大家好,我是代码小A。本篇成果帖围绕 “基于边缘AI的电机状态检测” 命题方向,系统总结在 NUCLEO-H533RE 开发板上从硬件连接、外设驱动、振动采集、NanoEdge AI 模型训练与编译集成,到端侧实时状态识别与异常报警框架落地的完整工程实现。
一、项目概述与命题完成情况
演示视频
1. 项目背景与目标
在工业设备与精密仪器中,电机运行状态监测往往需要在本地低功耗条件下实时识别设备启停与异常振动,避免单纯依赖上位机或云端带来的传输延迟与带宽占用。本项目以 ST NUCLEO-H533RE(Arm Cortex-M33 @ 250 MHz)为核心控制器,驱动 CX28BYJ-48 五线四相减速步进电机,利用固定在电机壳体上的 Grove LIS3DHTR 三轴加速度计采集振动信号,并通过 NanoEdge AI Studio 5.3.0 生成轻量化机器学习静态库直接部署在 MCU 端侧执行推理。
2. 当前工程完成度说明
严格对照本期活动的“基础任务”与“进阶任务”及当前代码仓库实测状态:
已完成并板上实测验证(基础任务全流程):
搭建 STM32CubeMX + CMake + Ninja + Arm GNU 工具链开发环境,实现 LED(LD2)、USART2 串口交互命令及四相八拍步进电机驱动;
完成 LIS3DH I²C1 通信与片上 Stream FIFO 采集,串口实时打印带序号与电机命令标签的三轴加速度数据(单位 mg);
通过自研 Python 脚本 tools/dataset.py 完成 stop(停止)与 run(稳定运行)两大工况独立批次采集,每批严格质检并切分为 141 个 256 点×3 轴(768 列) 窗口;
利用 NanoEdge AI Studio 训练并导出基于均值池化 + 时频特征提取 + 2 层 SELU MLP 的分类模型(libneai_motor-stop-run_2),经 Linux Emulator 对独立测试批次(stop2.csv 与 run2.csv 共 282 窗)交叉验证达到 100%(282/282) 准确识别,并已成功链接进 Release 固件在 NUCLEO-H533RE 上实现毫秒级实时状态推理。
已内置就绪的进阶报警框架(进阶任务扩展接口):
固件 App/app.c 与 CMakeLists.txt 已原生实现基于 NEAI_FAULT_MASK 位掩码的多分类故障判定、连续两窗异常防误报滤波、USER_LED 点亮及串口 # alarm on / # alarm off 报警日志输出。当前因尚未采集异常抖动/堵转原始样本,Release 构建暂设 -DNEAI_FAULT_MASK=0;后续按同格式补充异常样本训练多分类库后,仅需替换模型目录并设置对应位掩码即可零代码修改启用异常报警。
二、系统框图
系统整体由传感器感知与执行层、STM32 固件数据流与交互层、PC 端离线采集与训练层以及端侧 AI 推理与报警决策层组成:

板上实时采集与推理软件流程图

三、硬件设计与电路原理图
1. 模块级电路原理与接线图
以下电路原理图依据工程实际源码(main.h、gpio.c、i2c.c、usart.c)、ST 官方手册 UM3121(MB1814)以及各外设模块规格书绘制:

2. 硬件引脚分配与电气设计要点
| ST-LINK/V3EC | SWDIO / SWCLK | PA13 / PA14 | — | 板载 SWD 调试下载接口 |
| ST-LINK 虚拟串口 | USART2_TX / RX | PA2 / PA3 | — | 经 ST-LINK USB Type-C 枚举为 /dev/ttyACM*,115200 8N1 |
| 板载绿灯 LD2 | USER_LED | PA5 | D13 | 推挽输出,高电平点亮(串联限流电阻接地) |
| Grove LIS3DHTR | I2C1_SCL / SDA | PB6 / PB7 | D15 / D14 | 开漏复用 + 模块板载 3.3 V 上拉电阻;7 位 I²C 地址 0x19;刚性贴合固定在步进电机壳体表面 |
| ULN2003 驱动板 | IN1 ~ IN4 | PB10 / PC7 / PC6 / PC9 | D6 / D8 / D9 / D10 | 3.3 V GPIO 直接驱动达林顿阵列输入级(内置 2.7 kΩ 基极电阻);驱动板 VCC/VM 接 5 V 电源,内部续流钳位二极管接 COM(+5 V),必须与 Nucleo 共地 |
四、主要参数情况
所有参数均直接核对自 project.ioc、app.c、metadata.json、artifacts/*.json 及 Release 编译链接输出 project.elf / project.map:
| MCU 平台 | 型号与内核 | STM32H533RET6(Arm Cortex-M33,FPU fpv5-sp-d16,-mfloat-abi=hard) |
