AT32 AI Studio异常检测应用笔记

MCU学习帮

前言

在边缘计算时代，将人工智能直接部署在终端设备上，成为实现实时响应、保障数据隐私与降低云端依赖的关键。异常检测作为其中的核心应用，能通过持续分析传感器数据，智能识别系统或设备的异常状态，从而在工业预测性维护、智能安防、设备健康管理等领域发挥巨大价值。

为高效开发此类应用，AT32 AI Studio 应运而生。它是一款专为 AT32 系列芯片设计的一站式边缘 AI 开发平台，集数据工程、模型训练、测试与部署于一体，极大降低了开发门槛。本指南将详细介绍如何利用此平台，构建一个完整的异常检测解决方案：从通过 AT32 芯片的 ADC 模块采集传感器数据开始，到最终生成可高效运行在设备端的 AI 模型。无论您是初学者还是有经验的开发者，都能通过本指南快速掌握基于实际硬件数据的边缘 AI 应用开发全流程。

支持型号列表：AT32F403A

备注说明：本文档仅供有需求的小伙伴参考，文档中涉及的相关视频，程序 和图片，可访问雅特力官网获取https://www.arterytek.com/cn/support/index.jsp?index=1

1                 概述

AT32 AI Studio 软件旨在提供从数据到部署的完整边缘 AI 开发体验。其主要功能模块包括：

l  数据采集与处理：支持连接真实的 AT32 硬件，通过其 ADC 等接口直接采集传感器数据，并进行标注、增强和分割。

l  模型训练：提供直观的图形化机器学习管道设计，内置多种适用于边缘设备的轻量型神经网络模型，可针对异常检测等任务进行高效训练与优化。

l  模型验证与测试：可在软件内对模型精度进行仿真评估，并支持在真实设备上实时测试其性能与资源消耗。

l  一键部署：最终将训练好的模型自动转换为高度优化的代码，直接部署到目标 AT32 芯片上运行。

本指南所聚焦的异常检测应用，典型场景包括：工业设备（通过振动或电流信号监测电机故障）、环境监控（识别温湿度传感数据的异常波动）以及消费品（分析家电噪音模式是否异常）。通过本平台，开发者可快速应对这些场景，实现智能化预警与决策。

1.1           硬件环境

本应用笔记基于AT32-EdgeAI-Sensor-EV Board，这是一块基于AT32F403A集成多种传感器的开发板，本案例需要用到以下器件：

n  0.96’ OLED显示屏

n  3D 加速度计/陀螺仪（LSM6DS3TR）

实际电路图可参考文件AT32_EdgeAI_Sensor_EV_V1.0.zip

1.2            软件环境

本应用笔记基于AT32 AI Studio平台进行软件开发，完整项目所需的软件包括：

n  数据收集Keil项目：

AN0304\SourceCode\AN0304_SourceCode\app\data_collect

n  本案例所使用传感器数据：

AN0304\Tool_Training_Data\Training_Data.zip，解压后可得到异常和正常两组传感器数据

n  TXTToCSV：

AN0304\Tool_Training_Data\TXTToCSV.zip，TXT文件转CSV工具，解压双击后即可将本目录下的TXT数据文件转换为CSV文件

n  AT32_AI_Studio

通过官方下载链接AT32_AI_Studio获取最新版软件，解压AT32_AI_Studio.zip后可得到AT32_AI_Studio.exe，双击后即可进入软件界面

n  Keil MDK

用于AT32系列开发板的程序开发与编译

n  串口调试工具

用于开发板数据接收和调试信息收集等

2                          模型训练

本章节主要介绍如何通过AT32 AI Studio平台进行异常检测模型训练，包括数据集导入、模型训练、验证和部署等操作。

2.1           数据集导入

本案例提供了少量的异常检测模型训练的数据集，包括正常数据和异常数据两种类型。完整的数据集可以在Tool_Training_Data目录下的anomaly_detect_dataset.zip压缩包中查看。

