，才发送极简的结果（如“异常代码123”）到云端。

我们选择边缘智能方案，原因如下：

• 实时性：工业现场故障发展可能很快，云端来回通信的延迟（通常几百毫秒到秒级）可能导致错过最佳预警窗口。边缘分析是毫秒级响应。
• 可靠性：工厂网络可能不稳定。边缘计算不依赖网络，保障了核心检测功能的持续运行。
• 隐私与成本：原始音频数据可能包含环境背景音甚至人声，全部上传有隐私风险。同时，传输连续的高采样率数据会消耗大量带宽，成本高昂。边缘方案只上传结论，解决了这两个问题。
• 功耗：持续的无线数据传输是功耗大户。边缘处理配合间歇性通信，非常适合电池供电或低功耗场景。

2.3 为什么是Wio Terminal + Edge Impulse？

• Wio Terminal：它不仅仅是一个单片机。它集成了STM32微控制器、2.4英寸LCD屏幕、麦克风、惯性传感器、无线模块以及丰富的 Grove 接口。这意味着我们无需额外的声音采集模块，开箱即用。其屏幕可以直观显示波形、频谱和检测结果，极大方便了调试和演示。
• Edge Impulse：它将机器学习中最复杂的数据处理、特征工程、模型训练和优化过程进行了可视化封装。你不需要是TensorFlow或PyTorch专家，通过拖拽和配置就能完成一个面向嵌入式设备的模型开发，并一键导出为兼容 Arduino、TinyML 等框架的 C++ 库。它完美地桥接了AI算法和嵌入式部署的鸿沟。

这个组合，将一个原本需要深厚算法和嵌入式功底的复杂项目，变成了一个流程清晰、可逐步实现的工程任务。

3. 硬件准备与开发环境搭建

工欲善其事，必先利其器。这部分我们搞定所有前置工作。

3.1 Wio Terminal 基础配置

首先，确保你的 Wio Terminal 固件是最新的，并且配置好了 Arduino 开发环境。

1. 驱动安装：通过 USB-C 线连接电脑。如果电脑无法识别，可能需要安装 Wio Terminal 的 USB 驱动（通常是 CH340 或 CP210x，具体根据版本而定）。
2. Arduino IDE 配置：
   • 打开 Arduino IDE，进入“文件 -> 首选项”，在“附加开发板管理器网址”中添加：https://files.seeedstudio.com/arduino/package_seeeduino_boards_index.json
   • 打开“工具 -> 开发板 -> 开发板管理器”，搜索“Seeed SAMD”，安装Seeed SAMD Boards by Seeed Studio。
   • 安装完成后，在“工具 -> 开发板”中选择Seeed Wio Terminal。
   • 还需要安装一些核心库。打开“项目 -> 加载库 -> 管理库”，搜索并安装：
     • Seeed Arduino FS(用于文件系统)
     • Seeed Arduino SFUD(用于外部Flash)
     • Seeed Arduino rpcWiFi(用于Wi-Fi功能，数据上传时需用)
     • Seeed Arduino rpcUnified(传感器统一库)
     • PDM(用于驱动麦克风，这个通常已包含在板支持包中)

注意：Arduino库版本兼容性是个经典坑。如果后续编译出现奇怪错误，首先尝试将库回退到已知稳定的版本，或者查看Wio Terminal的官方Wiki获取推荐的库版本组合。

3.2 Edge Impulse 账户与设备连接

Edge Impulse 提供了免费且功能强大的开发者账户。

1. 注册与创建项目：访问 Edge Impulse 官网注册账号。登录后，创建一个新项目，项目类型选择“音频”或“振动”（本质都是时间序列信号）。
2. 将 Wio Terminal 注册为数据采集设备：
   • 在 Edge Impulse 项目中，进入 “Devices” 页面。
   • 点击 “Connect a new device” -> “Show some options” -> “Data forwarder”。
   • 根据指引，在电脑上通过命令行安装 Edge Impulse CLI 工具 (npm install -g edge-impulse-cli)。
   • 运行edge-impulse-daemon命令，按照提示登录你的账户并选择当前项目。
   • 关键一步：此时，你需要一个“桥接”程序。在 Arduino IDE 中，打开示例File -> Examples -> Edge Impulse -> <YourProjectName> -> static_buffer(或类似的采集示例)。将这个程序烧录到 Wio Terminal。这个程序的作用是将 Wio Terminal 的麦克风数据，通过串口转发给运行在电脑上的edge-impulse-daemon，再由它上传到云端。
   • 烧录成功后，重启 Wio Terminal，在edge-impulse-daemon命令行界面应该能看到设备已连接。此时在 Edge Impulse 网页的 “Devices” 里，你的 Wio Terminal 就会出现。