| 主频与总线时钟 | 250 MHz(24 MHz HSE → PLL1 M=3, N=62, FRACN=4096, P=2;AHB/APB1/2/3 = 250 MHz) | |
| 片上资源总量 | 512 KB Flash / 272 KB SRAM(开启 ICACHE 1-Way 直映缓存) | |
| 传感器采集 | 传感器型号与总线 | LIS3DHTR(WHO_AM_I = 0x33,I²C1 Fast Mode Timing = 0x20F02C88) |
| 采样配置与量纲 | ±2 g 量程、12-bit 高分辨率、100 Hz ODR、BDU + Stream FIFO,灵敏度 1 mg/LSB | |
| 步进电机控制 | 驱动方式与减速比 | 四相八拍半步序列({1, 3, 2, 6, 4, 12, 8, 9}),减速比 1/64,步距角 5.625°/64 |
| 半步节拍与转速 | 每拍 7 ms(约 142.86 steps/s,约 2.09 RPM),停机时四相线圈全断电释放 | |
| 报警输出 | 灯光与串口防抖 | motor_running=1 且连续 2 窗命中 NEAI_FAULT_MASK 时点亮 LD2 并打印 # alarm on;连续 2 窗恢复则熄灯 |
| AI 模型架构 | 算法类型与库 ID | N-Class Classification(2 类:0=stop, 1=run),库 ID 6af4775b55c51bb3957da81c |
| 输入窗口规格 | 每轴 256 点 × 3 轴 = 768 维 浮点输入(float model_input[768]) | |
| 预处理流水线 | Mean Pooling(34%,256→87 点/轴)→ 6 项特征提取(energy_fft、rms、skewness、num_zero_crossings、n75、maximum)→ 18 维特征向量 | |
| 分类网络结构 | 2 层 MLP(18 → 4 → 2,SELU 激活函数,80 权重 + 6 偏置,beta = 5.0) | |
| 性能与资源占用 | Studio 离线评分 | Search Evaluations: 8,400,Benchmark Score = 0.99,main_kpi = 1.0 |
| 独立测试集准确率 | 离线 Emulator 交叉验证:stop2.csv 141/141 (100%),run2.csv 141/141 (100%) | |
| 模型库估算占用 | Studio 估算核心模型:RAM 2,260 B,Flash 384 B | |
| Release 固件总占用 | arm-none-eabi-size: text = 31,032 B、data = 96 B、bss = 10,608 B(Flash 约 30.4 KB / 5.94%,静态 RAM 约 10.45 KB / 3.84%);其中 libneai.a 实际链接占用 .text/.rodata = 7,188 B、.bss = 3,561 B |
五、实现步骤
步骤 1:CubeMX 硬件与工程骨架生成
使用 STM32CubeMX 6.18.1 创建基于 STM32H533RET6 的 CMake 工程(TrustZoneDisabled),配置 250 MHz 系统时钟、1-Way ICACHE、USART2(115200 8N1)、I2C1 Fast Mode,以及 LED(PA5)和步进电机四相 GPIO(PB10/PC7/PC6/PC9 初始输出低电平)。
步骤 2:编写板级应用固件(App/app.c)
在 main.c 主循环中解耦调用 App_Init()、App_Poll(),并在 SysTick_Handler() 中调用 App_Tick():
实现串口命令解析,确保无需重新烧录即可分别自检 LED、电机启停及传感器原始数据流;
实现 LIS3DH 寄存器配置、FIFO Overrun/Empty 异常检测及断线重连;
通过 #ifdef USE_NANOEDGE_AI 条件编译,让同一份固件同时支持 Debug 数据采集模式与 Release 推理模式。
步骤 3:振动数据采集与样本质检切窗
将 Grove LIS3DHTR 刚性固定于步进电机机身;
使用 tools/dataset.py capture 分别采集 stop_01/02.txt(motor_cmd=0)与 run_01/02.txt(motor_cmd=1),每批约 36,270 条连续采样;
使用 tools/dataset.py convert 校验序号连续性与指令一致性,每批导出 141 个无表头 768 列窗口 CSV(stop.csv / run.csv 用于训练,stop2.csv / run2.csv 留作独立批次测试)。
步骤 4:NanoEdge AI Studio 训练与硬浮点静态库导出
