上一篇（五）我们把数据闭环整条跑通了：四种转速各录一段，软件在 21837 种库组合里挑出冠军模型 Library 116（LSTM），RAM 3.7 KB、Flash 4.1 KB、单次推理 4.4 ms，平衡准确率 100%，烧回板子后串口一路 CLASS DETECTED，看起来一切尽在掌握。

但真把板子放在桌上连跑几天，问题就浮出来了：分类模型只认识我教过它的那几种状态。一旦马达出了我压根没录过的故障，它不会说「这不对劲」，而是硬把数据塞进四个已知类别里的某一个，然后依旧自信地报出 100%。

这个坑我自己先踩了一次。前面训练步进马达的过程中，偶尔出现马达停转并且异常发热的情况，一路查下来是杜邦线接触不良，造成步进马达缺相（断相）。

图 1  ULN2003 驱动板：排针与白色插座是接触不良最集中的位置，任何一相虚接，四相节拍就变成三相或其它
     这类故障在真实设备上不会提前打招呼——端子松动、线缆被反复拉扯疲劳、驱动芯片过热失效，轻则失步异响，重则绕组温度过高甚至烧坏，更严重的还会起火。所以这一期我换了个思路：不再教模型「认识故障」，而是只教它「什么叫正常」，凡是偏离正常的，一律报警。这就是 NanoEdge AI Studio 的 AD（Anomaly Detection，异常检测）模式——它这次不仅想抓缺相，堵转、卡滞、负载突变这些我没见过的异常，也希望能一并拦下来。

整体流程仍是那五步：Project Settings → Signals → Benchmark → Validation → Deployment，只是每一步的心态完全变了。过程如下。

一、新建项目：在 What are we doing today 里选 AD

打开 NanoEdge AI Studio 5.2.0，新建项目时软件会先问一句「What are we doing today?」，四个入口对应四种学习范式：

•  Detect Anomalies（AD）：用端侧学习识别信号里的异常模式，可以在学习阶段持续积累知识，预测潜在的异常行为；

•  Classify variations（C）：给数据打标签做分类，上一篇走的就是这条路；

•  Detect outliers（O）：判断样本是否属于那一个唯一类别，适合数据高度不平衡、只关心一类的情形；

•  Extrapolate（E）：按已知模式外推未知数据，做趋势预测。

这次点第一行 AD 的 CREATE，左侧工具栏随即出现绿色高亮的 AD 徽标，整个工程从根上就和上一篇不同了。

两种范式最本质的差别，在于要不要预先知道故障长什么样。分类必须先录到故障数据、打上标签，可缺相、堵转这些故障恰恰最难在产线上按需复现；异常检测只要把「正常」喂饱，剩下的交给「不像」两个字。

图 2  What are we doing today?：AD / C / O / E 四种范式，本期选第一行 Detect Anomalies 的 CREATE

二、Project Settings：板子和传感器沿用上一期

项目设置页与上一篇完全同构，只是模式徽标从 C 换成了 AD。项目名沿用自动生成的 Project-2026-10-29-16-38，描述我直接写成「步进马达断相检测」，方便日后回看：

•  Target：STMICROELECTRONICS - NUCLEO-H533RE，Cortex-M33，Internal RAM 272 KB / Internal Flash 512 KB，左侧 Memory Footprint 自动带出 Library Max RAM 272 KB、Max Flash 512 KB；

•  Sensor：Time Series → Accelerometer → 3 Axes，对应胶贴在马达壳体上的那只 LIS3DH；

•  注意页面底部那行灰字警告：Sensor 设置在项目保存之后不能再改，想换轴数或换传感器，只能重建项目。

  硬件一行没动：LIS3DH 仍贴在马达上，按上一篇配好的 100 Hz / ±2g 连读；ULN2003 仍由四个 GPIO 驱动。上一篇攒下的采集固件、接线、波特率全部照用——这也是 NanoEdge AI Studio 让人舒服的地方，换算法范式不需要换硬件。

三、一行命令，把固件从 AI 模式切回 Data 采集模式

上一篇交付完代码后，板子上跑的是「推理版」固件：数据口静默，控制台一路刷推理结果。要采新数据就得回去重烧采集程序？我在固件里做了双通道，直接敲命令就行。

控制台口敲 help 能列出全部命令：ver | info | model | sink | start | stop | ai | data | both | rst，再用 listcmd 可以看到每条的自解释说明，其中关键的几个是：

