任何一家工业工厂，都离不开电机这个核心动力源。但电机也是个容易“闹脾气”的部件——结构松动、轴承损坏、不对中、腐蚀、共振、负载不平衡……随便哪样出了问题，都可能让生产线直接停摆。后果很直接：长时间的机器停机，产能损失巨大。

怎么防？过去最常用的方法是计划维护，比如每隔固定时间就换一次零件、做一次检修。但问题来了：如果零件本身状况良好，这种操作就变成了资源浪费。于是状态维修思路应运而生——根据设备的实际运行状况来制定维修计划，既省成本又提效率。

用于预测性维护的传感器

而在状态维修之上，预测性维护（PdM）则更进一步。如今，高精度的惯性传感器、短距或长距无线连接模块，加上低功耗、高性能的边缘AI设备，已经能实现对关键机器数据的连续、实时采集和分析（图1）。

图1

.联合收割机结合振动和MEMS温度传感器、电源管理、安全元件和运行机器学习库的STM 32 MCU，无需占用太多空间或功耗，即可监控设备和检测故障。

这套方案的优势在于：它能用实时、分布式的数据分析在问题升级为大故障前就把隐患揪出来，从而最大限度减少停机、降低维护成本，并主动延长设备寿命。需要监测的电机数据，通常来自加速度计和陀螺仪等运动传感器，通过不同算法处理后，就能在生产过程中连续分析电机的振动状态。

利用机器学习进行预测性维护

预测性维护的核心是状态监测。传统做法是使用数字3轴MEMS传感器配合微控制器（MCU），在时域和频域里做常规分析——采数据、算阈值、做对比。当机器正常运行时，监测到的振动与标准模型基本吻合；要预测故障趋势，就把实时振动数据与预设阈值做比较，一旦漂移就报警。

但这套方法有个硬伤：它需要开发人员具备深厚的机械、数学和编程功底来编写算法和规则。而且，一旦工作条件变了，所有规则就得推倒重来，非常僵化。而基于AI的方法则完全不同——神经网络和机器学习算法能让系统从数据中自我学习、持续改进。设备条件变化了？没关系，预测模型自己会迭代，不需要人去手动调算法或理解复杂工艺规则。

参考设计套件

这里介绍一个基于STEVAL-PROTEUS1参考设计套件的系统方案。这是一款工业无线传感器节点，外形紧凑，集成了MEMS传感器、蓝牙连接和嵌入式AI库。它能检测被监控设备中的异常，并对故障进行分类。结果可以通过USB线缆发送到PC终端控制台，或者无线发送到与之配套的手机应用STBLESensor。应用端会以图形方式显示结果，并能与云平台共享数据（图2）。

图2

.用于预测性维护的设备监控

这项工作的挑战在于：使用n分类机器学习模型，实现对通常发现得较晚的机械漂移做到早期检测。具体目标，是识别并分类由于线性错位引起的振动变化，精度要达到“几十毫米级”级别。

参考设计架构

STEVAL-PROTEUS1套件是专为工业温度和振动监测打造的评估工具。主板（图3）包括一个经过认证的无线电模块、用于振动监测的工业MEMS惯性传感器组合、高精度温度传感器、电源管理和保护电路，以及2 Gb闪存用于代码和数据存储。板卡还集成了STSAFE-A110安全元件，可以为本地或远程主机提供身份验证和安全数据管理服务。所有组件都安装在PCB顶侧，方便直接连接。

图3

. STEVAL-PROTEUS董事会

无线模块采用STM32WB5MMG，尺寸极小、功耗极低，内部集成了STM32WB55VGY无线SoC。这颗SoC包含2.4 GHz集成射频部分，其中Arm Cortex-M4负责应用处理，Cortex-M0+负责管理无线电层——可以运行蓝牙低功耗（BLE）5、802.15.4、Zigbee 3.0、Thread或专有软件堆栈。

为加快应用开发，套件附带了一个用于异常检测和分类的固件包，运行在Cortex-M4上。利用惯性传感器采集的原始数据，AI算法能发出不平衡、磨损等问题的早期警告。

这里用到的嵌入式AI，是由NanoEdge AI Studio工具软件生成的机器学习库。过程从STEVAL-PROTEUS板上传感器输出的特定数据集开始，工具提取所需用例的机器学习库（如异常检测或分类），然后集成到传感器节点的MCU中。

要远程感知机器状态，节点在检测到异常时发出指示，通过蓝牙连接到STBLESensor应用。该应用允许用户设置传感器和库参数，控制学习和检测模式，并监控设备故障状态。

信号处理和ML模型生成

传感器通常以原始形式提供数据，这并不适合直接用于预测性维护。无论是传统算法还是机器学习算法，开始操作数据之前，都必须先做过滤、整形等预处理。要设计好这条预处理和处理链，首先得吃透信号的特性。

STEVAL-PROTEUS节点可以从机载惯性传感器获取振动数据，并使用STM32WB MCU在边缘侧直接处理。在状态监测中，传感器信号是沿着x、y、z轴的加速度样本集合。图4显示了在时域和频域中表示的、对应正常机器条件的振动信号。

