通過邊緣學習對產(chǎn)生振動的機器進行異常行為檢測。

工業(yè)類家電NanoEdge AI Studio預測性維護加速度計

預測性維護是一種維護策略，利用機器學習來預測設備何時可能發(fā)生故障。

水泵等工業(yè)設備在運行過程中會產(chǎn)生不同的信號。 在這些設備上安裝傳感器來采集相關數(shù)據(jù)，就可以通過機器學習來識別出正常和異常的行為模式。 這種預測方法旨在程度地縮短停機時間，提高效率，延長設備使用壽命。

我們針對水泵應用了以下方法：采集水泵的振動數(shù)據(jù)并加以分析，然后利用機器學習模型檢測異常。 該方法經(jīng)過調(diào)整，可輕松適用于很多其他工業(yè)機器。

方法

項目目標：

• 利用泵的振動來檢測裝有該泵的液壓回路中的異常情況。

• 說明設計的模型可以用在不同的集成回路中，并且由于采用邊緣AI學習技術，在其他回路中依然能夠檢測出異常。

在該項目中，我們使用第一個回路，通過加速度計來記錄泵的振動數(shù)據(jù)。 我們收集了正常和異常信號，這些信號是通過關閉分流水閥而產(chǎn)生的。

然后，我們使用NanoEdge AI Studio創(chuàng)建了一個異常檢測模型。 該軟件工具根據(jù)我們的學習數(shù)據(jù)生成了模型。

創(chuàng)建的模型載入Proteus板，并連接到第一個回路。 該原型可用來實時檢測正常和異常數(shù)據(jù)。

然后，我們將包含該模型的Proteus板移到第二個回路中。 通過邊緣學習，我們使用新電路的信號在數(shù)秒內(nèi)對同一模型進行重新訓練。 雖然該模型最初是針對第一個回路進行的優(yōu)化，但在新回路中依然表現(xiàn)良好。

傳感器

加速度計（三軸）

齒輪特性研究 

多場耦合模擬實驗運算平臺  

異常環(huán)境下設備狀態(tài)研究  

高速列車傳動模擬實驗臺 

齒輪箱阻尼特性研究 

船槳推進器振動耦合實驗臺 

轉子外部激勵轉子動力學研究 

齒輪箱故障機理齒輪特性研究 

齒輪模塊之間位置可調(diào) 

雙跨彈性支撐滑動軸承實驗臺 

轉子動力學研究 

電機對托故障模擬實驗臺     

電機故障機理電機特性電機傳動研究 

軸承壽命預測機理研究模擬實驗臺  

壽命周期研究高載荷 

多跨船舶尾軸傳動故障模擬實驗臺 

轉子齒輪箱故障機理研究 

雙跨雙轉子教學實驗臺  

滑動軸承故障機理研究  

多點位激振平臺