在 NanoEdge AI Studio 5.3.0 中新建 N-Class Classification 工程,目标开发板选 NUCLEO-H533RE,输入配置为 3 轴、每轴 256 点;
分别创建 stop 与 run 两类并导入训练集 CSV,启动 Benchmark 搜索(共评估 8,400 次候选流水线);
选定最优轻量 MLP 流水线后,进入 Deployment → Build Settings,编译器选择 GNU Arm Embedded (GCC) 并勾选开启 Hard Float ABI(与工程 -mfloat-abi=hard 严格匹配,否则链接阶段会报 VFP 参数传递错误),导出压缩包并解压至工程同级 nanoedge/libneai_motor-stop-run_2/。
步骤 5:CMake 链接模型与编译烧录
工程 CMakeLists.txt 暴露了 NEAI_MODEL_DIR 与 NEAI_FAULT_MASK 两个缓存变量,传入导出库目录即可自动启用 USE_NANOEDGE_AI 并链接 libneai.a 与数学库 libm:
cmake --preset Release \ -DNEAI_MODEL_DIR="$(realpath ../nanoedge/libneai_motor-stop-run_2)" \ -DNEAI_FAULT_MASK=0 cmake --build --preset Release STM32_Programmer_CLI -c port=SWD -d build/Release/project.elf -v -rst
步骤 6:异常报警扩展方式(多分类接入流程)
当需要扩展至异常抖动、堵转等三分类/多分类报警时,无需改动 C 代码结构,只需:
固定异常工况(如给电机转轴施加可控阻尼或周期性扰动),按与步骤 3 完全一致的方式通过 dataset.py capture/convert 录制独立的异常训练与测试 CSV;
在 Studio 中新增对应异常类别(如 class 2 = jitter / class 3 = stall)重新搜索并导出;
根据导出 NanoEdgeAI.h 中的类别 ID 设置报警位掩码(例如 ID 2 为异常则 -DNEAI_FAULT_MASK=0x4,ID 2 和 3 均为异常则 -DNEAI_FAULT_MASK=0xC),重新执行 Release 编译烧录即可。
工程边界提醒:对于低速微型步进电机(如 28BYJ-48),若发生“完全堵死停转”,其高频振动分量有时可能与“完全停机”接近;固件中已通过 bool fault = motor_running && ... 将电机驱动指令纳入判据(只在固件处于运行命令状态下才判定异常报警),若需更高可靠性,还可进一步引入光电编码器或绕组电流采样作为辅判信号。
六、软件调试与核心项目代码解析
1. LIS3DH FIFO 读取与补码解码(App/app.c)
高分辨率模式下 LIS3DH 输出为 12 位左对齐二进制补码(存于 16 位高低字节中)。固件以 0x80 自动递增标志连读 6 字节 OUT_X_L ~ OUT_Z_H,并通过有符号除以 16 换算为整数 mg:
static int16_t decode_mg(const uint8_t *sample)
{
uint16_t value = (uint16_t)sample[0] | ((uint16_t)sample[1] << 8);
int32_t signed_value = value >= 0x8000U ? (int32_t)value - 65536 : value;
return (int16_t)(signed_value / 16);
}2. SysTick 非阻塞驱动步进电机(App/app.c)
利用 1 ms SysTick 节拍在中断中无阻塞推进四相八拍半步序列:
void App_Tick(void)
{
static const uint8_t half_steps[] = {1, 3, 2, 6, 4, 12, 8, 9};
if (motor_running && ++step_ticks >= STEP_INTERVAL_MS) {
step_ticks = 0;
set_coils(half_steps[motor_phase]);
motor_phase = (motor_phase + 1U) % 8U;
}
}3. 端侧 AI 采样缓冲、实时推理与连续两窗防误报(App/app.c)
模型严格校验编译期宏 _Static_assert(NEAI_INPUT_SIGNAL_LENGTH == 256 && NEAI_INPUT_AXIS_NUMBER == 3)。当非 RAW 原始采集模式且模型初始化成功时,持续将三轴采样写入 model_input,满 256 组后调用 neai_classification() 并以 NEAI_FAULT_MASK 执行连续两窗迟滞报警:
static void model_sample(int16_t x, int16_t y, int16_t z)