现在，硬件和云端平台之间的通道已经打通。Wio Terminal 成为了一个受控的数据采集器。

4. 数据采集：构建设备的声音“病历本”

模型的好坏，七分靠数据。对于异常检测，我们通常采用无监督或半监督学习。因为获取大量“异常”样本（设备坏的时候）往往很困难，但获取“正常”样本（设备健康运行时）相对容易。我们的策略是：只采集正常状态的数据来训练模型，让模型学会“正常”长什么样，任何偏离正常模式的行为都会被判定为异常。

4.1 采集策略与现场布置

1. 确定采集对象和目标：以一台小型直流电机或风扇为例。目标是区分其“正常空载运行”声和“异常”声（例如，用笔尖轻轻触碰电机外壳模拟轻微摩擦，或在扇叶上贴一小片胶带模拟动不平衡）。
2. 传感器布置：Wio Terminal 内置的 MEMS 麦克风灵敏度很高。为了获得更清晰的信号并减少环境噪声干扰，建议：
   • 将 Wio Terminal 固定在靠近设备（约5-10厘米）的稳定位置。
   • 如果环境噪声太大，可以考虑使用海绵或软橡胶做一个简单的声学隔离罩，套在麦克风周围。
   • 重要：采集过程中，确保麦克风与设备的相对位置不变，否则同一状态下的声音特征也会因位置不同而差异巨大，这会严重干扰模型。
3. 参数设置：在 Edge Impulse 的 “Data acquisition” 页面，设置采集参数：
   • Sample length (ms)：样本长度。建议 1000 ms (1秒)。太短可能包含不完整的周期信息，太长会增加计算负担和延迟。
   • Sample rate (Hz)：采样率。Wio Terminal 的 PDM 麦克风最高支持 16kHz。对于机械声音分析，通常 8kHz 或 16kHz 足够捕捉主要特征。更高的采样率意味着更精细的频谱，但也会增加数据量。从 16kHz 开始是个好选择。
   • Sensor：选择 “Microphone”。
   • Label：这是关键！对于正常样本，标签设为normal。对于异常样本，可以按类型细分，如imbalance,friction，或者统一标为anomaly。

4.2 实操采集过程与数据增强

1. 采集正常样本：让设备在健康状态下运行。点击 “Start sampling”， Edge Impulse 会指挥 Wio Terminal 录制一段音频并上传。重复此过程，至少采集 50-100 个normal样本。采集时，可以稍微改变设备的负载（如果可能）或电源电压，让“正常”状态包含一定的正常波动，增强模型的鲁棒性。
2. 采集异常样本：人工模拟故障。例如，让电机在扇叶不平衡状态下运行，采集并标记为imbalance。用异物轻微摩擦电机轴，采集并标记为friction。每种异常尽量采集 20-30 个样本。注意安全，模拟轻微故障即可。
3. 数据增强：在数据量不足时，可以利用 Edge Impulse 的 “Augmentation” 功能。对于音频数据，可以添加轻微的背景噪声（如白噪声）、进行时间拉伸（微调速度）或音高偏移。这能有效增加数据的多样性，模拟真实环境下的变化，防止模型过拟合。但增强要适度，避免扭曲原始信号的本质特征。

实操心得：数据采集是最枯燥但最重要的一环。我建议在采集时，用 Wio Terminal 的屏幕实时显示音频波形，确保信号清晰、没有削顶（波形上下不要超出屏幕范围）。同时，在 Edge Impulse 的数据列表里，可以点击每个样本进行播放和可视化回放，剔除掉那些明显是误操作（比如采集时碰撞了设备）的坏数据。干净的数据集是成功的一半。

5. 脉冲设计：从声音到模型特征的魔法

采集到的原始音频数据是长达1秒、包含16000个数据点（16kHz采样率）的时间序列。直接把它扔给神经网络效率极低。我们需要进行脉冲设计，即设计一个处理流水线，从原始数据中提取有意义的特征。

5.1 处理块：MFCC特征提取

在 Edge Impulse 的 “Impulse design” 页面的 “Processing blocks” 部分，我们选择MFCC (Mel-Frequency Cepstral Coefficients)。