用户还可以基于自己的项目自行添加相应的数据集，收集的数据集按照固定格式存储、命名后，通过TXTToCSV工具即可一键转换TXT文本数据格式为CSV数据格式。使用TXTToCSV工具处理的原始TXT文本数据应符合以下格式要求：

at32data get

X,Y,Z

X1, Y1,Z1

X2, Y2,Z2

…

Xn, Yn,Zn

at32data get

X,Y,Z

X1, Y1,Z1

X2, Y2,Z2

…

Xn, Yn,Zn

其中，单条数据以at32 data get分割；X、Y、Z分别为三列数据的表头；X1、X2到Xn为X列下的具体数值，Yn、Zn同理；X、Y、Z三列为示例名称，用户可按自己需求修改名称和列数。

数据集解压或转换后放入AT32 AI Studio软件所在目录，在软件界面中点击数据集路径-浏览，即可选择指定的模型训练数据集

2.2            模型训练和验证

数据集导入成功后即可开始模型训练和验证的操作，AT32 AI Studio提供了关于模型训练中最核心的三个配置项：学习率（learningrate）、批量大小（batch size）和轮次（epoch），这三个配置项的作用如下：

n  学习率：决定了模型根据计算出的误差（梯度）来调整自身参数时的幅度

n  批量大小：对训练样本进行分批处理的数据量大小

n  轮次：模型训练过程中训练样本被遍历和学习的次数

这三个参数在模型训练过程中相互关联，在实际模型调试中，通常首先确定一个合适的批量大小，其设定可基于运行AT32 AI Studio软件的硬件性能而定，然后通过实验寻找最佳的学习率和轮次，这是模型成功训练的基础。

设定好以上三个参数后即可点击开始按钮，进行自动化的模型训练。开始训练后，根据运行软件的硬件性能以及训练参数的不同，训练完成所花费的时间不等。以上述参数为参考，训练所需时间约610秒，可通过训练日志查看详细的训练过程以及报错信息等内容。

在模型训练完成后，软件将自动进行模型验证工作，主要包含：

1)      性能评估：在独立测试集上计算准确率、损失等核心指标，并进行细致的误差分析（如混淆矩阵）；

2)      质量诊断：通过绘制训练曲线诊断过拟合/欠拟合，并可视化分析预测结果；

3)      部署验证：测试模型推理速度、资源消耗，并验证格式转换（如转TensorFlow Lite）后的精度与功能完整性。

经过以上步骤最终确保模型从实验状态达到生产就绪标准，接下来就可进行模型部署了。

2.3            模型部署

模型部署阶段用户可以选择将要部署的模型、开发板、项目类型等，主要的部署配置如下：

选择模型：选择将要部署的模型

TFLite模型文件：选择模型文件路径

输出项目路径：选择部署项目的生成路径

开发板：选择AT32 AI Studio支持的开发板

使用NPU：可选是否支持NPU

应用：指定模型的应用类型，可选音频、视觉和传感器

项目类型：指定生成项目所使用的开发环境，可选Keil和VSCode

张量内存池大小：设定模型运行所需占用的内存大小

设定完成后直接点击执行按钮即可在指定目录下生成工程项目。

3                          软件实现

本章节详细阐述基于AT32 AI Studio的异常检测应用的软件实现流程，涵盖从传感器数据采集、数据预处理到边缘AI模型部署运行的关键步骤。

3.1           数据采集

本案例通过SPI对三轴加速度计进行控制，实现精确时序的数据采集，系统采用双缓冲机制，确保数据采集与模型推理并行处理，避免数据丢失。

3.1.1       硬件配置与初始化

l  SPI接口初始化：开发板上的3D 加速度计/陀螺仪（LSM6DS3TR）通过SPI进行控制，包括传感器初始化、状态读取和数据读取。

l  传感器初始化：SPI初始化完成后即可开始传感器的初始化配置，包括设定工作模式、输出数据速率等。

l  定时器配置：传感器的输出速率被设定为104Hz，为了将数据采集与模型推理并行处理，案例使用定时器中断每10ms采集一笔数据的方式实现。

3.1.2       双缓冲机制

系统采用双缓冲结构存储传感器数据，由两个相同大小的数组实现。每个缓冲区可存储100笔完整的三轴加速度数据（X、Y、Z），共计300个浮点数值，对应每一组数据采样时间为1秒。当前缓冲区存储完毕后立即切换到另一缓冲区，并将采集完成标志置位。

