电机的异常检测
通过电流检测识别电机的异常行为。
电机已用于各种应用，而且其性能也越来越高。 借助电机在运行过程中所提供的数据，可以对其进行精确监测。 这些数据还可用于增强预测性维护技术的应用效果。
预测性维护包括通过自动检测老化程度或预测异常来优化维护策略。 机器学习可以将系统产生的数据转化为对人类有意义的数据。 我们在电机控制算法旁直接添加了AI解决方案，以便在同一个微控制器上同时运行异常检测与分类以及电机控制，从而降低系统成本并优化资源。 该方法还可轻松调整，从而适用于多种电机和各种应用。
预测性维护包括通过自动检测老化程度或预测异常来优化维护策略。 机器学习可以将系统产生的数据转化为对人类有意义的数据。 我们在电机控制算法旁直接添加了AI解决方案，以便在同一个微控制器上同时运行异常检测与分类以及电机控制，从而降低系统成本并优化资源。 该方法还可轻松调整，从而适用于多种电机和各种应用。
方法
通过测量电流消耗而不是电机发出的振动，我们只需要X-NUCLEO-IHM16M1板，无需额外的传感器
GBM2804H-100T三相电机的每个相位都包含相同的信息。 对于较小的信号，我们只测量其中的一个信号就够了
我们为正常和异常行为创建了500个信号的数据集。 我们通过改变电机的速度来模拟异常行为
我们在 NanoEdge AI Studio中创建了一个“异常检测”动态模型
我们直接在 P-NUCLEO-IHM03套件（NUCLEO -G431RB + X-NUCLEO-IHM16M1 + GBM2804H-100T 电机）的边缘上对其进行了训练，并进行了现场测试
GBM2804H-100T三相电机的每个相位都包含相同的信息。 对于较小的信号，我们只测量其中的一个信号就够了
我们为正常和异常行为创建了500个信号的数据集。 我们通过改变电机的速度来模拟异常行为
我们在 NanoEdge AI Studio中创建了一个“异常检测”动态模型
我们直接在 P-NUCLEO-IHM03套件（NUCLEO -G431RB + X-NUCLEO-IHM16M1 + GBM2804H-100T 电机）的边缘上对其进行了训练，并进行了现场测试
传感器
数据
正常信号和异常信号
- 正常信号：正常功能
- 异常信号：不同速度
信号长度512（1 轴）
数据速率24 kHz
- 正常信号：正常功能
- 异常信号：不同速度
信号长度512（1 轴）
数据速率24 kHz
结果
异常检测：
100 % 准确率，0.6 KB RAM，2.8 KB 闪存
蓝点表示正常信号，红点表示异常信号。
信号编号位于横坐标，预测置信度显示在纵坐标上
资源 ![NanoEdge AI Studio]()
![NanoEdge AI Studio]()
![STM32]()
![STM32]()
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 STM32
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。