• 为什么是MFCC？MFCC是语音和音频识别领域的经典特征，它模拟了人耳对声音频率的非线性感知特性。对于机械声音，它同样有效，因为它能很好地捕捉声音的频谱包络——即哪些频率成分的能量强，哪些弱。轴承磨损、齿轮断齿等故障，往往会改变声音频谱的能量分布，MFCC 对这种变化非常敏感。
• 参数配置：
  • Number of coefficients: 系数数量。通常选择 13 或 20。13个系数足以描述频谱的主要形状，是计算量和信息量的良好平衡点。我们从13开始。
  • Window size: 窗大小。建议设置为 0.02s 或 0.025s。这是进行短时傅里叶变换的窗口长度。
  • Window stride: 窗移。建议设置为 0.01s。窗口每次向前滑动的距离。窗移小于窗长，意味着窗口之间有重叠，能让特征更平滑。
  • FFT length: 可以设置为窗大小对应的采样点数（如0.02s * 16000Hz = 320点），或者下一个2的幂次数（512）。

点击 “Save parameters”，然后点击 “Generate features”。Edge Impulse 会用你配置的 MFCC 参数处理所有训练数据，并生成一个特征可视化图。这个图非常重要！

5.2 特征可视化与数据分析

在特征生成页面，你会看到一个二维或三维的散点图（通过UMAP/t-SNE降维），不同颜色的点代表不同标签的数据。

• 理想情况：所有normal样本点紧密地聚集在一个区域，而各种anomaly样本点则远离这个区域，并且彼此之间也可能有区分度。
• 实际情况与调整：
  • 如果normal点本身就很分散，说明你的“正常”数据波动太大（可能采集条件不稳定）。需要重新检查数据采集过程。
  • 如果anomaly点混入了normal点群中，说明当前 MFCC 特征无法区分这两种状态。你可能需要：
    1. 尝试增加 MFCC 的系数数量（如从13增加到20），获取更详细的频谱信息。
    2. 回到数据采集，思考你模拟的“异常”是否在声学特征上确实与正常有区别？可能需要更显著的故障模拟。
    3. 考虑添加其他特征，例如时域特征（过零率、能量）作为补充。Edge Impulse 允许添加多个处理块。

这个步骤是一个迭代过程，可能需要反复调整采集数据和特征参数，直到在特征图上看到清晰的聚类趋势。

5.3 学习块：K-Means异常检测模型

在 “Learning blocks” 部分，选择Anomaly Detection (K-Means)。这是我们本次项目的核心算法。

• 原理简述：K-Means 是一种聚类算法。在训练阶段，它只使用normal标签的数据。算法会在高维特征空间（即MFCC特征空间）中，寻找一个最能代表所有正常样本的“中心点”（聚类中心），并计算出一个“半径”或距离阈值。在推理（部署后）阶段，对于一个新的样本，计算其特征到这个中心点的距离。如果距离超过了训练时确定的阈值，就被判定为异常。
• 参数配置：
  • Number of clusters: 聚类数。对于“正常”状态只有一种模式的情况，通常设置为1。如果你的设备有几种截然不同的正常运行模式（例如高速模式和低速模式），并且你都采集了数据，可以设置为对应的模式数量。
  • Minimum confidence rating: 可以理解为异常得分的缩放因子，一般保持默认。
• 隐藏层：这里我们不需要神经网络层。K-Means直接在特征空间上操作，模型极其轻量，这正是边缘设备所需要的。

点击 “Save parameters” 后，切换到 “Impulse design” 顶部的 “NN Classifier” 标签（虽然我们用的是K-Means，但界面在这里配置）。在这里，你需要将Processing block的输出连接到Learning block的输入。

