原始波形把特征学习交给模型能够保留完整局部形状人工特征先压缩数据常能用更小模型完成任务。两种方案的优劣取决于数据规模、任务复杂度和MCU预算。选择输入形式时应把预处理计算也计入系统成本。一个很小的特征模型如果每个窗口需要昂贵FFT和大量浮点统计整体资源未必更低。输入方案的成本 MCU预处理 模型推理 缓冲区评价时不能只看神经网络本身。完成本篇后你应该能够比较原始波形、时域特征和频域特征保留的信息与带来的资源成本。建立三条输入基线在相同数据划分下判断哪种表示更适合任务。从同一段信号提取可解释特征并计算一个简单的类别分离度。特征是从一段波形计算出的摘要例如均值、RMS或某个频带的能量。模型可以接收波形也可以接收这些摘要。一、先把核心关系连起来原始波形保留最多信息1D CNN可以从局部波形中学习边缘、周期和跨通道组合。它减少了人工特征假设适合事件形状复杂且数据量足够的任务。代价是输入维度和中间激活通常更大。原始输入对采样一致性要求更高。采样率、窗口长度、通道顺序或相位关系变化都可能直接改变模型看到的局部模式。图1原始波形、统计特征和频谱特征的定性取舍人工特征把领域知识写进输入RMS、峰峰值、峭度和频带能量能够把一个窗口压缩成少量数字。类别差异恰好由这些属性表达时全连接网络或传统分类器即可完成任务。特征也可能删除关键信息。两个波形具有相同RMS和方差时时序结构仍可能完全不同。特征选择必须通过分布图和消融实验验证。表1三类输入方案的工程差异输入优势主要成本原始波形信息完整、可学习局部结构输入和激活较大、数据需求高时域特征输入小、解释直接依赖特征假设、可能丢失时序频域特征周期与频带差异清晰FFT、窗函数和缓冲成本二、预处理成本应在目标MCU上测量均值和RMS计算简单FFT、MFCC和高阶统计需要额外缓冲与运算。使用CMSIS-DSP可以提高效率但仍要记录预处理时间、RAM和常量表Flash。PC端特征脚本与MCU实现可能在窗函数、归一化、浮点精度和边界处理上产生差异。黄金样本逐项对比是部署前的必要测试。Python为同一窗口同时生成简单时域特征import numpy as npdef time_features(window):# window形状: [time, channels]return np.concatenate([window.mean(axis0),window.std(axis0),np.sqrt(np.mean(window ** 2, axis0)),np.ptp(window, axis0),]).astype(np.float32)# 与原始波形模型使用同一数据划分进行对照。三、用三条平行基线做选择可以对同一数据分别训练统计特征Dense、频谱特征Dense、原始波形1D CNN。每条路线统一记录模型指标、预处理时间、推理时间、Flash和RAM。最终方案应处于资源与效果的合理前沿。若简单特征已经达到验收要求增加复杂模型只会扩大维护成本。输入表示决定模型需要自己学习多少工作原始波形保留时间顺序卷积网络可以学习局部形状、相位关系和跨通道组合。代价是输入元素多、中间激活大、需要更多训练数据。若任务证据只体现在一个稳定统计量上直接使用波形会增加不必要的自由度。人工特征把领域知识提前写进输入。RMS描述能量峰峰值描述幅值范围过零率描述变化快慢频带能量描述特定频段。24维特征送入小型Dense网络通常比600点原始窗口节省RAM和计算但窗口内部细节被压缩后无法恢复。特征不是免费计算。平方根、除法、FFT和滤波都消耗时间与工作区。比较方案时要把特征提取和模型推理合并计时只比较模型Invoke会错误地认为复杂特征方案更快。三类输入表示的工程差异表示保留信息常见代价原始波形时间顺序与局部形状输入和激活较大时域特征幅值、能量、分布丢失细节与相位频域特征周期、谐波和频带FFT工作区与窗口参数混合输入兼顾领域知识和细节接口与模型更复杂用相同划分建立可归因的对照实验先冻结原始记录和按设备划分的训练、验证、测试清单再从同一窗口生成三种表示。若每条路线重新随机划分结果差异可能来自测试样本不同。每条路线还要使用相近的训练预算和一致的指标。第一条基线可以是少量时域特征加线性分类器用于判断任务是否简单第二条是频带能量加小型Dense第三条是原始窗口加轻量1D CNN。只要简单基线达到业务目标就没有必要为了结构复杂而增加部署风险。错误分析要寻找表示缺失。若两个类别RMS相近但频率不同时域能量特征难以区分若故障是短促冲击整窗平均频谱可能稀释事件。此时更换表示比盲目增加神经元更有针对性。特征分离度的直观指标score |mean_class_A - mean_class_B| / (std_A std_B)它只用于初筛单个特征不能替代独立测试。四、落地检查三种输入路线使用同一原始数据和同一分组划分。把特征计算时间、临时缓冲和常量表计入资源。通过分布图和消融实验确认每个特征的贡献。训练端与MCU端使用黄金窗口逐项比较。