Nanoedge AI studio参数配置与模型训练

接续过程贴的硬件连接、步进电机、按键、OLED、 加速度计与振动数据采集等内容。

本贴介绍 NanoEdge AI 模型集成、串口输出、 工程编译与问题排查。

1. NanoEdge AI Studio的使用流程

1.1 NanoEgde AI Studio的下载安装

直接在st公司官网下载即可，www.st.com，在官网进行登录注册，安装之后st会通过账户邮箱发送一段KEY作为激活码，第一次进入软件需要进行激活。

1.2 工程创建

进入NanoEdge之后点击右上角的new project进行工程创建，然后选择项目类型

AD：detect anomalies异常检测，在进阶任务中检查电机堵转建议选择

C：classify variation of your signal分类识别。本次我们检测电机的运行状态--静止与转动即可选择。

O：detect outliers离群点/单类检测

E：extrapolate unknown data外推/回归。用于预测连续数值，例如温度预测。

1.3 数据集获取与模型训练

后选择自己的开发板与sensor，RAM选择128kb，Flash选择512kb

选择之后在Signal页面中新建class类，因其datalogger中没有适配c562re开发板，我们选择通用的log signal from serial USB进行数据的采集

选在COM3端口，因数据量较大，选择921600的波特率，数量选择200--500均可，训练参数决定了模型训练时间

而后数据采集结束之后在benchmark中进行模型训练，会自动得出最优的一个模型

最后在deployment页面进行文件下载，建议勾选mfloat-abi，启用硬件FPU浮点指令，使得模型推理速度更快。如果在mx2配置中，你工程默认选择的软件推理，则无需勾选。可以在工程中的cmake/gcc.14.3.1.cmake中查看是否启动硬件FPU。

2. NanoEdge AI 模型集成与推理

2.1 文件与 CMake 配置

NanoEdge AI Studio 生成的库放在：

nanoedge/
├── NanoEdgeAI.h
└── libneai.a

CMakeLists.txt 用户段落需要加入：

target_include_directories(${CMAKE_PROJECT_NAME} PUBLIC
  app
  nanoedge
)

target_compile_options(${CMAKE_PROJECT_NAME} PUBLIC
  -fshort-enums
)


target_link_libraries(${CMAKE_PROJECT_NAME}
  ${CMAKE_SOURCE_DIR}/nanoedge/libneai.a
)

2.2 模型信息

项目值

2.3 推理流程

#include "NanoEdgeAI.h"

static float input[NEAI_INPUT_SIGNAL_LENGTH * NEAI_INPUT_AXIS_NUMBER];
static float probabilities[NEAI_NUMBER_OF_CLASSES];

/* 上电初始化 */
s_ai_ready = (neai_classification_init() == NEAI_OK);

/* 每个窗口完成时调用 */
static void ai_window_handler(const int16_t *window)
{
    int id_class = -1;

    for (int i = 0; i < NEAI_INPUT_SIGNAL_LENGTH * NEAI_INPUT_AXIS_NUMBER; i++) {
        input[i] = (float)window[i];   /* 保持 x1 y1 z1 ... 顺序 */
    }

    if (neai_classification(input, probabilities, &id_class) == NEAI_OK) {
        /* id_class 为 0 或 1，probabilities[id_class] 为置信度 */
    }
}

推理结果写入 OLED 第 6 页：

AI  : RUN 99.985%

2.4 为什么置信度经常是 100%

这是二分类 CNN 在两类特征差异明显时的正常现象。用同一份 libneai 的 PC 仿真库 测试可以观察到：

• 明显振动信号：输出 [1.0, 0.0]

• 安静静止信号：输出约 [0.00015, 0.99985]

后者按一位小数显示会四舍五入成 100.0%，看起来“不会动”。当前固件用三位小数显示， 可以看到 99.985% 与 100.000% 的区别。置信度稳定不代表模型没工作，类别切换正常 才是关键指标。

如果希望置信度更有梯度，需要让训练数据包含更多难分样本（过渡状态、不同负载、 噪声），或者改用异常检测模型的相似度指标。

3. 工程结构与编译

Demo2_STEPMOTOR_cmake/
├── main.c                 # 应用主流程：初始化、主循环、按键、AI 调度
├── app/
│   ├── stepper.c/.h       # 28BYJ-48 半步驱动
│   ├── ssd1306.c/.h       # OLED 驱动 + 5×7 字库
│   ├── lis3dh.c/.h        # 加速度计驱动 + 窗口采集
│   └── uart_comm.c/.h     # 串口发送（阻塞 + 中断）
├── nanoedge/
│   ├── NanoEdgeAI.h
│   └── libneai.a
├── generated/             # CubeMX2 生成的 HAL 初始化
├── CMakeLists.txt
└── docs/

注意事项：

• CubeMX2 重新生成工程时可能覆盖 CMakeLists.txt 中的用户段落，需要重新加入app/*.c、nanoedge 头文件路径、-fshort-enums 和静态库；

• generated/ 下的文件不要手改，改动写在 main.c / app/ 中；

• 烧录后若 OLED 无显示、电机不转，先确认 mx_system_init() 是否成功 （时钟、I2C、USART2 初始化都在里面）。

4. 常见问题排查

现象可能原因处理

5. 参数速查

参数值代码位置

6. 小结

这个项目把几个常见模块串成了一条完整的边缘 AI 链路：

• 步进电机控制与按键交互；

• 共用 I2C 总线的 OLED 显示与加速度计采集；

• 固定格式、无冗余的振动数据流；

• 片上 CNN 分类与状态显示。

最值得注意的有两点：

1. 采集质量取决于时序设计：把电机步进移到 SysTick、把长数据包改为中断发送、 OLED 只刷新单页，都是为了不让主循环的阻塞影响振动信号；

2. 训练与推理必须同源：采样率、量程、窗口长度、数值顺序和尺度，任何一项改变 都需要重新采集数据并训练模型。

在此基础上还可以继续扩展，例如增加电机堵转检测，转速档位、加入方向类别、用 INT 引脚触发采样、 改用 DMA 发送串口数据，或者把识别结果通过串口回传给上位机。

自此本期任务基本结束，愿本人经验分享对您有帮助