1. 项目概述

在工业自动化与智能装备领域，电机的预测性维护与运行状态实时监测至关重要。本项目基于 STM32H533RE（Cortex-M33 内核） 高性能微控制器，结合 LIS3DHTR 高精度三轴 MEMS 加速度传感器与 ULN2003 + 28BYJ-48 步进电机，构建了一套端侧边缘 AI 电机状态监测系统。
项目利用 ST 官方的 NanoEdge AI Studio V5.2.0 工具对采集到的电机振动数据进行自动机器学习（AutoML）训练，生成轻量级一维卷积神经网络（CNN）模型并部署至 STM32H533RE 端侧，实现了对电机 停止（STOP） 与 启动运行（RUN） 状态的 100% 准确率 实时分辨。

2. 系统框图

本系统的整体软硬件架构如下图所示，涵盖物理控制层、传感采集层、特征提取与边缘 AI 推理层以及终端状态输出层：

+-------------------------------------------------------------------------+|                        PC 上位机 (串口终端 921600bps)                     ||         1. 下发电机控制指令 ('0'停止 / '1'正转 / '2'反转 / 'p'暂停)        ||         2. 接收 CSV 原始训练数据 (阶段一) / 实时显示 AI 识别结果 (阶段二)   |+------------------------------------+------------------------------------+                                     | USART2 (PA2/PA3)                                     v+-------------------------------------------------------------------------+|                    主控核心：STM32H533RET6 (NUCLEO-H533RE)               ||                                                                         ||  +------------------------+             +----------------------------+  ||  | 非阻塞步进电机驱动模块  |             |  LIS3DHTR 传感器采样模块    |  ||  | (八拍驱动, 3ms/step)   |             |  (200Hz采样, ±2g, 64点/帧) |  ||  +-----------+------------+             +--------------+-------------+  ||              |                                         |                ||              | GPIO (PA8/PA9/PB5/PB10)                 | 192维浮点张量   ||              v                                         v                ||  +------------------------+             +----------------------------+  ||  | ULN2003 + 28BYJ-48     |  机械振动   | NanoEdge AI V5.2 推理引擎  |  ||  | 步进电机本体           +------------>| (端侧 CNN 模型 libneai.a)  |  ||  +------------------------+  物理传导   +--------------+-------------+  ||                                                        |                ||                                                        v                ||                                         输出类别 (STOP/RUN) 及置信度(%)  |+-------------------------------------------------------------------------+

3. 电路原理图与硬件连接

系统硬件主要由三部分组成：NUCLEO-H533RE 核心板、LIS3DHTR 三轴加速度计模块和 ULN2003 步进电机驱动电路。

+------------------------+                +-------------------------+   |     NUCLEO-H533RE      |                |    LIS3DHTR 加速度计     |   |                        |                |   (贴装于步进电机表面)   |   |                   3.3V +--------------->+ VCC                     |   |                    GND +--------------->+ GND                     |   |          I2C1_SCL (PB6)+--------------->+ SCL                     |   |          I2C1_SDA (PB7)+--------------->+ SDA                     |   |                        |                +-------------------------+   |                        |   |                        |                +-------------------------+   |                        |                |   ULN2003 步进驱动模块   |   |              GPIO (PA8)+--------------->+ IN1                     |   |              GPIO (PA9)+--------------->+ IN2      +-----------+  |   |              GPIO (PB5)+--------------->+ IN3 ====>| 28BYJ-48  |  |   |              GPIO(PB10)+--------------->+ IN4      | 步进电机   |  |   |                     5V +--------------->+ VCC(+)   +-----------+  |   |                    GND +--------------->+ GND(-)                  |   +------------------------+                +-------------------------+

4. 主要参数情况

本项目中传感器采样、电机驱动及 AI 模型的关键技术指标如下表所示：

参数类别参数名称设定数值 / 规格备注说明

5. 如何开启运行

想要复现或开启本系统运行，只需按照以下步骤操作：

1. 硬件上电：将 LIS3DHTR 紧贴在步进电机外壳上，按照原理图连接好杜邦线，使用 USB Type-C 数据线将 NUCLEO-H533RE 连接至电脑。

2. 模式选择与固件烧录：

• 在 main.c 中设有宏定义开关 #define ENABLE_NANOEDGE_AI 1（设为 0 为 CSV 数据采集模式，设为 1 为 AI 实时状态监测模式）。

• 使用 Keil MDK（ArmClang V6 编译器）编译工程并下载至开发板，按黑色复位键启动。

3. 串口交互控制与观察：

• 打开串口助手，选择 ST-Link 虚拟串口，波特率设置为 921600。

• 系统默认处于 STOP 状态，串口每 320ms 实时打印一行当前电机的实际状态、AI 预测结果及各个类别的置信度百分比。

• 在串口发送字符 '1'（或 'r'）开启电机正转，发送 '2'（或 'c'）开启反转，发送 '0'（或 's'）使电机停止，即可实时观察 AI 识别结果的毫秒级切换！

6. 实现步骤（从模型训练到端侧部署）

步骤一：在 NanoEdge AI Studio 中导入信号与基准测试（Benchmark）

1. 打开 NanoEdge AI Studio V5.2.0，创建 n-Class Classification（多分类） 项目，目标平台选择 STM32H533RE（Cortex-M33），传感器类型选择 Accelerometer 3 axes。

2. 在 Signals 页面分别导入采集好的停止状态数据集（标记为类别 0）和运行状态数据集（标记为类别 1），每个数据集包含 200+ 帧长度为 192 的样本。

