大家好,这是【let's do|2026年第3期】基于边缘AI的电机状态检测的最后一部成果贴。前面几部依次完成了硬件自检、LIS3DHTR 驱动与数据集采集,本篇把 NanoEdge AI Studio 训练出来的四分类模型真正部署到 NUCLEO-H533RE 上,由板卡自行采集振动并完成推理,通过 J-Link RTT 实时打印类别。
最终结果:板端首轮 66/66 = 100%,同次上电复抓 41/41 = 100%,单次推理 139~146 µs,ovrn = 0 / i2c_err = 0。
一、硬件与系统组成
| 主控 | NUCLEO-H533RE(STM32H533RET6,Cortex-M33,250 MHz) | HSE 24 MHz 板载晶振,非 BYPASS |
| 振动传感器 | LIS3DHTR(Grove 模块) | I²C1:PB6=SCL / PB7=SDA,SA0 接地 → 地址 0x18,WHO_AM_I=0x33 |
| 执行机构 | ULN2003 + 28BYJ-48 步进电机 | IN1~IN4 = PA10 / PB5 / PB4 / PB10,5 V 单独供电并共地 |
| 调试输出 | J-Link RTT | 采集期零日志;USART2 VCP 仅用于早期自检 |

图 1:NUCLEO-H533RE + LIS3DHTR + ULN2003/28BYJ-48 硬件连接(固定前合影)
二、最终数据集(run04)
传感器配置:ODR 400 Hz、±8 g、High-Resolution 12 bit、4 mg/LSB、FIFO Stream 模式(FIFO_CTRL_REG = 0x88,watermark = 8)。1 个 signal = 256 个时间步 × 3 轴 = 768 个 int16,按 X₀ Y₀ Z₀ … X₂₅₅ Y₂₅₅ Z₂₅₅ 交错排列,空格分隔、LF 行尾,纯数值无表头。
| STOP | 0 Hz | 电机停转 |
| RUN_L | 120 Hz | 低速 |
| RUN_M | 320 Hz | 中速 |
| RUN_H | 640 Hz | 高速 |
采集 300 s,得到 4 个完整轮次 + 第 5 轮截断,实测采样率 396.166 Hz(RC 温漂,每批都要重新填 Studio 的采样率)。整段日志 i2c_err / ovrn / drop 全为 0。整理后共 360 条:STOP 100 / RUN_L 100 / RUN_M 80 / RUN_H 80,跨轮验证 360/360 = 100%,同类信号 5 个轮次间 RMS 差异 < 3%。
一个容易忽略的细节:采集期间一个字节都不写 RTT,先把每类 20 条信号(约 30 KB)攒在 RAM 里,等电机停转后再整块输出;否则 80 ms 内 FIFO 就会转一圈,数据全乱。

图 2:PC 侧对四类信号做的频谱分析(形状信息其实比幅值更有判别力)
三、NanoEdge AI Studio 训练与部署
| 任务类型 | Classification(n-class,4 类) |
| 传感器 / 轴数 | Accelerometer,3 axes |
| buffer size | 256(每行 768 个数值 = 256 × 3,别填 768) |
| 分隔符 | 空格 |
| 采样率 | 396.166 Hz(按本批实测值) |
| Target | NUCLEO-H533RE / cortex-m33 |
| 类别名 | STOP / RUN_L / RUN_M / RUN_H |
| Deployment | 勾选 Library,float ABI = hard |
寻优共评估 8400 个候选,Balanced Accuracy 100% 的库不止一个;最终部署的是 MLP 库(库 ID 6afb215c…,Flash 2968 B / RAM 508 B,score 0.99)。注意:下面几张 Studio 截图来自第一轮的寻优过程,用于展示流程与候选指标;最终部署库的参数以上表为准。

图 3:Signals 步骤,四类 CSV 导入后的时域波形与 FFT 视图

图 4:Benchmark 寻优过程,Balanced Accuracy 100%、混淆矩阵全对角

图 5:候选库列表(ID 57 LSTM 99.0 pts / 100% / 1.5 kB RAM / 2.5 kB Flash)