图4

.原始和转换的传感器信号。单击放大图像

样本存储在应用固件中实现的循环数据缓冲区中。图5总结了数据采集、处理和结果发送的逻辑流程。

图5

. STEVAL-PROTEUS传感、处理和通信

在这个例子中，NanoEdge AI Studio生成了一个包含预处理模块和ML模型的库。这个工具包含了自动化机器学习软件，让嵌入式开发人员无需具备广泛的ML或数据科学知识就能上手。它生成一个预编译的C库，可以集成到STM32 MCU中。按照图6所示的工作流程，用户就能获得一个可靠的库。

图6

. NanoEdge AI Studio工作流程

本次示例的目的是将电机轴不对准分为四个严重性级别。第一步，定义四个类。然后，使用高速数据记录固件采集加速度计数据，为每个类生成数据集。板上的ISM330DHCX加速度计配置为标称输出数据率833 Hz，满量程2 g。通过几次预采集周期来识别电机速度的这些参数，确保正确的采样频率和x-y-z轴上的最大加速度值。

注入条件定义数据集：

无未对准或标称条件
0.20 mm错位
0.40 mm错位
0.60 mm错位

接着，创建一个N类分类NEAI项目，并将STEVAL-PROTEUS1作为目标。导入这四个数据集后，基准测试会根据性能指标和内存占用来确定最佳模型。

数据集包括423条线或信号，每个信号包含128 × 3个样本（一个样本包括对应三个轴上测量的三个加速度值）。循环缓冲区的大小取决于信号大小：每个项目128 × 3个样本。基准测试过程中，NanoEdge AI Studio会训练、交叉验证和测试候选库，并为每个候选库打分。完成时提供排名。图7显示了与排名中选择的模型对应的基准图。

图7

. NEAI模型的基准测试

这个例子的基准测试耗时23分钟。选定的SEFR（可扩展、高效和快速分类）模型使用了约3 KB的RAM和4 KB的闪存。换句话说，NEAI处理占用了STEVAL-PROTEUS板载RAM的6.4%和闪存的0.5%（此百分比考虑了使用FUS v1.2.0.0和BLE全栈v1.13.0.5的用户应用的可用资源）。

NanoEdge AI Studio提供了多项性能指标来评估模型性能，如图8所示。其中，平衡精度是数据集平衡的多类分类问题中最重要的指标之一——在多类分类问题中，如果每个类包含相同数量的样本，则数据集是平衡的。

图8

.模型性能指标

信号处理链结合了传统信号处理功能和SEFR多类分类器机器学习算法，用于识别四个级别的未对准（图9）。

图9

.用AI增强信号处理链。单击放大图像

接下来，软件功能包（FP-AI-PDMWBSOC）加速了ML模型在MCU（STM32WB）上的部署。该软件包专为STEVAL-PROTEUS1开发，将NEAI库集成在一个适合管理不同类型传感器和连接的环境中。在传感器管理器模块中，多个传感器线程处理传感器初始化、配置和数据生成。数据构建器从传感器任务中抓取少量数据，操作后填充循环缓冲区。当一个项目就绪，NEAI线程开始处理数据。最终，节点通过蓝牙将结果（缩减到几个字节）共享到客户端设备（如智能手机）。

系统设置和结果

故障分类方案可以使用专业测试台进行验证，例如伊势开发的OneX工具。它能模拟电机最常见的故障——轴不对中、不平衡负载、结构松动和轴承损坏。测试台包含电机和驱动器，带有机械联轴器和轴，模拟不平衡的配重盘和三个轴承。轴承箱允许施加受控的未对准或安装损坏的轴承进行分析。

图10

.使用OneX工具进行测试设置

如图10所示，STEVAL-PROTEUS节点被连接到第二个接合面上。电机转速设定为3000 rpm。然后，测试逐步引入更大的轴承轴不对准，保持其他实验参数不变。PROTEUS节点在所有四个类别中正确识别出未对准，并将结果传达给手机应用。

图11

.结果显示在移动的应用程序上。

如图11所示，手机应用显示与识别条件对应的数字，并负责将结果共享到云端。之后，使用相同的流程对其他电机故障（如正常和不平衡负载、机械松动和轴承故障）进行测试，PROTEUS节点的推理都能正确识别。

设备故障的早期检测

通过AIoT增强的物联网传感器节点，能显著提升预测性维护应用的有效性——关键在于早期发现工业设备行为中的漂移。功能丰富的STEVAL-PROTEUS节点，配合使用NanoEdge AI Studio开发的推理应用，不仅能检测异常振动，还能根据严重程度正确识别不对准的幅度。

这套传感器和应用可以量化十分之一毫米量级的轴不对中，或小于1克的不平衡。而节点的蓝牙连接，为系统方案增加了远程监控的能力——通过集成蓝牙低功耗网关，无论是在工厂内还是工厂外，都能对设备状态尽在掌握。