一、系统概览1.1 系统框图
图1:系统框图
1.2 器件清单
器件型号关键规格
主控板 NUCLEO-H533RE STM32H533RET6,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-48 5 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 RTOS ThreadX(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) MCU STM32H533RET6,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 frequency 1344 Hz Buffer size 3 × 512 Number of axes 3 Values separator space 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。
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。
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 ABI hard 必须一致,否则浮点传参方式不同,链接会报错 fshort-wchar OFF 工程默认 fshort-enums ON 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=1000,0,0p= 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
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;
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;
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;
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:
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);
编译参数与生成库时保持一致:-mcpu=cortex-m33 -mfpu=fpv5-sp-d16 -mfloat-abi=hard;
CubeIDE 里直接 Build → Debug/Run,或命令行 cmake --build 后用 STM32CubeProgrammer 烧录 hex/elf;
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。
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
关键词: NanoEdge H533RE
共1条
1/1 1 跳转至页
回复
我要赚赏金打赏帖 |
|
|---|---|
| bsp_log:RTT分级日志封装被打赏¥16元 | |
| J-LinkRTT常用API函数讲解被打赏¥14元 | |
| 【S32K3学习整理】S32K388 四核启动被打赏¥23元 | |
| 【S32K3学习整理】Lockstep和Decoupled 模式被打赏¥28元 | |
| 嵌入式芯片调试神器-J-LinkRTT被打赏¥21元 | |
| 人体红外PIR感应传感器使用(ESP32S3)被打赏¥26元 | |
| 一种有效完成脚本程序测试的方法被打赏¥28元 | |
| WorkBuddy搭配SolidCraft给开发板做两件式外壳被打赏¥33元 | |
| 开箱一块k230被打赏¥33元 | |
| 【瑞萨RA8D1测评】RA8D1+lwIP网络验证与TCPOTA的实验记录被打赏¥33元 | |






我要赚赏金