3. 进入 Benchmark 页面启动自动模型搜索。经过算法寻优，工具筛选出了最优的 CNN（卷积神经网络） 模型，其平衡准确率（Balanced Accuracy）高达 98.9% ~ 100%，混淆矩阵表现极佳。

步骤二：模拟器验证与静态库编译导出（Deployment）

1. 在 Emulator 页面对训练好的模型进行离线验证，测试通过后进入 Deployment 页面。

2. 针对 Keil MDK (ARM Compiler 6) 环境，勾选 mfloat-abi（hard）、fshort-wchar 与 fshort-enums 编译选项，点击 DEPLOY LIBRARY 导出预编译静态库压缩包。

步骤三：Keil 工程集成与代码编写

1. 将导出的 NanoEdgeAI.h 和 libneai.a 复制到 Keil 工程的 Core/Inc 目录下。

2. 在 Keil 工程树中将 libneai.a 添加至 Application/User/Core 分组，并在该文件的 Options 中将 File Type 设置为 Library file。

3. 在 main.c 中调用 neai_classification_init() 完成内置 CNN 模型的初始化，并在主循环中每集满 64 个三维加速度点调用一次 neai_classification() 进行实时推理。

7. 项目核心代码

以下是 main.c 中集成 NanoEdge AI V5.2 实时推理与电机非阻塞控制的核心代码片段：

#if (ENABLE_NANOEDGE_AI == 1)#include "NanoEdgeAI.h"/* NanoEdge AI V5.2 输入与输出缓冲区 */float input_signal[NEAI_INPUT_SIGNAL_LENGTH * NEAI_INPUT_AXIS_NUMBER];float probabilities[NEAI_NUMBER_OF_CLASSES];#endif/* --- 在 main() 初始化阶段加载 AI 模型 --- */#if (ENABLE_NANOEDGE_AI == 1)enum neai_state neai_err = neai_classification_init();if (neai_err != NEAI_OK) {    printf(">>> NanoEdge AI Init FAILED! Error Code = %d <<<\r\n", neai_err);} else {    printf(">>> NanoEdge AI Init SUCCESS! Model ID: %s <<<\r\n", neai_get_id());}#endif/* --- 在 while(1) 主循环中进行非阻塞控制与 200Hz 实时采样推理 --- */while (1){    uint32_t now = HAL_GetTick();    /* 1. 非阻塞检查串口控制指令 ('0'=停止, '1'=正转, '2'=反转) */    UART2_CheckCommand();    /* 2. 非阻塞轮询驱动步进电机运转 */    Stepper_Poll(&g_motor);    /* 3. 每 5ms (200Hz) 读取一次 LIS3DHTR 三轴加速度数据 */    if (g_stream_en && ((now - last_sample_tick) >= SAMPLE_INTERVAL_MS))    {        last_sample_tick = now;        int16_t mx = 0, my = 0, mz = 0;        if (LIS3DH_ReadAccMg(&g_lis3dh, &mx, &my, &mz) == 0)        {            /* 填入当前采样窗口缓冲区 */            input_signal[g_sample_idx * NEAI_INPUT_AXIS_NUMBER + 0] = (float)mx;            input_signal[g_sample_idx * NEAI_INPUT_AXIS_NUMBER + 1] = (float)my;            input_signal[g_sample_idx * NEAI_INPUT_AXIS_NUMBER + 2] = (float)mz;            g_sample_idx++;            /* 集满 64 个采样点 (192维数据，耗时320ms)，执行一次 AI 推理 */            if (g_sample_idx >= NEAI_INPUT_SIGNAL_LENGTH)            {                g_sample_idx = 0;                int id_class = 0;                enum neai_state state = neai_classification(input_signal, probabilities, &id_class);                if (state == NEAI_OK)                {                    const char *pred_name = neai_get_class_name(id_class);                    printf("[Actual: %s] ---> [AI Predict: %-4s] (Confidence: %5.1f%% | class0:%.1f%%, class1:%.1f%%)\r\n",                           Stepper_IsRunning(&g_motor) ? "RUN " : "STOP",                           pred_name ? pred_name : "UNKNOWN",                           probabilities[id_class] * 100.0f,                           probabilities[0] * 100.0f,                           probabilities[1] * 100.0f);                }            }        }    }}

8. 效果演示与总结

编译并烧录固件后，打开串口助手进行实时测试，实测效果如下图所示：

1. 电机运转状态（Actual: RUN）：当电机处于旋转状态时，AI 模型持续稳定输出 AI Predict: 1（代表运行状态），置信度稳定在 100.0%（class0: 0.0%, class1: 100.0%），无任何跳变或误报。

2. 动态切换至停止状态（>>> [CMD] Motor STOP <<<）：当通过串口下发停止指令后，电机立即停转。在紧接着的第一个采样周期（320ms 内），AI 预测结果瞬间切换为 AI Predict: 0（代表停止状态），置信度同样高达 100.0%（class0: 100.0%, class1: 0.0%）！

【

项目总结：
通过本次活动，我完整体验了从传感器底层驱动编写、高速非阻塞振动数据采集，到使用 NanoEdge AI Studio 训练 CNN 模型并在 STM32H533RE 上完成端侧部署的全流程。仅需不到 1KB 的 RAM 和 8KB 的 Flash，就能在单片机上实现 100% 准确率的电机状态实时监测，充分展现了边缘 AI 在工业设备故障诊断与状态监控领域的巨大潜力！

视频链接：
bili_29528558947刚刚发布的视频https://b23.tv/F8klgch