•  ai：只推理，数据口不发字节（上电默认，由 app_cfg.h 的 APP_CFG_DATA_SINK 决定）；

•  data：只把原始 CSV 从数据口上行，专供再次采集；

•  both：又推理又发 CSV，联调对照时特别好用；

•  model：打印当前实现的类 ID、标签、帧去向与输入契约；

•  rst：清零计数但不重启采集。

在命令行输入 data，回显 #mode=DATASET 与 #sink=UPLINK csv-only: raw CSV on data port, no #AI，921600 的数据口立刻开始吐三轴原始 CSV；想切回推理，输入 ai，回显 #mode=AI model=neai-classifier-6ae2a08ef5f380e32de051b2 与 #sink=MODEL ai-only，数据口安静下来，#AI 结果重新回到控制台。

截图左侧那段 #AI,3,Motor-STOP,p=0,0,0,100,rms=8 正是上一篇那个分类模型在报「停止」，右侧串口助手的 COM15-921600 则是留给 NanoEdge AI Studio 的数据通道。两个口不混流，采集时不会被推理输出污染，这是上一期固件设计里最值回票价的一处。

图 3  Project Settings：描述「步进马达断相检测」，Target 仍是 NUCLEO-H533RE + Accelerometer 3 Axes

四、采集：Regular 用来学，Abnormal 只用来看

Signals 页的布局和上一篇不同：左栏不再是 Class 1/2/3/4，而是分成 Regular signals 与 Abnormal signals 两组。这个划分本身就说明了 AD 的逻辑——Regular 用来学「什么是正常」，Abnormal 只用来验证「异常能不能被抓出来」，它不参与训练。

按老办法录：马达正常转动，一档一档来，每条信号 768 列 = 3 轴 × 256 采样点，100 Hz 下正好是 2.56 秒一帧。这次刻意多采了几组，希望把「正常」的边界撑得更实：Regular 共 4 条（107 / 256 / 106 / 110 行，合计 579 行）。

然后是「造故障」，这一步是整个流程里最不体面的体力活：

•  断相（缺相）：马达运转中把 ULN2003 某一相的杜邦线拔掉或虚接，马达立刻失步、抖动、声音变大、发热；

采完在 Signals 页就能看出差别：Regular 的三轴时域波形包络收得很紧，Axis 3 基线稳在 1000 附近（那正是 1g 重力落在该轴上的分量），FFT 主峰干脆；Abnormal 的曲线明显更「毛」，包络发散、低频段能量抬起来。频谱横轴是归一化频率，0.46 大约对应 46 Hz（100 Hz 采样下奈奎斯特为 50 Hz）。这些「不像」，就是模型要学的东西。

图 5  Signals 页：左栏 Regular signals 4 条 / Abnormal signals 2 条，每条 768 列（3 轴 × 256 点）；中为三轴时域与 FFT，下为 Browser 叠加对比

五、Benchmark：50888 种组合，让它自己慢慢练

点 START，软件开始自动搜索整条机器学习流水线。AD 模式的搜索空间比上一篇更大：本例测了 50888 种库组合，耗时 02 h 44 min 03 s。因修炼时间比较长，可以让它自己在那儿慢慢练，人去干别的事。

练完的结果页信息量很足：

•  Quality Index 93.9 pts、Balanced Accuracy 95.9%；

•  RAM 10.2 KB（其中含 Buffer 3.1 KB）、Flash 2.3 KB；

•  ML Pipeline 高亮路径：Dimension Reduction No → Detrend No → STFT No → Features Extraction Yes → Pooling No → Absolute Value No → Interleaved Operation No → Model ICM；

•  Best Library Results 散点图：绿色（正常）几乎全贴在 100% 一线，红色（异常）散落在 10%~65%，中间那条虚线就是判决阈值；

•  Best Library Confusion Matrix：579 个正常样本判对 577、误报 2；207 个异常样本报出 191、漏掉 16。

平衡准确率就是这么来的：正常侧 577/579 = 99.66%，异常侧 191/207 = 92.27%，两者平均 95.96%。看异常检测一定要把这个方向拆开看——只报总准确率会被「正常样本多」骗过去，一个什么都不报的模型也能白拿 73.6%。

还有个值得记一笔的对比：上一篇分类模型 RAM 3.7 KB / Flash 4.1 KB，这一篇异常检测正好反过来，RAM 涨到 10.2 KB、Flash 降到 2.3 KB。ICM 要在端侧持续维护一套「正常」的记忆结构，运行时内存自然大些，代码本身反倒更短。