选择达到验收指标且总系统成本最低的输入方案。动手比较原始波形与四个时域特征脚本生成两类信号一类低幅平稳振动一类包含更高幅值和偶发冲击。它提取均值、RMS、峰峰值和过零率再计算每个特征的简单分离度。所有数据由固定种子生成。实验环境与输入Python 3标准库。保存为 compare_representations.py 并运行。模拟信号用于学习方法不作为真实设备性能证据。按顺序完成实验运行脚本观察每类原始窗口有100个元素而特征向量只有4个元素。比较四个特征的分离度找出对当前模拟任务最有效的特征。删除故障类冲击只保留频率差异再运行并观察哪些时域特征变弱。增加一个频率相关特征或频带能量验证表示应随任务证据变化。可直接运行从模拟窗口提取特征并计算分离度import mathimport randomimport statisticsrandom.seed(13)FS, N 100, 100def make_window(label, index):values []for n in range(N):t n / FSamp 0.20 if label 0 else 0.42value amp * math.sin(2*math.pi*(5label*2)*t)value random.gauss(0, 0.025)if label 1 and n 20 index % 50:value 1.1values.append(value)return valuesdef features(x):mean sum(x) / len(x)rms math.sqrt(sum(v*v for v in x) / len(x))p2p max(x) - min(x)zcr sum((a 0) ! (b 0) for a, b in zip(x, x[1:]))/(len(x)-1)return [mean, rms, p2p, zcr]groups {0: [], 1: []}for label in groups:groups[label] [features(make_window(label, i)) for i in range(30)]names [mean, rms, peak_to_peak, zero_cross_rate]print(raw elements/window:, N, feature elements/window:, len(names))for j, name in enumerate(names):a [row[j] for row in groups[0]]b [row[j] for row in groups[1]]score abs(statistics.mean(a)-statistics.mean(b)) / (statistics.pstdev(a)statistics.pstdev(b)1e-12)print(f{name:16s} mean0{statistics.mean(a):.4f} fmean1{statistics.mean(b):.4f} separation{score:.3f})先读懂代码中的关键路径模拟类差异同时包含幅值、频率和冲击便于观察不同特征捕获不同证据。features只用当前窗口计算不读取标签防止把答案泄漏进输入。分离度把类间均值差除以类内波动只做单特征初筛不代表非线性模型效果。所有路线必须复用同一窗口ID否则表示比较会混入数据划分差异。你应该观察到什么特征向量从100个元素压缩到4个元素直接减少后续Dense层输入。RMS或峰峰值对当前幅值与冲击差异通常具有较高分离度。删除冲击或修改类别差异后最有效特征会变化证明特征选择依赖任务。成功标准三条表示路线使用完全相同的原始样本ID和集合划分。预处理耗时、模型耗时和RAM一起进入比较。最终选择由独立测试、资源和错误类型共同支持。失败时从哪里查起输入表示对照实验常见问题现象原因处理训练很好、换设备很差特征包含设备偏置按设备隔离并检查均值类特征特征模型完全分不开摘要丢失关键时序加入频域或原始波形路线特征路线板端更慢漏算FFT或除法成本端到端测预处理加推理特征工程的目标是用更低资源保留任务证据。每次添加特征都应说明它描述什么物理属性。把实验迁移到真实MCU项目把特征函数先用常量、正弦、单脉冲做单元测试再移植C。计算耗时必须包含滤波、平方根、除法和跨通道操作。若选择原始波形仍需做单位换算和最小质量检查“端到端学习”不意味着固件可以忽略采样率、通道和饱和。把结果再向前推进一步为你的任务写出三个可能有区分力的物理属性再映射到特征。计算600维原始输入与24维特征输入连接16个神经元时的参数量差异。列出原始、时域、频域三条基线的统一评价表字段。收束原始波形与人工特征没有固定胜者。用同一数据、同一划分和完整板端资源账单比较才能选出适合项目的输入方案。参考资料Arm CMSIS-DSP 官方文档TensorFlow Lite Micro 官方代码仓库