不同速度下的电机异常检测

您是否在寻找提高设备电机可靠性和效率的方法？

压缩机、主轴或水泵等工业设备在运行过程中会产生不同的振动。 一些振动属于正常振动， 另一些则可能暗示即将发生故障。

状态监测是实现有效预测性维护解决方案的第一步。 然而，现今的大多数解决方案都将原始数据发送到云端进行进一步处理，如此一来提高了维护和能源成本。 通过拉近数据处理，将这一过程转移到被监控的机器附近，边缘计算降低了基础设施成本、功耗和网络带宽，因为这样就免除了将数据发送到云端再从云端返回的步骤。

在本用例中，我们使用了一个拥有机器学习功能的智能传感器节点，它可以适应被监控的系统，并检测设备故障的早期迹象。 一旦出现异常，片上系统 (SoC) 就会通过嵌入式蓝牙低功耗无线电向设备用户发送警报，让用户能够尽早规划维护操作。

方法

我们的目标是通过采集STEVAL-PROTEUS1板上嵌入的ISM330DHCX的振动数据，检测1 kHz频率范围内的异常，如轴线偏离或电机盘上的摩擦。

我们使用以下方法来实现上述目标：

• 在NanoEdge AI Studio工具中创建一个动态的“异常检测”模型。

• 进行第一阶段的“终端设备学习”以调整模型，然后在引擎上启动异常检测模型。

• 使用FP-AI-PDMWBSOC固件包和STBLE传感器移动应用程序采集数据，并在STEVAL-PROTEUS1板上测试嵌入式NanoEdge AI机器学习模型。

我们还开发了一套测试基准，用户可以使用推按钮生成两种不同的异常检测模型：轴线偏离异常和电磁干扰异常。 在“终端设备学习”阶段，操作者可以使用最多三种电机速度（低、中、高），这些都被视为正常工作速度。 设备学习和感测阶段在STEVAL-PROTEUS1板上的STM32WB5M微控制器模块上运行。 操作者通过移动应用程序进行远程控制。

传感器

STEVAL-PROTEUS1无线智能传感器节点上的3轴加速度计（参考： ISM330DHCX）