电机故障诊断（11类故障）
根据电机故障类型进行数据分类。
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。 机器学习会将系统生成的数据转化为有意义的数据。 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。 机器学习会将系统生成的数据转化为有意义的数据。 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
基本组成部分包括待测驱动电机（永磁同步电机）、转矩测量轴、测试模块和负载电机（同步伺服电机）。
测试在不同的轴承负载、转矩负载和速度下进行。
使用故障、负载和速度的不同组合，产生11类故障。
信号是基于电流检测。
测试在不同的轴承负载、转矩负载和速度下进行。
使用故障、负载和速度的不同组合，产生11类故障。
信号是基于电流检测。
传感器
通用电流传感器
数据
/content/dam/st-developer-zone/st-edge-ai-suite/case-studies/2022/neai-electric-drive-dataset.zip
结果
11 类分类：
98.56% 均衡准确率 ，0.5 KB RAM，140.6 KB 闪存
绿点表示分类正确的信号。 红点表示分类不正确的信号。 类别位于横坐标，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。