您是否在寻找提高设备电机可靠性和效率的方法？
压缩机、主轴或水泵等工业设备在运行过程中会产生不同的振动。 有些振动可能是完全正常的。 另一些则可能是故障的征兆。
状态监测是实现有效预测性维护解决方案的第一步。 然而，现今的大多数解决方案都将原始数据发送到云端进行进一步处理，如此一来提高了维护和能源成本。 通过拉近数据处理，将这一过程转移到被监控的机器附近，边缘计算降低了基础设施成本、功耗和网络带宽，因为这样就免除了将数据发送到云端再从云端返回的步骤。
在本用例中，我们使用了一个拥有机器学习功能的智能传感器节点，它可以适应被监控的系统，并检测设备故障的早期迹象。 一旦出现异常，片上系统 (SoC) 就会通过嵌入式蓝牙低功耗无线电向设备用户发送警报，让用户能够尽早规划维护操作。
压缩机、主轴或水泵等工业设备在运行过程中会产生不同的振动。 有些振动可能是完全正常的。 另一些则可能是故障的征兆。
状态监测是实现有效预测性维护解决方案的第一步。 然而，现今的大多数解决方案都将原始数据发送到云端进行进一步处理，如此一来提高了维护和能源成本。 通过拉近数据处理，将这一过程转移到被监控的机器附近，边缘计算降低了基础设施成本、功耗和网络带宽，因为这样就免除了将数据发送到云端再从云端返回的步骤。
在本用例中，我们使用了一个拥有机器学习功能的智能传感器节点，它可以适应被监控的系统，并检测设备故障的早期迹象。 一旦出现异常，片上系统 (SoC) 就会通过嵌入式蓝牙低功耗无线电向设备用户发送警报，让用户能够尽早规划维护操作。
方法
我们的目标是通过采集STEVAL-PROTEUS1板上嵌入的ISM330DHCX的振动数据，检测1 kHz频率范围内的异常，如轴线偏离或电机盘上的摩擦。
我们使用以下方法来实现上述目标：
我们还开发了一套测试基准，用户可以使用推按钮生成两种不同的异常检测模型：轴线偏离异常和电磁干扰异常。 在“终端设备学习”阶段，操作者可以使用最多三种电机速度（低、中、高），这些都被视为正常工作速度。 设备学习和传感阶段在 STEVAL-PROTEUS1 电路板上的 STM32WB5M 微控制器模块上运行。 它们由移动应用程序远程控制。
我们使用以下方法来实现上述目标：
- 在NanoEdge AI Studio工具中创建一个动态的“异常检测”模型。
- 进行第一阶段的“终端设备学习”以调整模型，然后在引擎上启动异常检测模型。
- 使用FP-AI-PDMWBSOC固件包和STBLE传感器移动应用程序采集数据，并在STEVAL-PROTEUS1板上测试嵌入式NanoEdge AI机器学习模型。
我们还开发了一套测试基准，用户可以使用推按钮生成两种不同的异常检测模型：轴线偏离异常和电磁干扰异常。 在“终端设备学习”阶段，操作者可以使用最多三种电机速度（低、中、高），这些都被视为正常工作速度。 设备学习和传感阶段在 STEVAL-PROTEUS1 电路板上的 STM32WB5M 微控制器模块上运行。 它们由移动应用程序远程控制。
传感器
数据
正常信号和异常信号：
- 正常信号：标称行为，每种速度 830 个信号（低、中、高）
- 异常信号：异常行为，每种故障（磁铁异常和轴异常）每种速度 830 个信号
信号长度768（每轴 256 个，3 轴）
数据速率：1.6 kHz；满刻度：2g
- 正常信号：标称行为，每种速度 830 个信号（低、中、高）
- 异常信号：异常行为，每种故障（磁铁异常和轴异常）每种速度 830 个信号
信号长度768（每轴 256 个，3 轴）
数据速率：1.6 kHz；满刻度：2g
结果
异常检测级别：
99.45 % 的准确率，5.7 千字节内存，6.9 千字节闪存
蓝色点代表正常信号，红色点代表异常信号。
信号编号在横轴上，预测的置信度在纵轴上。
资源 ![NanoEdge AI Studio]()
![NanoEdge AI Studio]()
![STM32WB系列]()
![STM32WB系列]()
模型创建工具 NanoEdge AI Studio
一款免费的AutoML软件，用于向嵌入式项目添加AI，并逐步引导用户轻松找到符合其需求的最佳AI模型。
兼容 STM32WB系列
STM32系列32位微控制器基于Arm Cortex®-M处理器，旨在为MCU用户提供新的开发自由度。它包括一系列产品，集高性能、实时功能、数字信号处理、低功耗/低电压操作、连接性等特性于一身，同时还保持了集成度高和易于开发的特点。