边缘AI 姿态识别 振动故障诊断（异常检测、震动分类、传感器融合、回归标定）
项目背景
项目原型来自本人负责的低功耗安防量产设备，安装在城市街道，设备一次性电池长效供电，依靠 IMU 震动事件唤醒 MCU，端侧完成风险研判后按需 4G 上报。
受量产项目涉密限制，搭建简化 DEMO 复现整套技术链路。设备以 50Hz 采样窗口采集 2 秒加速度时序数据，支持样本标注本地存储与网页导出；PC 端完成算法训练后，将推理逻辑以纯 C 形式部署到终端，实现本地实时分类。
整套技术可迁移至振动异常检测、故障诊断、传感器标定等工业场景。
核心工作
- 数据采集：设定50Hz/2s采集窗口，完成IMU运动姿态时序样本采集与标注，本地SD卡存储、网页后台导出数据。
- AutoML算法选型：基于时序数据自动遍历预处理、特征与分类算法组合，确定最优推理流水线。演示版采用轻量化简易特征；量产方案搭载全套时域、频域复合特征工程，适配复杂工业场景。
- 算法复刻：AutoML 输出绑定特定芯片的黑盒静态库，无法跨平台运行。基于其输出的算法技术路线，借助 AI 工具逐级重建预处理、特征提取、推理全流程逻辑，经输入比对校验，复刻得到输出对齐的干净模型。
- MCU推理优化：实现纯C无依赖算法部署，全程静态内存设计，无动态内存分配；模型体积仅3.1KB，极低资源占用，实现毫秒级端侧离线推理。
- LVGL交互界面：基于LVGL搭建设备交互界面，实时展示三轴时序数据波形，配置姿态分类、实时推理功能按键，实现数据采集、算法推理的可视化闭环调试。
设备效果
| 数据采集 | 实时推理 |
|---|---|
 |
 |
| A 类手势 | B 类手势 | C 类手势 |
|---|---|---|
 |
 |
 |
技术路线
边缘AI 使用场景
这套"时序采集 + 特征工程 + 轻量化模型 + 纯 C 端侧部署"的骨架，是一套端侧信号处理模板，分类、回归都能覆盖，换传感器、换场景都能快速复用：
- 异常振动检测：电机、风机、泵体等旋转设备，识别轴承磨损、不平衡、松动等故障类型。
- 多传感器融合诊断：融合温度、电流、振动、声纹等多路传感器，在 MCU 本地预测设备异常并分类故障原因。
- 电弧故障检测：从电流波形中提取特征，在断路器端侧实时识别串联/并联电弧。
- 运动姿态识别：基于腕部/腰部 IMU 识别走路、跑步、跌倒、骑行等动作，应用于健康穿戴设备。
- 传感器回归标定：输入单路或多路传感器原始值，回归估算标定后的物理量，例如把气体传感器原始读数换算为浓度单位。