经过上述5个帖子的铺垫，终于来到本项目的关键环节：基于ST NanoEdge AI Studio的端侧电机状态识别项目

核心目标是：MCU通过采集电机的3轴加速度数据，将其投喂给提前训练好的端侧AI模型，模型给出3个运行状态的概率（静止、运行、过载）。

而这个端侧模型的训练和部署是通过ST NanoEdge AI Studio来进行，最后可运行于STM32单片机上。

大致流程如下图：

ST NanoEdge AI Studio的使用方法如下：

新建项目，选择classify（分类）

选择MCU型号，传感器类型：3轴加速度据计

接下来是最重要的：导入原始数据进行训练。

我们之前读取的3轴加速度数据，通过串口输出如下。

这种是不能被ST NanoEdge AI Studio识别的。
需要进行格式化处理。

ST NanoEdge AI Studio能识别的数据，以帧为单位，可以理解为多个数据单元（如32个3轴加速度数据），

每个数据单元之间可以以逗号（，）或者空格（ ）连接，不能有回车。

每帧的末尾一定要加上回车符号，这是ST NanoEdge AI Studio能识别帧开始和结束的关键！

char msg2[] = "\r\n";

LIS3DH_PrintXYZ_Cal()
    {
    char msg[128];
    snprintf(msg, sizeof(msg), "ACC: X=%d mg, Y=%d mg, Z=%d mg\r\n", x, y, z);
    HAL_UART_Transmit(mx_usart2_uart_gethandle(), (uint8_t *)msg, strlen(msg), 100);
    }

while (1) {

   	for(int i=0;i<32;i++)   //每个数据块包含63帧加速度数据
   	{
   		if(i<31)
   		LIS3DH_PrintXYZ_Cal(); // 读取并发送一帧3轴加速度数据
  		else                   //最后一帧回车
   		HAL_UART_Transmit(mx_usart2_uart_gethandle(), (uint8_t *)msg2, strlen(msg2), 100);
   	}

串口输出数据如下：

通过电脑的串口采集数据。

每个状态取个名字，如RUN（运行）、STATIC（静止）、OVERLOAD（过载）

每个状态采集大约100帧即可停止。

3个状态都采集后如下：

选择一个Benchmark（参数默认）就可以开始训练了。

训练大约2小时后完成。

接下来在电脑上模拟运行。

如下，依次测试电机 静止、运行、过载（用手摸住电机轴），查看AI的识别结果：

选择一个最准确的：

选择表现最佳的模型就可以下载并部署了。

本期测试视频如下：