图 6:Deployment 的 Compile 弹窗,确认生成 libneai.a + NanoEdgeAI.h
四、固件集成(Keil MDK)
把 libneai.a 放进 App/Src(Keil 里按 FileType 4 添加)、NanoEdgeAI.h 放进 App/Inc,主流程就是:从 FIFO 取 256 × 3 个原始 LSB → 转 float → 调 neai_classification() → RTT 打印 neai_get_class_name(id) 与概率。
float in[NEAI_INPUT_SIGNAL_LENGTH * NEAI_INPUT_AXIS_NUMBER];
float prob[NEAI_NUMBER_OF_CLASSES];
int id;
neai_classification_init();
capture_window(s_raw); /* 256 x 3 个 int16 原始 LSB */
for (i = 0; i < NEAI_BUF_LEN; i++) s_in[i] = (float)s_raw[i];
neai_classification(s_in, prob, &id);
printf("%s\n", neai_get_class_name(id));三条硬约束:① 输入只能是原始 LSB,绝不能除以 4 换算成 mg(模型就是按 LSB 幅值学的);② 类名只能从 neai_get_class_name(id) 取,禁止硬编码 id→类名;③ 库的 ABI 必须与 Keil 工程一致:-fshort-enums、-fno-short-wchar 且 <vShortWch>0</vShortWch>、Target 为 FPU3(SFPU) 即 hard float,否则会报 L6242E wchart-16 clashes with wchart-32 或 VFP register arguments。最终编译 0 Error / 0 Warning(Code 33008 / RO 4768 / ZI 26904)。
五、上板验证结果
| 首轮 75 s | 22/22 | 16/16 | 14/14 | 14/14 | 66/66 = 100% |
| 同次上电复抓 40 s | 14/14 | 11/11 | 8/8 | 8/8 | 41/41 = 100% |
推理耗时 139~146 µs(均值 141.2 µs),所有段 ovrn = 0、i2c_err = 0。板端与训练集去均值 RMS 也重新对齐了:
| STOP | 3.0 | 2.6 | −13.4% |
| RUN_L | 38.1 | 35.0 | −8.0% |
| RUN_M | 25.9 | 25.0 | −3.4% |
| RUN_H | 9.0 | 8.7 | −2.9% |

图 7:J-Link RTT Viewer 实拍,四类逐条命中、prob=1.000、单次 139~148 µs、acc=8/8
六、踩过的坑(比结果更值钱的部分)
官方参考规范有两处错误:±8 g HR 档灵敏度是 4 mg/LSB,不是 12 mg/LSB(12 属于 ±16 g 档);FIFO_CTRL_REG=0x42 实际是 FIFO mode,填满 32 个样本就锁死,Stream 必须以 0x80 开头(本工程 0x88)。这个故障伪装成 EMI——电机一转就采不到数,一停就恢复。
格式冲突:比赛规范写"文件首行写类别名",但 Studio 明确要求 Numerical values only, no headers,直接导入必失败;另外 buffer size 填 256 而不是每行 768。
类名坑:自动导入会把第 4 类命名成 RUN_Hcsv,需要在第 2 步手填 RUN_H;板端一律用 neai_get_class_name(id)。
Deployment 必须勾 Library,只勾 Emulator 会拿到一个只有 dll 的压缩包;float ABI 不选 hard 会链接报 VFP register arguments。
Validation / Serial Emulator 走不通:它要求 MCU 从 COM 口按行推 768 个数值,而本工程走 RTT 且采集期零日志。改用离线 emulator 喂当前训练集验证"库有没有训对数据",并加了一个只读 Studio 工程库的自检脚本比对训练文件 md5——因为上一版就是误选了备份目录,Studio 里 benchmark 100%,上板只有 46.4%。
最隐蔽的一坑:硬件耦合状态会跨上电漂移。同一批数据重训后上板只有 84.1%,逐项排除软件因素(采集/推理函数、轴排布、RAMP、SETTLE、工况表完全一致)后确认:每次拆装、每次上电,传感器与电机之间的机械耦合会离散变化,RUN_L 的 x_rms 从 42.7 变到 51.5,甚至和 RUN_M 的幅值顺序反转。离线把训练样本按板端比例缩放,80/80 全部误判成 RUN_L,完整复现了板端错误——说明模型只学到了幅值阈值。
解法(方案 B):把传感器、电机、线材彻底固定,一次上电内完成"重采 → 重训 → 换库 → 上板",中间不动硬件。固定后幅值整体比固定前低 30~44%,但板端与训练集逐项对齐,识别率回到 100%。
七、局限与下一步
必须诚实说明:这个 100% 不等于模型泛化能力。四类 x_rms 区间分别是 2.3–2.9 / 34.1–36.0 / 24.5–25.6 / 8.4–9.1 LSB,标准差只有 0.1–0.4,完全不重叠,模型很容易退化成单阈值判断;离线把信号整体 ×0.9 或 ×1.1,准确率立刻掉到 50% 左右。好消息是形状信息是充分的:完全抹掉绝对幅值,只用三轴归一化功率谱 20 个频段,最近类中心 360/360 = 100%、留一 1-NN 150/150 = 100%。
所以后面还有三件事:① 用幅值缩放 + 轻噪声的数据增强(每类 400 条)逼模型去学频谱形状,并补上"断电再上电复抓"这一条跨上电判据;② 把工况加难——细化转速档 120/160/200/240 Hz、引入松螺丝/配重/磨损等故障类,再变负载、变供电、变安装朝向,让幅值区间真正重叠;③ 在片内用 CMSIS-DSP 的 arm_rfft_fast_f32 算特征,和 PC 侧分析结果对拍。
至此,从 LIS3DH 原始振动数据到 STM32H533 片内实时四分类的完整链路就跑通了。感谢活动方和论坛,也欢迎对"数据太干净导致 AI 退化成阈值"这个问题有经验的朋友一起交流。
我要赚赏金
