线性执行器中的故障检测和分类
利用人工智能检测和诊断线性致动器的故障。
线性执行器能够为各种机械设备和工作流程提供动力，在工业自动化过程中发挥着关键作用。 然而，这些执行器的故障和失灵可能会导致代价高昂的停机，延误生产并降低运行效率。
经过优化的人工智能 (AI) 算法能够实现预测性维护并实时诊断故障，从而通过最大限度缩短非计划停机时间来提高设备的可靠性和生产率。 基于AI的诊断系统不仅能够执行简单的检测，而且能够识别具体的故障类型并深度挖掘问题的根本原因，从而使工程师和维护团队能够有针对性地执行高效的故障排除。
经过优化的人工智能 (AI) 算法能够实现预测性维护并实时诊断故障，从而通过最大限度缩短非计划停机时间来提高设备的可靠性和生产率。 基于AI的诊断系统不仅能够执行简单的检测，而且能够识别具体的故障类型并深度挖掘问题的根本原因，从而使工程师和维护团队能够有针对性地执行高效的故障排除。
方法
此用例的数据来源为 克兰菲尔德大学的 “线性执行器故障检测和诊断”数据集。 我们的目标是检测和区分线性执行器的4种状态：正常、反冲、缺乏润滑和剥落。
数据集使用从线性致动器收集的数据，包含多个可转换为 .csv 文件（使用 SciPy 库）的 .mat 文件。与同一行为相对应的所有文件都被连接起来，最终只有四个文件：Normal.csv、Backlash.csv、LackOfLubrication.csv 和 Spalling.csv。由于与其他类别相比，数据集中包含大量的剥落数据，因此只使用了一半的剥落数据，以确保训练数据集更加均衡。
随后我们利用 NanoEdge AI Studio根据这些输入信息创建了一个N分类项目，以便对线性执行器的状态进行分类。
传感器
电流传感器和加速度计。
数据
4 级分类正常、缺乏润滑、间隙和剥落
信号长度6000
数据速率25 Hz
信号长度6000
数据速率25 Hz
结果
N 级分类：
90.65% 的准确率，20.3 Kbytes RAM，184 Kbytes 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]()
![任何STM32 MCU]()
![任何STM32 MCU]()
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 任何STM32 MCU
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。