{
if (!model_ready || stream_mode == STREAM_RAW) {
return;
}
unsigned index = model_samples * 3;
model_input[index] = x;
model_input[index + 1] = y;
model_input[index + 2] = z;
if (++model_samples < NEAI_INPUT_SIGNAL_LENGTH) {
return;
}
model_samples = 0;
int class_id;
float probabilities[NEAI_NUMBER_OF_CLASSES];
uint32_t started = HAL_GetTick();
if (neai_classification(model_input, probabilities, &class_id) != NEAI_OK ||
class_id < 0 || class_id >= NEAI_NUMBER_OF_CLASSES) {
reset_model_window();
send("# classifier error\r\n");
return;
}
char line[96];
float score = probabilities[class_id];
unsigned percent = score >= 1.0f ? 100U : score > 0.0f ? (unsigned)(score * 100.0f) : 0U;
snprintf(line, sizeof line, "# ai class=%d score=%u%% motor_cmd=%u ms=%" PRIu32 "\r\n",
class_id, percent, (unsigned)motor_running, HAL_GetTick() - started);
send(line);
bool fault = motor_running && (((uint32_t)NEAI_FAULT_MASK >> class_id) & 1U) != 0;
if (fault) {
normal_windows = 0;
if (!alarm_active && ++abnormal_windows >= 2) {
alarm_active = true;
HAL_GPIO_WritePin(USER_LED_GPIO_Port, USER_LED_Pin, GPIO_PIN_SET);
send("# alarm on\r\n");
}
} else {
abnormal_windows = 0;
if (alarm_active && ++normal_windows >= 2) {
alarm_active = false;
HAL_GPIO_WritePin(USER_LED_GPIO_Port, USER_LED_Pin, GPIO_PIN_RESET);
send("# alarm off\r\n");
}
}
}4. CMake 模型条件集成(CMakeLists.txt)
set(NEAI_MODEL_DIR "" CACHE PATH "Directory containing NanoEdgeAI.h and libneai.a")
set(NEAI_FAULT_MASK "0" CACHE STRING "Bit mask of abnormal NanoEdge class IDs")
if(NEAI_MODEL_DIR)
foreach(model_file NanoEdgeAI.h libneai.a)
if(NOT EXISTS "${NEAI_MODEL_DIR}/${model_file}")
message(FATAL_ERROR "Missing ${NEAI_MODEL_DIR}/${model_file}")
endif()
endforeach()
target_compile_definitions(${CMAKE_PROJECT_NAME} PRIVATE
USE_NANOEDGE_AI NEAI_FAULT_MASK=${NEAI_FAULT_MASK})
target_include_directories(${CMAKE_PROJECT_NAME} PRIVATE "${NEAI_MODEL_DIR}")
target_link_libraries(${CMAKE_PROJECT_NAME} "${NEAI_MODEL_DIR}/libneai.a" m)
endif()七、如何开启运行(复现指南)
硬件连接:
将 Grove LIS3DHTR 牢固固定于 CX28BYJ-48 步进电机外壳,4 线接入 Nucleo 3V3、GND、PB6/D15 (SCL)、PB7/D14 (SDA);
