本帖最后由 STM新闻官 于 2025-9-17 22:49 编辑
在2025年嵌入式设计大赛中，来自福建技术师范学院的“风灵月影队”凭借“基于NanoEdgeAI的工业设备故障检测系统”，一举斩获一等奖与最佳创意奖。
右边三位同学是风灵月影队
这支由吴耿斌、连凯、许扬三位同学组成的团队，以STM32为核心硬件底座，结合NanoEdgeAI边缘AI技术，为工业旋转设备打造了一套“毫秒级响应、本地化学习”的预测性维护方案。近日，我们特别对话团队，拆解这份获奖作品背后的技术创新与开发故事。 从工业痛点出发：让故障检测“快”与“准”兼得工厂里的电机、风机一旦突发故障停机，动辄造成数万元损失。传统故障检测要么依赖人工巡检效率低，要么需将数据上传云端分析，延迟往往超过10秒，难以满足工业场景的实时性需求。为解决这一痛点，团队构建了“边缘计算+中央协调+云端管理”的三层架构：边缘端采用STM32H743与STM32N6双芯片组合，前者负责振动、电流数据采集与初步处理，后者依托自带的NPU（神经网络处理单元）实现AI推理加速；中央控制单元同样使用STM32H743XIH6作为系统的协调中心，通过LoRaWAN组网，实时接收各边缘节点数据；云端则通过OneNET平台实现远程监控与历史数据回溯。
系统架构图“我们方案最突出的特点就是能够在边缘端直接完成AI推理，避免云端延迟，确保实时性；最关键的突破是AD-NC混合AI模型。”队长吴耿斌强调。团队创新性地将NanoEdge AI的异常检测库（AD库）与分类库（NC库）结合：AD库先通过本地学习建立设备“正常状态基准”，相似度低于90%即触发异常警报；随后NC库精准分类故障类型，从轴承裂纹到电流失衡，7类常见故障识别准确率达95%，且整个过程在边缘端完成，响应时间控制在2秒内。
STM32双芯协同+NanoEdge AI：高性能与低功耗的边缘智能解决方案既要考虑性能需求，也需兼顾工业场景的部署灵活性，为此，团队最终选择STM32H743与STM32N6的组合。STM32H743在系统中既扮演中央控制单元的角色，也作为边缘计算单元AI的一部分，负责调度任务和处理数据，以及在云端通信。其Cortex-M7内核支持高效计算，能轻松应对多节点数据调度与LoRa通信任务；而STM32N6的NPU是边缘AI推理的“加速器”，强大AI算力可减少实时性延迟，同时功耗更低，特别适合边缘计算的需求。
工业故障模拟平台及边缘端检测单元A(四代)
边缘计算单元B
中控界面谈到NanoEdge AI的使用体验，吴耿斌说：“NanoEdge AI模型具有体积小、集成化高的特点，支持毫秒级推理。STM32H743与STM32N6主频都比较高，能轻松运行这些模型，占用的RAM和时段都比较小，因此都能轻松部署NanoEdge AI模型。”“ST的开发生态可总结为：高效、智能、可视化。”许扬分享道，NanoEdge AI Studio让他们无需手动调参——只需导入100组故障样本数据，平台就能自动测试算法组合，生成最优模型库，再通过CubeIDE一键部署到STM32；TouchGFX框架则帮助团队快速设计出工业级GUI界面，设备状态、波形数据一目了然。
跨学科攻坚：突破硬件搭建与模组开发难题
硬件搭建过程中，跨学科知识的整合曾让团队面临不小挑战。吴耿斌坦言：“我们使用的STM32H743是BGA封装，自己设计电路、焊接时，很难保证每个焊点都完美，经常出现连锡却难以检测的情况，前后试了很多次才成功。”此外，为优化板载LoRa天线的传输效果，团队还临时学习阻抗计算知识，借助嘉立创阻抗计算器完成电路优化，最终实现3公里内稳定通信。团队曾为实现物联网功能尝试使用ST最新推出的ST67无线模组，却因资料少、协议栈复杂一度卡壳，最终通过ST官方论坛、CubeIDE的可视化配置工具，再结合NanoEdge AI的自动化模型训练，才逐步打通技术卡点。而自学STM32的经历，更让团队对这份成果倍感珍惜。“STM32的知识全靠课后‘啃手册+做项目’积累。”吴耿斌说，从最初焊接STM32F103开发板，到如今熟练调试STM32N6的NPU，蓝桥杯等竞赛与学校实验室的支持，为他们打下了扎实的实践基础。
全流程历练：在解决问题中明确成长方向回顾整个参赛过程，三位队员都认为，项目开发带来的不仅是技术提升，更是全流程工程思维与自我认知的突破。吴耿斌感慨：“从最初的想法雏形，到一步步落地实现，再到解决中途遇到的各种问题，我完整体验了项目开发的全流程，独立思考和解决问题的能力得到了很大锻炼。许扬则聚焦技术视野的拓展：“做项目前，我完全不了解边缘计算，也不知道怎么在单片机上部署AI模型。这次不仅学会了用NanoEdge AI和CubeIDE，还首次尝试了全流程使用ST官方开发工具，打开了新的技术大门。”连凯的反思则更显务实：“以前做项目多是单一模块开发，简单对接通讯协议、写基础驱动。这次接触到协议栈这类复杂内容，才发现自己的知识缺口还很大，也明确了接下来需要重点学习的方向。”
未来展望：从赛场走向产业，拓展边缘智能边界谈及未来规划，团队准备进一步优化硬件集成度，将传感器、通信模块整合到一块PCB板，降低工业现场部署成本；长期则希望探索STM32WB系列蓝牙模块的应用，为小型设备提供低功耗监测方案。ST完整的生态链、稳定的芯片性能，以及丰富的参考资料，让开发效率大幅提升。“如果未来成为嵌入式工程师，我们肯定还会选择STM32。”三位同学一致表示。从实验室的创意构想，到能解决工业实际问题的落地方案，风灵月影队用作品证明：依托STM32这样的成熟硬件平台，学生团队也能在边缘智能领域做出兼具技术深度与产业价值的创新。这份成果，不仅是对他们技术能力的肯定，更展现了嵌入式技术赋能工业智能化的无限可能。*免责声明：本文所有视频及作品简介均来自2025第八届全国大学生嵌入式芯片与系统设计竞赛应用赛道学生提交的参赛作品展示，由学生自行制作。意法半导体展示获奖作品内容仅为展示参赛者作品，为开发者带来更多创意启发，并已征得主办方同意。意法半导体不承担作品展示内容或视频字体的相关法律责任。如有异议，请联系STM32客服沟通（微信号：STM32_01）
| 
