机器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、噪声和超声波。 我们可以在机器上安装传感器来监测其工作状况。 借助人工智能，我们可以创建智能解决方案，区分上述异常现象。 如此一来，设备就可以根据异常的严重程度自动分类，并向维护团队发送相应警报。 为便于演示，我们在风扇电机上应用了该方法，但该方法还可以便捷应用于更多类型的工业设备。
方法
用基于超声波的分类模型获取近一秒的数据，然后使用梅尔频率倒谱系数 (MFCC) 进行预处理，再将其输入到经过预先训练的神经网络中。该网络针对四个类别进行训练【关闭、正常、堵塞、摩擦】。基于超声波的分类使用板载模拟MEMS麦克风以192 kHz（16位，1通道）的速率采集音频。每毫秒都会接收到一个DMA中断，其中包含最后的192个音频样本。这些样本将在滑动窗口中累积，该窗口包含4096个样本，没有重叠。每21.33毫秒，缓冲区将注入USC预处理，以进行特征提取。USC预处理将提取超声特征：MFCC (46×32) 声谱图。
为了计算效率和内存管理优化，该步骤被划分为两个程序：
– 第一部分：使用FFT和筛选器组应用，从时域输入信号计算46列MFCC中的一列，将其转换为梅尔标度（32个梅尔带）。
– 第二部分：当所有32列都已完成计算（即经过981毫秒后），对梅尔标度声谱图应用对数标度，创建USC卷积神经网络的输入特征。
每981毫秒，将 (46×32) MFCC声谱图输入到USC卷积神经网络输入。 模型将异常分为四类：【关闭、正常、堵塞、摩擦’】。 该模型创建用于USB风扇，当风扇以最大速度运行时效果较好，但在其他速度测试时则效果不太理想。
传感器
模拟MEMS麦克风，频率响应高达80 kHz（参考：IMP23ABSU)
数据
数据格式：在各种条件下记录的2-3小时的数据，以1500 rpm的固定速度在四个类别之间平衡。
结果
模型：意法半导体量化卷积神经网络
输入大小：46×32
复杂度：565 K MACC
存储器占用：
163 KB Flash存储器
74 KB RAM用于激活
120 MHz时的STM32L4R9（低功耗）性能：
预处理：24 MHz；每秒46 MFCC列计算，每列4.2 ms
NN处理：每秒1次推理；10 MHz，每次推理78 ms
