基于振动进行泵异常检测
通过边缘学习对产生振动的机器进行异常行为检测。
预测性维护是一种维护策略，利用机器学习来预测设备何时可能发生故障。
水泵等工业设备在运行过程中会产生不同的信号。 在这些设备上安装传感器来采集相关数据，就可以通过机器学习来识别出正常和异常的行为模式。 这种预测方法旨在最大程度地缩短停机时间，提高效率，延长设备使用寿命。
我们针对水泵应用了以下方法：采集水泵的振动数据并加以分析，然后利用机器学习模型检测异常。 该方法经过调整，可轻松适用于很多其他工业机器。
水泵等工业设备在运行过程中会产生不同的信号。 在这些设备上安装传感器来采集相关数据，就可以通过机器学习来识别出正常和异常的行为模式。 这种预测方法旨在最大程度地缩短停机时间，提高效率，延长设备使用寿命。
我们针对水泵应用了以下方法：采集水泵的振动数据并加以分析，然后利用机器学习模型检测异常。 该方法经过调整，可轻松适用于很多其他工业机器。
方法
项目目标：
在该项目中，我们使用第一个回路，通过加速度计来记录泵的振动数据。 我们收集了正常和异常信号，这些信号是通过关闭分流水阀而产生的。
然后，我们使用 NanoEdge AI Studio创建了一个异常检测模型。 该软件工具根据我们的学习数据生成了最优模型。
创建的模型载入Proteus板，并连接到第一个回路。 该原型可用来实时检测正常和异常数据。
然后，我们将包含该模型的Proteus板移到第二个回路中。 通过边缘学习，我们使用新电路的信号在数秒内对同一模型进行重新训练。 虽然该模型最初是针对第一个回路进行的优化，但在新回路中依然表现良好。
- 利用泵的振动来检测装有该泵的液压回路中的异常情况。
- 说明设计的模型可以用在完全不同的集成回路中，并且由于采用边缘AI学习技术，在其他回路中依然能够检测出异常。
在该项目中，我们使用第一个回路，通过加速度计来记录泵的振动数据。 我们收集了正常和异常信号，这些信号是通过关闭分流水阀而产生的。
然后，我们使用 NanoEdge AI Studio创建了一个异常检测模型。 该软件工具根据我们的学习数据生成了最优模型。
创建的模型载入Proteus板，并连接到第一个回路。 该原型可用来实时检测正常和异常数据。
然后，我们将包含该模型的Proteus板移到第二个回路中。 通过边缘学习，我们使用新电路的信号在数秒内对同一模型进行重新训练。 虽然该模型最初是针对第一个回路进行的优化，但在新回路中依然表现良好。
传感器
数据
常规信号和异常信号
– 常规信号：第一个回路正常状态下的640个泵振动信号。
– 异常信号：其中一个回路因被阻断而出现偏差状态下的440个泵振动信号
信号长度768（每个轴256，共3个轴）
数据速率6667 Hz，范围：
– 常规信号：第一个回路正常状态下的640个泵振动信号。
– 异常信号：其中一个回路因被阻断而出现偏差状态下的440个泵振动信号
信号长度768（每个轴256，共3个轴）
数据速率6667 Hz，范围：
结果
异常检测类：
100%准确率，7.8 KB RAM，6.1 KB Flash
蓝点表示正常信号，红点表示异常信号。
信号值位于横坐标，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。