,

电机的异常检测

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。 机器学习可以将系统产生的数据转化为对人类有意义的数据。 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

  • 通过测量电流消耗而不是电机发出的振动,我们只需要X-NUCLEO-IHM16M1板,无需额外的传感器
  • GBM2804H-100T三相电机的每个相位都包含相同的信息。 对于较小的信号,我们只测量其中的一个信号就够了
  • 我们为正常和异常行为创建了500个信号的数据集。 我们通过改变电机的速度来模拟异常行为
  • 我们在NanoEdge AI Studio中创建了一个“异常检测”动态模型
  • 我们直接在P-NUCLEO-IHM03套件的边缘上对其进行训练(NUCLEO-G431RB + X-NUCLEO-IHM16M1 + GBM2804H-100T电机),并进行了现场测试

传感器

电流传感器:X-NUCLEOIHM16M1(用于电流检测的STM32Nucleo扩展板)

数据

常规和异常信号
– 常规信号:运行正常
– 异常信号:不同的速度
信号长度:512(1轴)
数据速率:24 kHz

结果

异常检测:
100%准确率,0.6 KB RAM,2.8 KB Flash存储器

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