边缘计算通过在数据源附近进行本地数据处理，将传感器数据转化为决策推理，为工业现场分析提供更低延迟、更高精度和更快的实时响应能力。传统上基于云的AI计算更为常见，但受限于大型模型对算力的需求。随着更小高效模型的演进及嵌入式微控制器（MCU）性能的提升，边缘AI正取得显著进展。与云端服务器不同，边缘AI硬件需在振动、高温等恶劣环境下持续运行，硬件选型需在速度、低功耗、体积、内存容量与算力之间权衡。支持AI的MCU具备确定性实时运行优势，可确保采样与控制回路的时序可预测性。
在直流电弧故障检测应用中，微芯科技（Microchip）采用其dsPIC33系列数字信号控制器（DSC）。该芯片集成32位CPU（主频达200 MHz）、高速DSP引擎及双精度浮点单元，并配备最高40 MS/s的12位ADC、100 MHz运放与5 ns比较器。相比通用MCU的多步中断服务例程（ISR），dsPIC33采用单步ISR与上下文寄存器切换，将典型20条指令的ISR压缩至4至6条，使中断延迟降至0.18微秒以内（120 MHz通用MCU为0.4微秒），从而实现对时间关键任务如实时电弧检测的快速响应。
针对直流电弧数据集稀缺的问题，微芯利用IEEE低压直流电弧公开数据集，通过MPLAB ML开发套件训练模型。该套件可将时域与频域的原始传感器数据转换为统计特征，用于算法训练与评估，并生成可在MCU运行的C API。基于此流程，MPLAB ML仅用13分钟即完成模型训练。生成的决策树模型应用于dsPIC33A DSC时，代码体积仅1,142字节，占用SRAM 1,336字节与Flash 4,522字节，推理延迟为0.6584毫秒，在直流电弧数据集上实现100%准确率，显著优于传统规则基线方法（57%准确率）。
在另一类工业监测场景中，德州仪器（TI）展示了基于MCU的边缘AI齿轮箱故障诊断方案。TI MSPM0G5187 MCU内置TinyEngine神经处理单元（NPU），专为神经网络计算优化，可提供640至2,560兆次运算/秒的预处理CNN模型算力。该架构相比纯软件AI方案，单次推理能耗降低120倍，延迟降低90倍。开发者可通过CCStudio Edge AI Studio图形环境进行模型开发、训练与编译，利用TI Model Zoo预置模型或自定义数据，并通过神经网络编译器将模型转换为优化C代码，无缝部署至NPU或CPU。
该方案利用SpectraQuest齿轮箱故障诊断模拟器采集的开源数据集进行验证，数据涵盖0%至90%负载变化下四个方向的传感器记录，包含健康与断齿状态。基于该数据集训练的8个模型运行于MCU后，优化后的AI模型在振动信号时域分析中达到99.9%的检测准确率，实现了从被动维修向预测性维护的转变。
资料来源：Embedded；原文发布日期：2026-10-19。本文为资料编译。