图 6  Benchmark 完成：50888 种组合、2 h 44 min，质量指数 93.9 / 平衡准确率 95.9%，散点与混淆矩阵把 579 正常、207 异常分得很清楚

六、Validation：成绩单与「凭手感」选型

Validation 把候选模型排成一张成绩单，列出 Library ID、Quality Index、Balanced Accuracy、RAM、Flash、Minimum Learning Iteration、Execution Time 与 Model。前几名咬得非常紧：

•  ID 89（带皇冠）：93.9 pts / 95.93% / RAM 10.2 KB / Flash 2.3 KB / 最小学习 74 / ICM；

•  ID 88：93.8 / 95.90% / 11.9 KB / 3.8 KB / 74 / ICM；

•  ID 87：93.7 / 95.89% / 10.3 KB / 4.1 KB / 93 / ICM；

•  ID 78：93.7 / 95.93% / 10.0 KB / 3.9 KB / 117 / ICM；

•  ID 86：93.3 / 95.62% / 9.0 KB / 1.3 KB / 47 / ZSM——体积最小、上手最快，但准确率掉了一档。

Minimum Learning Iteration 这一列是 AD 模式特有的指标，代表模型需要多少个信号才能把「正常」学会。一帧 256 点、100 Hz 下是 2.56 秒，ID 89 只要 74 帧，约 3 分钟就能进入可靠检测；ID 61 要 147 帧，得先旁听 6 分多钟。对需要开机即报警的场合，这一列的权重不比准确率低。

说实话，选模型时我总不知道选哪个为好——前五个的质量指数只差 0.2 分，准确率更是咬死。我的做法是多试几次：左侧 NEW EXPERIMENT 再跑一轮 Benchmark，把两三轮的成绩单横向摆开，再凭经验挑一个感觉最好的。本期最终选了带皇冠的 ID 89，准确率、体积、学习速度三项都不吃亏。

图 7  Validation 成绩单：候选模型密集挤在 93 分附近，ID 89（ICM）综合最优；Minimum Learning Iteration 是 AD 模式独有的选型维度

七、Emulator：先在上位机把整场戏演一遍

每个模型右侧的播放键都能打开 Emulator，从串口喂数据进去，不烧板子就能看效果。AD 模式的界面比上一篇「素」很多：没有四类概率柱状图，也没有环形图，只剩一个大数字 SIMILARITY 和一条 Threshold 虚线（默认 90）。

先要经历学习阶段。图 8 是 ID 88 的学习过程：横轴是喂进去的信号，纵轴 Iteration Number 一路爬到 74 就停住，那条虚线正是 Minimum Learning Iteration；77 个信号完成「认门」之后，右下角的 GO TO DETECTION 才会亮起。

图 8  Emulator 学习阶段（Library 88）：迭代到 74 次即达 Minimum Learning Iteration，学习期走完才能进入检测

进入检测就是图 9 的样子：正常段相似度稳稳压在 100%，中间喂入异常数据的那一段（第 45~72 次）骤降到 25%~60%，全部落在阈值 90 以下被标红；换回正常数据后曲线立刻弹回 100%。右侧饼图统计这一轮 555 次检测里 Regular 506 / Abnormal 49，学习阶段用了 242 个信号。

图 9  Emulator 检测（Library 89）：正常段相似度 100%，中段异常跌到 25%~60% 触发报警，555 次检测分出 506 正常 / 49 异常

图 10 是我故意反着喂的一轮：开头 33 次全是异常数据，相似度在 25%~48% 之间乱跳、整段标红（322 次判为异常），换成正常数据后立刻回到 100%（110 次）。这一轮 432 个信号、学习用了 128 个。它说明两件事：模型不会因为先见到异常就被带跑；同时也提醒一句，学习期内的相似度抖动不作数，别在模型还没学够的时候下结论。

图 10  反序验证（Library 89）：先喂 322 次异常再喂 110 次正常，曲线在切换点干脆地从 30% 档跳回 100%

阈值是可以动的。默认 90 偏保守，误报会多一些；往下压则漏报减少、但正常波动更容易被误伤。我的做法是拿 Regular 数据先跑一遍，看相似度的下沿落在哪里，再把阈值定在那条线之上留一点余量。

