TinyML实战项目：工业设备异常检测从一次产线停机说起凌晨三点，手机震动把我从睡梦中拽出来。产线班长语气急促：“3号振动传感器又误报了，今天第三次了，维护组已经准备换掉整个轴承组。”我揉了揉眼睛，打开远程终端看了一眼数据——振动频谱上确实有个明显的尖峰，但经验告诉我，那只是隔壁冲压机启动时的耦合干扰。传统阈值报警系统就是这样，它分不清“设备真的坏了”和“隔壁在干活”。那次之后，我决定把TinyML塞进那个只有64KB Flash的STM32G0里，让边缘节点自己学会分辨什么是真正的异常。硬件选型：别被“算力焦虑”骗了很多人一听说机器学习，第一反应就是“得用树莓派或者NPU”。工业现场恰恰相反——成本、功耗、可靠性才是硬约束。我最终选的是STM32G071RB，128KB Flash、36KB RAM，带一个12位ADC和一个SPI接口的ADXL345加速度计。这里踩过坑：别用I2C接ADXL345，采样率一高就丢数据。SPI模式下能稳定跑到3200Hz，配合DMA传输，CPU占用率不到5%。传感器安装位置也有讲究。我见过有人把加速度计贴在电机外壳上，结果采集到的全是壳体共振。正确做法是贴在轴承座靠近负载端的刚性面上，用M4螺丝固定，别用双面胶——高频振动信号会被胶层吃掉。数据采集：比模型训练更磨人的环节工业场景最缺的不是算法，是干净的数据。我花了整整两周蹲在产线旁，标记了三种状态：