步进驱动板 IN1~IN4 接 PB10/D6、PC7/D8、PC6/D9、PC9/D10,驱动板接 5 V 电源 并与 Nucleo 共地;
通过板载 ST-LINK USB Type-C 连接电脑。
编译与烧录:
cd project cmake --fresh --preset Release \ -DNEAI_MODEL_DIR="$(realpath ../nanoedge/libneai_motor-stop-run_2)" \ -DNEAI_FAULT_MASK=0 cmake --build --preset Release STM32_Programmer_CLI -c port=SWD -d build/Release/project.elf -v -rst
打开串口交互验证:
连接 /dev/ttyACM0(参数 115200 8N1,无流控),按板载黑色 Reset 键,确认终端输出:
# NUCLEO-H533RE | USART2 115200 8N1 # l LED | m run | s stop | p preview | r raw | q quiet # classifier ready # LIS3DH 0x19 100Hz +/-2g mg
先发送 l 验证板载灯光;
发送 q 关闭预览输出(仅保留 AI 推理日志),随后交替发送 m(启动电机)与 s(停机释放线圈),观察每个完整采样窗口结束后的端侧推理结果。
八、效果演示与验证结果
1. 实测采集信号时域特征对比
通过对比 stop_01.txt 与 run_01.txt 的实测波形可以看到,静止状态下三轴均稳定在零偏与重力基准附近(X/Y 标准差 < 5 mg),而步进电机运行时 X 轴激发出明显的周期性步进振动脉冲(峰值超过 ±120 mg,标准差 58~59 mg),为边缘分类模型提供了清晰可辨的物理特征:

2. 离线独立测试批次交叉验证结果
使用导出包中附带的 Linux 共享库 emulators/libneai.so 与 nanoedgeai_studio_emulator.py 对未参与训练的第二批采集数据进行离线测试:
python3 ../nanoedge/libneai_motor-stop-run_2/emulators/nanoedgeai_studio_emulator.py \ --lib ../nanoedge/libneai_motor-stop-run_2/emulators/libneai.so \ --detect ../nanoedge/train/stop2.csv python3 ../nanoedge/libneai_motor-stop-run_2/emulators/nanoedgeai_studio_emulator.py \ --lib ../nanoedge/libneai_motor-stop-run_2/emulators/libneai.so \ --detect ../nanoedge/train/run2.csv
实测统计输出如下(stop2.csv 与 run2.csv 共 282 个窗口全部分类正确,且全部样本最高类别概率均达到 1.0000):
| stop.csv(训练集自检) | 141 | 141 | 0 | 100% |
| run.csv(训练集自检) | 141 | 0 | 141 | 100% |
| stop2.csv(独立测试批) | 141 | 141 | 0 | 100% |
| run2.csv(独立测试批) | 141 | 0 | 141 | 100% |
3. 板上实时推理串口日志
固件在 STM32H533RE 上稳定运行并发送 m 启动步进电机后,终端实时打印分类结果如下:
# ai class=1 score=100% motor_cmd=1 ms=0
class=1 准确对应 run(稳定运行),score=100%;
ms=0 说明从进入 neai_classification() 到推理返回,耗时不足 1 ms(起止落在同一个 SysTick 毫秒刻度内),Cortex-M33 @ 250 MHz 配合硬浮点运算对轻量化 MLP 的推理速度极快。
4. 实物运行与成果演示


九、总结与后续计划
通过本次 Let's do 2026 第 3 期实战,完整走通了“硬件搭建 → 驱动调试 → 自动化数据采集与清洗 → NanoEdge AI 边缘模型训练 → STM32 硬浮点静态库部署”的嵌入式 AI 全流程闭环。在 250 MHz 的 STM32H533RE 上,整套系统包括 HAL 驱动、电机控制、传感器采集与 AI 分类模型在内仅占用约 30.4 KB Flash 与 10.45 KB 静态 RAM,推理耗时不足 1 ms,充分验证了 Cortex-M33 端侧部署机械振动识别的可行性与高实时性。
后续我将补充录制步进电机异常抖动及机械堵转工况的多批振动样本,重新训练导出三分类/多分类模型并配置 NEAI_FAULT_MASK 掩码,完成异常状态灯光与串口报警的最终闭环演示!

我要赚赏金