3.2           数据预处理

通过传感器获取到原始加速度数据后，即可开始对数据进行输入模型前的预处理。预处理旨在将原始的三轴加速度时序数据，转换为一个能直接表征运动剧烈程度的一维特征序列。预处理算法主要包括以下两个部分：

1)      计算向量幅度：对每个时间点t（共100个），根据其三轴（x、y、z）加速度值计算合成加速度向量幅度

                              

2)      计算一阶差分：计算相邻向量幅度之间的绝对差值，得到差分序列，共99个值。此序列将直接反映加速度变化的剧烈程度

通过数据预处理模型将不再直接学习复杂的原始加速度波形，而是通过预处理后的差分序列对输入数据进行学习识别，这将极大的减轻模型的负载。

3.3           模型部署

模型部署模块将在AT32AI Studio中训练验证完成的TFLite模型集成到AT32开发板，实现从边缘AI异常检测的完整推理流程，并通过OLED显示屏实时反馈识别结果。模型部署的软件实现流程图如下：

3.3.1       模型初始化与加载

在系统启动阶段，模型部署模块首先进行初始化操作。该过程包括加载预训练的TFLite模型文件到内存，创建TensorFlow Lite Micro解释器实例，并根据模型结构分配必要的Tensor内存空间。初始化过程中，系统会验证模型格式的正确性，检查内存分配的充足性，并建立输入输出Tensor的引用关系，为后续推理做好准备。

3.3.2       实时推理循环

当数据擦剂完成标志置位后，推理流程随即启动。系统首先将特征数组数据复制到模型的输入Tensor中，确保数据格式与模型要求一致。随后调用解释器的推理接口执行前向计算，该过程在AT32的处理器上高效运行。推理完成后，从输出Tensor中提取异常、正常数据的置信度分数，通过比较确定最高置信度类别，并根据预设阈值判断识别结果的有效性。

3.3.3       结果反馈与显示

识别结果通过OLED显示屏直观呈现。系统设计了简洁的显示界面，在屏幕中央以文字形式展示当前设备的异常检测结果，“Anomaly”表示异常，“Regular”表示正常。

至此，基于加速度计与AT32 AI Studio的异常检测系统软件设计已完成。整个流程实现了从硬件定时器中断触发数据采集到TFLite模型在AT32上实时推理的完整闭环。本设计充分利用了边缘AI的实时性、可靠性与隐私安全优势，并通过AT32 AI Studio平台高效完成了从模型训练到嵌入式部署的全流程，为资源受限的终端设备提供了可靠的智能交互解决方案。

4                          案例实作

本章节主要介绍异常检测案例在开发板上的实际部署与测试过程，涵盖硬件连接、软件配置及功能验证的完整流程

4.1           操作方法

本案例的硬件平台由前述的AT32-EdgeAI-Sensor-EV Board开发板构成。开发板搭载AT32F403A MCU的主控板，其集成了3D加速度计、OLED显示屏和具备USB转串口功能的AT-LINK调试器。

操作步骤：

1)      使用一根Mini-USB线将开发板连接到电脑，系统将由电脑USB口供电。

2)      在电脑上打开串口调试工具，选择识别到的AT-LINK虚拟串口，配置波特率为460800，即可建立通信。

3)      在KeilMDK环境中打开项目工程，完成编译后，通过集成的AT-LINK将固件下载至主控板。

4.2           实验效果

编译下载程序后复位开发板，等待串口、传感器等初始化完成。初始化完成后屏幕将显示测试信息。

任意方向大幅晃动开发板将检测到异常动作，开发板保持平稳或较小晃动则检测正常，OLED画面将显示模型识别结果

此外，在acc.h代码中提供了#define PRINT_RAW_DATA宏定义，可以选择是否将无法识别的数据打印出来。后续可按照前述2.1 数据集导入的步骤将新数据导入训练集，对模型进行重新训练，进而提高模型的准确度。

至此，基于AT32 AI Studio的异常检测案例讲解完成。