八、Deployment：生成库与代码，回 CubeIDE 上板

点 DEPLOY LIBRARY 进入 Deployment。工具链仍选 GNU Arm Embedded (GCC)，编译标志保持默认：勾选 mfloat-abi（使用硬浮点 ABI，注意硬/软浮点不能混链）、不勾 fshort-wchar、勾选 fshort-enums（省内存）。右侧同步生成可直接抄进 main 的示例代码，头部是 ST 的 BSD-3 版权声明，注释写着 Demo: NanoEdge AI process to include in main program body。

图 11  Deployment：GNU Arm Embedded (GCC) 与编译标志（mfloat-abi、fshort-enums 勾选），右侧为可复制的示例代码

弹出的 Compile 面板把交付内容说得很清楚：Target NUCLEO-H533RE、Cortex-M33、Max RAM 272 KB / Max Flash 512 KB，Selected library ID 89、Model ICM、Buffer size 3 * 256、Sensor Type Accelerometer，指标 Quality Index 93.9 / Balanced Accuracy 95.9% / RAM 10.2 KB / Flash 2.3 KB，右下角 GET LIBRARY .a 一键下载静态库。

5.2.0 里有个我很喜欢的新提示：Explore your library's algorithm and preprocessing details with any LLM——下载的包里附带了 JSON 描述和一个 prompt 示例，把模型内部结构与预处理细节交给大模型去解读，省掉自己啃库的功夫。

图 12  Compile 面板：库 ID 89 / ICM / Buffer 3×256 / RAM 10.2 KB / Flash 2.3 KB，并附带可交给 LLM 解读的 JSON 与 prompt

回到 IDE，改动依旧只有两处：把新的 libneai.a 换进工程、头文件路径指向新生成的 NanoEdgeAI.h；把上一篇调用「返回类别 ID」的地方，改成异常检测的学习 / 检测两个入口，取回的不再是 0~3 的类别号，而是一个 0~100 的相似度。工程里再加一条判断：相似度低于 90 就置位报警，驱动蜂鸣器、点亮红色 LED，同时把当前 rms 与相似度一并打到串口，方便事后追溯。

烧录上电，马达正常转动时串口稳定输出相似度 100%；伸手拔掉 ULN2003 上任意一相的杜邦线，马达声音立刻变尖、抖动变大，相似度在下一帧就掉进 30~50% 区间，蜂鸣器跟着叫了起来。而这一刻，模型从没见过断相——它只是知道，这不像它学到的「正常」。

九、踩到的几个坑

•  接触不良既是故障源，也是数据污染源：采 Regular 前一定先把排针、杜邦线压到位，否则把虚接时的抖动当成「正常」学进去，阈值就废了。本期 4 条 Regular 是在确认马达声音、电流都稳定之后才录的。

•  Abnormal 不参与训练：AD 模式下放进 Abnormal 组的数据只用于验证，误放进 Regular 会让模型把异常也认作正常——这是整条流程里最隐蔽的一个坑。

•  学习期别急着下结论：没到 Minimum Learning Iteration 之前相似度抖动很大，图 8 里那 74 次是「上课时间」，不是误报。

•  换传感器或轴数要新建项目：Project Settings 底部那行警告不是摆设，保存后 Sensor 配置不可修改。

•  RAM 确实涨了：从上一篇的 3.7 KB 涨到 10.2 KB（含 3.1 KB 缓冲）。H533 有 272 KB 无所谓，换到更小容量的 Cortex-M0+ 上就得提前算这本账。

•  异常样本要够多样：断相我实际只拔了某一相，对其他相虚接同样有效，但换一台机械结构、换一个负载，最好补采数据重新 Benchmark。

十、测试结果

下面是实际测试运行输出：

十一、小结

这一期最大的收获其实不是那 93.9 分，而是思维方式的一次切换：分类是「我教你认什么」，异常检测是「我只告诉你什么叫好，坏的地方你自己找」。对马达这种故障模式远多于正常模式的设备，后者显然更划算——不必提前复现断相、堵转、卡滞，只要把正常录扎实，剩下的交给相似度。

数据也很能说明问题：50888 种组合、2 h 44 min 自动搜索，最后落到一个 RAM 10.2 KB / Flash 2.3 KB、74 次学习就能上岗的 ICM 模型上；579 个正常样本只误报 2 次，207 个异常样本报出 191 次。全程没手写一行模型代码，也没动一次硬件接线。

2个多小时的AI训练等待也是太漫长了，其实也不必完全训练100%，组合太多，可能前30%就已经落到最好的模型区。如果急着测试，可以直接暂停继续后面的测试。

感谢 DigiKey 与 EEPW 的支持！