电子产品世界 » 论坛首页 » DIY与开源设计 » 电子DIY » 【let'sdo2026年第3期】成果帖|用NanoEdgeAIStudio跑通

共1条 1/1 1 跳转至页

【let'sdo2026年第3期】成果帖|用NanoEdgeAIStudio跑通电机状态识别:从采数到H533RE部署

菜鸟
2026-11-16 11:55:31     打赏
一、系统概览

1.1 系统框图


系统框图.png

图1:系统框图

1.2 器件清单

器件型号关键规格



主控板NUCLEO-H533RESTM32H533RET6,Cortex-M33 @250 MHz,512KB Flash / 272KB SRAM,板载 STLINK-V3EC
加速度计Grove - LIS3DH三轴,±2~±16g 可调,I²C,2µA,内置 FIFO
电机套装ULN2003 + 28BYJ-485 线四相,减速比约 1:64,4096 半步/圈

1.3 主要参数

项目参数


主控STM32H533RET6,Cortex-M33 @ 250 MHz
RTOSThreadX(Azure RTOS):定时器中断采样 + 采集线程 + 电机线程 + 命令行线程
电机驱动8 拍半步,4096 半步/圈
低速 / 高速半步周期6.67 ms(150 Hz)/ 2.5 ms(400 Hz)
加速度计采样率1.344 kHz(TIM12 驱动,误差 −0.0013%)
量程 / 分辨率±2 g,高分辨率 12 bit,1 LSB ≈ 1 mg
窗口长度512 点 × 3 轴 = 1536
单块采集时间381 ms
推理耗时1.23 ms(DWT 周期计数器实测)
串口USART2,921600,8N1

关于 RTOS:采集和电机控制的节奏完全不同,控制要求脉冲时序精确,采集要求周期稳定,所以用 ThreadX 拆开。额外一点:采样其实放在定时器中断里,不是线程——线程唤醒的抖动在百微秒量级,而采样周期只有 744 µs。这部分在过程帖里有详细记录,本篇的重点放在 NanoEdge 的五步流程上。


二、Project Settings:选定开发板与传感器

NanoEdge AI Studio(本文使用 v5.3.0)的 Project Settings 用来确定目标硬件和传感器类型,它会根据目标板自动带出模型体积和 RAM 的上限——这一步选错,后面生成的库可能根本塞不进片子。

项目选择


目标板NUCLEO-H533RE(列表里没有的话选「自定义」,手动填 Cortex-M33 / 512KB Flash / 272KB RAM)
MCUSTM32H533RET6,Cortex-M33,250 MHz
信号类型Time Series → Accelerometer
轴数3

传感器是 LIS3DH,通过 I2C1 与主控连接,400 kHz。初始化时先读 WHO_AM_I(0x0F),返回 0x33 才说明通信正常,然后配置 CTRL_REG1(ODR 与三轴使能)和 CTRL_REG4(BDU=1、±2g、高分辨率)。

小提醒:NanoEdge 生成模型时假设你的采样率是固定的,所以固件里的实际采样率必须和这里填的一致。中途改采样率,频谱特征就变了,模型得重训。


三、Signals:按三种状态采集数据

3.1 采集方式

Signals 页面提供文件导入、串口实时采集、创建采集器三种方式。我用的是串口实时采集——直接连板子,边跑边录,最省事。

参数设置


串口COM14
波特率921600
数据格式8N1
Sampling frequency1344 Hz
Buffer size3 × 512
Number of axes3
Values separatorspace
每类行数105(实际采到 104~106 行/类)

3.2 数据格式

每个窗口 512 个采样点 × 3 轴 = 1536 个数值,一行一个窗口,按采样顺序交错排列:

x1 y1 z1 x2 y2 z2 ... x512 y512 z512

行内不能混入任何非数值内容——启动信息、时间戳、状态文字都不行,NanoEdge 会把文字当成信号数据,后面训练直接崩。所以固件在「训练模式」下只输出 1536 列数值,一行对应一个完整窗口,别的什么都不打印。

/* ── 代码位 ① 训练模式下的窗口输出 ──────────────────── */

/* 一块采满就把 6 KB 缓冲一次性 DMA 发出去,发送期间线程挂起、CPU 不参与,
   定时器照常往另一块缓冲里写——这是三块缓冲的意义所在。 */
static void dump_block(uint32_t idx, uint32_t buf_idx)
{
    uint32_t len = format_block(idx, buf_idx);   /* int16 → 文本,复制到 s_tx_buf */

    sampler_release(buf_idx);                    /* 关键:格式化完立刻归还给 ISR */

    uart_out_lock();
    if (uart_out_write_dma(s_tx_buf, (uint16_t)len) == 0)
    {
        tx_semaphore_get(&tx_done_sem, TX_WAIT_FOREVER);   /* 等 DMA 发完 */
    }
    uart_out_unlock();
}

两个细节值得单独说:

一是归还缓冲的时机。一开始写成「发完再归还」,结果每块稳定丢 112 个点(112 × 744 µs ≈ 83 ms,正好等于一次发送耗时)——发送那段时间 ISR 手里没有空缓冲可用。改成格式化后立即归还,丢点归零。

二是数值要不要换算。这里打印的是 raw / 16 得到的 mg(四舍五入取整),不是原始寄存器值。关键是训练和推理必须用同一个换算,否则模型学到的分布和输入对不上。

3.3 数据采集过程

三种状态通过板载按键 B1 手动切换,采集顺序按 SLOW → FAST → STOP → SLOW 循环,每次只保持一种状态,录满设定行数后停止保存,再按键换下一个状态。

最终得到三个独立文件,每个都是「行数 × 1536 列」。


四、Benchmark:一键搜索最优模型

Benchmark 会自动搜索整条机器学习流水线:是否去趋势、是否归一化、是否用 STFT、是否提取特征、是否做 PCA,再配上 SVM、CNN、LSTM、随机森林等模型,组合跑一遍给出排行榜。

我不需要手写任何模型结构,只要等它跑完。

屏幕截图 2026-11-16 105042.png

屏幕截图 2026-11-16 105119.png

图2:Benchmark 跑完后的候选模型列表与各项指标

选模型的时候别只看准确率第一。几个候选都到 99 分、100% 的时候,就该比 RAM、Flash 和推理时间了——毕竟是在一颗 272KB RAM 的片子上跑,还得给 ThreadX 几个线程的栈和窗口缓冲留地方。

这里有个重要的认知:Benchmark 里的 100%,只代表模型能区分「这批训练数据」,不代表实机一定稳。


五、Validation:模型验证

5.1 测试集验证

独立测试集共 315 个窗口(静止 104 / 低速 106 / 高速 105),用测试集验证。

在挑选的三个模型中,第一个的效果最好,三类全对,没有出现「某一类被系统性吸到另一类」的情况。

屏幕截图 2026-11-16 105256.png

图3:独立测试集上的分类结果


六、Deployment:模型部署与工程集成

6.1 生成库

Deployment 页面选 GNU Arm Embedded GCC 工具链,编译选项要和工程里一致:

选项取值说明



Float ABIhard必须一致,否则浮点传参方式不同,链接会报错
fshort-wcharOFF工程默认
fshort-enumsON库是这么编的,工程这边没跟

工程的实际编译参数:

-mcpu=cortex-m33
-mfpu=fpv5-sp-d16
-mfloat-abi=hard
-std=gnu11

导出后得到两个文件:NanoEdgeAI.h 和 libneai.a,放进工程的 nanoedge/ 目录。

6.2 工程集成(CMake)

# ── 代码位 ② NanoEdge 库的集成 ────────────────────────

target_sources(${CMAKE_PROJECT_NAME} PRIVATE
    Core/Src/ai_classify.c                  # 封装层,见 6.3
)

target_include_directories(${CMAKE_PROJECT_NAME} PRIVATE
    ${CMAKE_CURRENT_SOURCE_DIR}/Drivers/Components/nanoedge
)

target_link_directories(${CMAKE_PROJECT_NAME} PRIVATE
    ${CMAKE_CURRENT_SOURCE_DIR}/Drivers/Components/nanoedge
)

# neai = libneai.a;m = libm,库内部用了 math 函数
target_link_libraries(${CMAKE_PROJECT_NAME} neai m)

用的是 CubeIDE 或 Keil 的话,等价操作是:头文件路径加 nanoedge/、库搜索路径加 nanoedge/、链接器里加 libneai.a。别忘了数学库——少了它会在链接阶段冒出 undefined reference to sqrtf/powf 之类,看起来像库本身缺符号,其实只是没连 libm。

另外这个 .a 内部自带了一份 CMSIS-DSP(neai_arm_cfft_f32、neai_arm_rfft_fast_f32 等),符号都加了 neai_ 前缀。所以将来工程里再引入 ST 官方的 CMSIS-DSP,两边不会撞名。

6.3 调用推理

每采集满 512 个三轴点,把 1536 个 int16_t 码值换算成 mg 后送进模型:

/* ── 代码位 ③ 板端推理调用 ──────────────────────────── */

/* 6 KB,必须静态分配:采集线程栈只有 4 KB,放栈上会直接踩穿 */
static float s_input[NEAI_INPUT_SIGNAL_LENGTH * NEAI_INPUT_AXIS_NUMBER];

int ai_classify_block(const int16_t *raw, uint32_t npts, float *probs, int *cls)
{
    int id = -1;

    if (npts != (uint32_t)NEAI_INPUT_SIGNAL_LENGTH) { return -2; }

    /* raw 已经是 x,y,z 交错排列,逐元素换算成 mg */
    for (uint32_t i = 0U; i < 1536U; i++)
    {
        s_input[i] = (float)lis3dh_raw_to_mg(raw[i]);
    }

    if (neai_classification(s_input, probs, &id) != NEAI_OK) { return -3; }

    *cls = id;
    return 0;
}

/* 打印:类名用库提供的 getter 取,不要硬编码 0/1/2 的对应关系 */
uart_out_printf("#AI %s p=%d,%d,%drn",
                neai_get_class_name(cls),
                (int)(probs[0] * 1000.0f + 0.5f),   /* 千分比,newlib-nano 不支持 %f */
                (int)(probs[1] * 1000.0f + 0.5f),
                (int)(probs[2] * 1000.0f + 0.5f));