6. 模型训练、测试与验证

配置好脉冲后，就可以开始训练了。

1. 模型训练：在 “Train model” 页面，Edge Impulse 会自动将数据集按比例（如80/20）划分为训练集和测试集。点击 “Start training”。训练一个K-Means模型速度极快，通常几秒到一分钟内完成。
2. 训练结果分析：训练完成后，重点关注以下指标：
   • F1-score: 综合了精确率和召回率的指标。在测试集上，我们希望它越高越好。
   • 混淆矩阵：查看模型对normal和各类anomaly的分类情况。理想情况下，对角线上的数字（正确分类）应该很高。
   • 异常阈值：Edge Impulse 会给出一个自动计算的异常分数阈值。分数高于此阈值判为异常。你可以根据实际情况微调这个阈值。
     • 调高阈值：降低误报率（减少将正常误判为异常），但可能会漏掉一些真实的轻微异常（召回率降低）。
     • 调低阈值：提高灵敏度（更容易检出异常），但可能会增加误报（精确率降低）。
3. 模型测试：在 “Model testing” 页面，可以使用预留的测试集数据（之前未参与训练的数据）来评估模型在“未知”数据上的表现。点击 “Classify all”，查看整体准确率。务必仔细查看分类错误的样本，分析原因：是数据本身有问题，还是特征不够区分？
4. 实时验证：这是最激动人心的环节！在 “Live classification” 页面，你可以让已连接的 Wio Terminal 进行实时数据采集和分类。
   • 确保 Wio Terminal 已连接，并运行着之前烧录的static_buffer或类似的采集固件。
   • 点击 “Start sampling”，你会看到 Wio Terminal 麦克风采集的实时音频，经过云端模型推理后，返回分类结果和置信度。
   • 对着麦克风播放一段之前录制的正常或异常声音，观察分类结果是否正确。你也可以现场制造一些声音进行测试。

避坑技巧：如果实时验证效果不佳，但训练和测试集指标很好，很可能是过拟合了。这意味着模型只记住了训练数据中的特定噪声，而没有学到真正的声学模式。解决方法：1) 增加训练数据的多样性和数量；2) 在数据采集时引入更多真实的环境背景音；3) 使用数据增强。

7. 模型部署与Wio Terminal端侧推理

当模型在云端验证通过后，下一步就是让它“飞入寻常单片机”，在 Wio Terminal 上独立运行。

7.1 模型导出与库集成

1. 导出为Arduino库：在 Edge Impulse 项目 “Deployment” 页面，选择 “Arduino library”。在配置中，勾选 “Enable EON Compiler” 以进一步优化模型大小和速度。然后点击 “Build” 开始生成。完成后，下载生成的.zip文件。
2. 集成到Arduino项目：
   • 在 Arduino IDE 中，新建一个项目。
   • 通过“项目 -> 加载库 -> 添加.ZIP库…”选择刚才下载的.zip文件。
   • 打开示例代码。通常库中会包含一个edge-impulse-standalone示例。你也可以在File -> Examples -> 你的项目库名 -> edge-impulse-standalone找到。
   • 这个示例代码包含了完整的模型推理流程，是极好的起点。

7.2 端侧推理代码解析与优化

让我们深入看一下核心代码逻辑，并做必要的优化以适应预测性维护场景。

#include <your_project_inferencing.h> // Edge Impulse 生成的头文件 #include "seeed_pwm_audio.h" // 或对应的PDM麦克风库 // 声明一个静态缓冲区来存放音频样本 static signed short *sampleBuffer; // PDM数据缓冲区 static bool record_ready = false; // 1. 音频采集回调函数 void pdm_data_ready() { // 当PDM缓冲区满时，此函数被调用 record_ready = true; } void setup() { Serial.begin(115200); // 初始化LCD屏幕（用于显示结果） tft_init(); tft.fillScreen(TFT_BLACK); tft.setTextColor(TFT_GREEN); // 初始化PDM麦克风 PDM.onReceive(pdm_data_ready); // 配置PDM参数，必须与Edge Impulse训练时一致！例如16kHz采样率，单声道 if (!PDM.begin(1, EI_CLASSIFIER_FREQUENCY)) { // 1代表单声道 Serial.println("Failed to start PDM!"); while (1); } // 分配缓冲区内存，大小需满足模型输入要求 sampleBuffer = (int16_t *)malloc(EI_CLASSIFIER_SLICE_SIZE * sizeof(int16_t)); if (!sampleBuffer) { Serial.println("Failed to allocate sample buffer!"); while (1); } } void loop() { // 2. 等待并填充音频缓冲区 if (record_ready) { PDM.read(sampleBuffer, EI_CLASSIFIER_SLICE_SIZE); record_ready = false; // 3. 信号预处理（如必要，例如DC偏移移除） // 这里可以添加一个高通滤波或减去均值，去除直流分量 int32_t mean = 0; for (int i = 0; i < EI_CLASSIFIER_SLICE_SIZE; i++) { mean += sampleBuffer[i]; } mean /= EI_CLASSIFIER_SLICE_SIZE; for (int i = 0; i < EI_CLASSIFIER_SLICE_SIZE; i++) { sampleBuffer[i] -= mean; } // 4. 创建信号结构体，准备推理 signal_t signal; signal.total_length = EI_CLASSIFIER_SLICE_SIZE; signal.get_data = &raw_feature_get_data; // 库提供的函数 // 5. 运行推理 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; } // 6. 解析结果 - 异常检测专用 // 对于K-Means异常检测模型，result.classification数组通常只有一个“异常得分” float anomaly_score = result.classification[0].value; // 假设第一个输出是异常分数 bool is_anomaly = anomaly_score > ANOMALY_THRESHOLD; // 与训练时确定的阈值比较 // 7. 显示与输出 tft.fillScreen(TFT_BLACK); tft.setCursor(0, 0); tft.printf("Score: %.3f\n", anomaly_score); if (is_anomaly) { tft.setTextColor(TFT_RED); tft.println("STATUS: ANOMALY DETECTED!"); // 触发警报：点亮LED，发送网络通知等 digitalWrite(LED_BUILTIN, HIGH); // 可以在这里添加Wi-Fi代码，将警报发送到服务器或MQTT } else { tft.setTextColor(TFT_GREEN); tft.println("STATUS: NORMAL"); digitalWrite(LED_BUILTIN, LOW); } // 打印调试信息到串口 Serial.printf("Anomaly score: %.3f, Is anomaly: %s\n", anomaly_score, is_anomaly ? "YES" : "NO"); } }

