参加 Let's do 2026 年第 3 期“基于边缘 AI 的电机状态检测” 时，我使用 NUCLEO-C562RE、LIS3DH 三轴加速度计和 ULN2003 + CX28BYJ-48 减速步进电机，完成了“触摸启停—振动采集—数据整理—模型训练—板端识别”的完整流程。触摸模块负责切换电机状态，STM32 在运行时读取振动并输出 AI 判断，板载 LED 和串口提供直观的运行反馈。

一、系统框图

触摸模块的数字输出进入 STM32 外部中断；STM32 通过四路 GPIO 控制 ULN2003，驱动步进电机。固定在电机附近的 LIS3DH 将三轴加速度通过 I²C 送回主控。采集阶段的数据经 ST-LINK 虚拟串口送到 PC 整理和训练；部署后，NanoEdge AI 分类库直接在 STM32 上推理，不依赖电脑完成判断。

二、电路原理与接线

驱动板、电机、传感器和触摸模块与开发板共地。接线完成后，先验证 LED 与串口，再逐个验证电机和传感器，可更快定位问题。

三、主要参数

四、实现步骤

1. 跑通基础外设。使用 STM32Cube 生成的工程框架和 GCC 构建工程，配置 PA5 板载 LED 闪烁、USART2 串口输出、I²C1 读取 LIS3DH。电机部分按八相半步表依次驱动四个输入，触摸模块通过 PA10 外部中断控制启停。串口发送留在主循环，避免在中断里阻塞。

2. 采集并标记状态。LIS3DH 的三轴样本按 ACC_MG,状态,x,y,z 输出，其中状态 0 表示命令停止、1 表示命令运行。使用 scripts/capture_motor.ps1 保存串口原始记录，并在停止与运行两种状态下各采集足够长的稳定片段。

3. 整理 NanoEdge AI 数据。使用 scripts/prepare_neai.py 按状态切分日志，跳过每次切换后的前约 1 秒，再把每 64 组连续样本写成一行 CSV。每行共 192 个数，排列为 x0,y0,z0,x1,y1,z1,...，没有表头。训练集包含停止 110 个窗口、运行 115 个窗口；另留停止 22 个和运行 20 个窗口独立检查。

4. 训练并部署。在 NanoEdge AI Studio 中新建 Classification 项目，选择时间序列三轴加速度计，分别导入两类 CSV，运行 Benchmark 并导出面向 NUCLEO-C562RE 的 GCC 分类库。工程链接 libneai.a，初始化分类器后，每收满 64 组三轴样本就转换为浮点 mg 数组并调用推理函数。模型输入只有加速度，不读取电机控制状态。采集阶段可以开启原始 ACC_MG 串口输出；板端演示时关闭高频原始数据输出，保留电机状态和 AI 结果。

五、如何开启运行与效果演示

1. 将 LIS3DH 固定在电机附近，检查 3.3 V、5 V 和公共地接线；通过 ST-LINK USB 给开发板上电。

2. 打开 ST-LINK 虚拟串口（本机为 COM14），设置 115200、8N1。上电后可看到 MOTOR,STOP，板载 LED 闪烁。

3. 触摸模块一次，电机启动，串口出现 MOTOR,RUN；再触摸一次，电机停止，出现 MOTOR,STOP。

4. 保持两种状态片刻，观察周期输出的 AI,RUN 和 AI,STOP，即可展示模型在开发板上的启停识别。

导出库附带的 PC 模拟器在未参与训练的 42 个窗口上得到：停止 22/22、运行 20/20 分类正确。板端已完成模型链接、烧录和启停状态识别。这个项目的关键是让数据格式、实际采样顺序和板端推理输入保持一致：三轴按同一顺序交错排列，窗口固定为每轴 64 点。这样，采集到的振动数据才能直接用于训练和部署。