输入顺序必须严格保持 x0 y0 z0 x1 y1 z1 ... x511 y511 z511,和采集时完全一致。顺序错了不会报错,只会准确率诡异地下滑。

还有两个容易踩的点:类别顺序不是按字母排的,这个模型是 0=slow 1=idle 2=fast(来自 metadata.json 的 class_names),所以启动时打印一次映射表自检;单位必须和训练数据一致,训练 CSV 里是取整后的 mg,推理就用同一个换算函数,两处各写一份迟早会错开。

6.4 输出结果

推理完通过串口打印类别和概率(千分比):

[ai] model ready: 0=slow 1=idle 2=fast
[ai] inference 1230 us
#AI idle p=0,1000,0
#AI slow p=0,0,1000
#AI fast p=1000,0,0

p= 后面是三个类的概率,顺序和 class_names 一致,1000 表示 1.000。行首的 # 是元信息标记,采集脚本按前缀就能把这类行和数据行分开。

串口参数 921600、8N1。上电后电机是停着的,要按板载蓝色 B1 才启动(短按启停,长按切速度档)。每采满一块(512 点 / 381 ms)输出一次分类结果,所以从换速到结果跟上来大约 1 秒。


七、如何开启运行

7.1 硬件准备

  1. 按第一节的框图接好线:LIS3DH 的 SCL/SDA 接 I2C1(PB6/PB7),ULN2003 的 IN1~IN4 接 PC12/PC10/PC11/PD2;

  2. 电机用独立 5V 供电,并与开发板共地——不要从板子的 5V 引脚取电,否则电机一转就可能把板子拉复位;

  3. 把 LIS3DH 刚性固定在电机外壳上(扎带或热熔胶都行),松垮的安装会让采到的振动混入传感器自身的晃动;

  4. USB 线接板载 ST-LINK 口,一根线同时搞定供电、下载和虚拟串口。

7.2 编译与烧录

工程基于 STM32CubeMX 生成的 CMake 工程,工具链 GNU Arm Embedded GCC:

  1. 确认 Drivers/Components/nanoedge/ 下有 NanoEdgeAI.h 和 libneai.a,且 CMake 已按 6.2 节配置好头文件路径和链接(neai 和 m 两个库缺一不可);

  2. 编译参数与生成库时保持一致:-mcpu=cortex-m33 -mfpu=fpv5-sp-d16 -mfloat-abi=hard;

  3. CubeIDE 里直接 Build → Debug/Run,或命令行 cmake --build 后用 STM32CubeProgrammer 烧录 hex/elf;

  4. 烧录完成后板子自动复位运行,无需额外操作。

7.3 上位机与操作

打开串口助手(或 NanoEdge 的串口采集页面),参数:921600,8N1,选 ST-LINK 虚拟串口对应的 COM 口。

上电后电机是停着的,操作都在板载蓝色按键 B1 上:

操作效果
短按 B1启动 / 停止电机
长按 B1切换速度档:低速 150 Hz ↔ 高速 400 Hz

7.4 怎么确认跑起来了

  • 启动打印里有一行 [ai] model ready: 0=slow 1=idle 2=fast,说明模型库加载正常(这个映射来自 metadata.json,每次换模型都会重新打印,别硬编码类别号);

  • 之后每采满一块(512 点 ≈ 381 ms)输出一行分类结果,例如 #AI slow p=0,0,1000,p 后是三个类的千分比概率;

  • 切换电机状态后约 1 秒内结果会跟上来(一个窗口的时间),静止时应稳定输出 idle 且概率接近 1000。

如果上电没有打印:先查串口波特率是不是 921600;如果打印 [ai] 报错或分类乱跳,优先核对输入换算是否和训练数据一致(raw/16 取整成 mg),这是 6.3 节强调过的坑。

7.5 效果演示


八、小结

这次实践走完了从三轴采集、三分类数据录制、Benchmark、模型部署到 STM32 串口输出的完整流程。

最直接的感受是:NanoEdge 确实把机器学习的落地门槛压得很低——不用写模型结构,不用调超参,准备好带标签的数据,它就能把特征提取、模型搜索和压缩一把做完,最后扔给你一个几 KB 的静态库。

但实机调试也让我意识到,边缘 AI 项目真正的难点不在 Benchmark 的准确率。窗口怎么切、采样时序和机械周期什么关系、训练数据覆盖得够不够、验证数据干不干净,这些才决定模型上线后稳不稳。把这些环节串起来闭环,才算真正做完。





关键词: NanoEdge     H533RE    

共1条 1/1 1 跳转至页

回复

匿名不能发帖!请先 [ 登陆 注册 ]