关键优化点：

• 阈值 (ANOMALY_THRESHOLD)：这个值需要从 Edge Impulse 的训练结果中获取。在项目 “Dashboard” 或模型训练页面，找到Anomaly threshold的值，将其定义为代码中的常量。
• 降低功耗：如果用于长期监测，loop()中连续不断的采集和推理会非常耗电。可以改为间歇性工作，例如每10秒采集1秒数据进行推理。
• 滑动窗口与平滑：为了提高检测稳定性，避免偶然噪声触发误报，可以采用滑动窗口平均。例如，连续记录最近5次的异常分数，求平均值，再与阈值比较。或者采用“5次中有3次异常才报警”的投票机制。
• 结果上报：通过 Wio Terminal 的 Wi-Fi 或 LoRa 模块，仅在检测到异常时，将时间戳、异常分数和设备ID发送到云端服务器或本地网关，实现远程监控。

7.3 编译与烧录

将修改好的代码编译并烧录到 Wio Terminal。断开 USB 线，用移动电源或电池给设备供电，将其放置在待监测的设备旁。屏幕上应能实时显示状态和异常分数。

8. 系统调优与实战问题排查

项目上线后，真正的挑战才开始。以下是我在实际部署中遇到的一些典型问题及解决方法。

8.1 常见问题速查表

8.2 从“异常检测”到“故障分类”的进阶

当前系统只能回答“是否异常”。但运维人员更想知道“哪里异常”。我们可以扩展这个系统：

1. 多分类模型：如果我们采集了足够多的、标签明确的各类故障数据（如bearing_fault,imbalance,looseness），就可以在 Edge Impulse 中将学习块从 “Anomaly Detection (K-Means)” 改为 “Classification (Neural Network)”，训练一个能直接输出故障类型的分类模型。这需要更多的数据和更复杂的模型（如1D-CNN），对Wio Terminal的计算能力是一个考验，可能需要使用EON编译器进行深度优化，或考虑性能更强的边缘设备。
2. 特征融合：Wio Terminal 还有加速度计。结合振动信号和声音信号进行多传感器融合，能大大提高检测的准确性和可靠性。在 Edge Impulse 中，可以创建“融合”脉冲，同时处理音频和加速度计数据。
3. 趋势分析：即使不分类，持续记录“异常分数”本身也极具价值。在云端或设备本地做一个简单的时序数据库，绘制异常分数随时间变化的曲线。分数的逐渐上升趋势，往往比单次超过阈值更能预示渐进性故障（如轴承的缓慢磨损）。

这个基于 Wio Terminal 和 Edge Impulse 的异常检测项目，就像给工业设备安装了一个经济实惠的“听觉神经系统”。它证明了，在今天，实现边缘智能的门槛已经大大降低。从数据采集到模型部署，整个流程清晰可见，可控可调。它可能无法替代专业的高精度振动分析仪，但在大量对成本敏感的中低风险场景中，它为预测性维护的普及提供了一条切实可行的路径。