所有设备都会通过发射各种信号与所在环境交互。 这些信号包含着能够反映设备运行状况的相关信息。 如果能了解这些信号的意义，就能大幅优化设备的运行。
例如，在发生异常或故障之前，机器会产生稍显异常的振动模式。 我们可以在机器上安装传感器来监测其工作状况。 并借助机器学习算法直接从机器上学习其正常运行状态。 通过分析振动的变化，我们就可以在出现异常时检测出来。 为便于演示，我们在风扇电机上应用了该方法，但该方法还可以轻松地适用于更多的工业设备。
例如，在发生异常或故障之前，机器会产生稍显异常的振动模式。 我们可以在机器上安装传感器来监测其工作状况。 并借助机器学习算法直接从机器上学习其正常运行状态。 通过分析振动的变化，我们就可以在出现异常时检测出来。 为便于演示，我们在风扇电机上应用了该方法，但该方法还可以轻松地适用于更多的工业设备。
方法
我们将加速度计/电路板放在风扇上。 我们用蓝胶粘住它
300个正常信号：3种速度（低、中、高），每种速度100个信号
300个异常信号：在每种速度下，阻断气流，移动风扇，或者敲击风扇
我们在 NanoEdge AI Studio 上创建了一个 "异常检测 "项目，并在 NUCLEO-L432KC上进行了实时测试。
300个正常信号：3种速度（低、中、高），每种速度100个信号
300个异常信号：在每种速度下，阻断气流，移动风扇，或者敲击风扇
我们在 NanoEdge AI Studio 上创建了一个 "异常检测 "项目，并在 NUCLEO-L432KC上进行了实时测试。
传感器
加速器（三轴）： LIS3DH
数据
正常信号和异常信号
- 正常信号：每种速度 100 个信号（低、中、高）
- 异常信号：每种速度 100 个信号，阻断气流、移动风扇、敲击风扇等
信号长度1536（每轴 512 个，3 轴）
数据传输速率1.6 kHz，范围：2g
- 正常信号：每种速度 100 个信号（低、中、高）
- 异常信号：每种速度 100 个信号，阻断气流、移动风扇、敲击风扇等
信号长度1536（每轴 512 个，3 轴）
数据传输速率1.6 kHz，范围：2g
结果
异常检测等级：
100 % 准确率、7.8 KB RAM、6.1 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。