自從MCU加入AI功能，很多人都不知道AI到底能夠為我們帶來什么變革。事實上，MCU廠商就給出了答案，在最近接連關注電機預測維護系統這一領域。作為最典型應用之一的電機預測維護系統究竟有什么魔力？

在現代工業領域，電機作為各類設備的核心動力源，穩定運行保證至關重要。一旦電機出現故障，不僅會導致設備停機，還可能帶來生產中斷、維修復雜等等一系列衍生問題。電機預測性維護技術應運而生，成為保障電機可靠運行、提升工業生產效率的關鍵手段。

據不完全統計，中國每年僅因電機燒毀所消耗的電量就達數千萬度，電機燒毀的數量達20萬臺次以上，修理費達20億元以上，而因停工停產所造成的損失更是無法估量。也正因此，預測性維護對于電機而言至關重要。

電機預測性維護的工作原理

電機預測性維護主要依托數據收集、分析處理、模型預測及決策執行這四大關鍵環節。

數據收集：在電機的關鍵部位，如軸承、繞組等，安裝各類傳感器，實時采集電機運行過程中的多種數據。溫度傳感器監測電機溫度，防止過熱引發故障；振動傳感器檢測電機振動情況，判斷是否存在機械不平衡或部件松動；電流傳感器負責記錄電流變化，反映電機的負載狀態和電氣性能。通過感知持續收集數據，并通過有線或無線通信技術，將數據傳輸至數據處理中心。

分析處理：收集到的數據往往包含噪聲和異常值，因此數據分析處理環節必不可少。首先對數據進行清洗，去除干擾信息，確保數據質量。接著，從清洗后的數據中提取關鍵特征，如振動的峰值、均值、電流的諧波分量等。之后，運用機器學習算法對數據進行深度分析，建立電機故障預測模型。例如，利用神經網絡算法，讓模型學習電機正常與故障狀態下的數據特征模式，從而實現對電機未來狀態的準確預測。而如果利用傳統的FFT，耗時更長同時準確率也不夠。

模型預測：基于訓練好的模型，當檢測到電機運行數據出現異常趨勢，預測可能發生故障時，系統會立即發出預警。

決策執行：維護人員收到預警后，結合電機的運行歷史、生產計劃等因素，制定科學合理的維護決策。對于輕微故障，可安排在設備下次常規檢修時處理；若為嚴重故障，則需立即停機搶修，以避免故障擴大。

如何選擇適合電機的預測性維護技術和工具

選擇適合電機的預測性維護技術和工具，需綜合考量多方面因素。

適配電機特性：從電機自身特點出發，不同類型、功率及應用場景的電機，其故障模式和關鍵監測參數存在差異。小型電機可能更關注繞組溫度和電流變化，大型電機則對振動和軸承狀態更為敏感。因此，要依據電機具體特性，選擇針對性的傳感器和監測技術。

注重技術性能：在技術層面，數據采集技術要確保準確、實時。傳感器的精度和可靠性直接影響監測結果，需選擇質量可靠、適合電機工作環境的傳感器。數據分析方法上，簡單的線性模型可能適用于監測電機某些線性變化參數，而對于復雜的故障模式，深度學習算法如卷積神經網絡（CNN）或循環神經網絡（RNN），能更好地處理電機運行過程中的非線性數據關系，提升預測準確性。

用于電機軸承和電弧故障檢測的 CNN 模型可以從原始傳感器數據（例如振動信號）中學習復雜模式，然后檢測指示軸承故障的細微變化。

由于 CNN 模型可以自主從原始或預處理的傳感器數據（例如電機振動信號、電壓或電流） 中學習，因此 CNN 模型非常適合用于故障檢測和預測性維護的傳感器數據分析。無需手動干預即可直接提取有意義的特征，從而實現穩健、準確的檢測。同時，可以利用表示可變工作條件和不同硬件變化的傳感器數據以及快速傅里葉變換 (FFT) 等不同的預處理算法來提高模型的適應性、抗噪性和可靠性，同時減少總檢測或推理延遲。

由于 CNN 可以高效處理大量數據，并在不同的運行條件下表現良好，因此適用于工業環境中的實時監測和預測性維護。在這些環境中采用 CNN 模型可以更早、更有效地檢測電機軸承故障，從而提高設備可靠性和運行效率。

考量工具功能：評估工具性能時，功能完整性是關鍵。優秀的預測性維護工具不僅要能準確預測電機故障，還應具備生成詳細維護計劃的功能，明確維護時間、內容及所需資源。同時，工具的易用性也不容忽視，操作界面應簡潔直觀，方便維護人員使用，降低培訓成本。

電機預測性維護應用具體實施案例

某汽車制造工廠：該工廠在生產線上大量使用電機驅動各類設備，如傳送帶、機器人手臂等。為保障生產的連續性，引入了電機預測性維護系統。在電機上安裝振動、溫度和電流傳感器，實時收集數據。通過數據分析發現，一臺用于驅動大型機械手臂的電機，其振動數據出現異常波動，且電流值也偏離正常范圍。預測性維護系統迅速發出預警，經技術人員進一步分析，判斷可能是電機軸承磨損。由于預警及時，工廠在生產線非繁忙時段安排了電機檢修，更換了磨損的軸承。此次維護避免了因電機突發故障導致的生產線長時間停機，據估算，至少挽回了數十萬元的生產損失，同時延長了電機的整體使用壽命。

某化工企業：化工生產中的電機多處于惡劣環境，面臨高溫、高濕度及化學腐蝕等挑戰。企業采用預測性維護技術，對多臺關鍵電機進行實時監測。其中一臺用于物料輸送的電機，在運行過程中，溫度傳感器檢測到電機繞組溫度持續上升，同時基于深度學習算法的分析模型發現電流諧波特征也出現異常。預測性維護系統判定電機可能存在繞組絕緣老化問題。企業立即安排維護人員對電機進行檢查，確認了絕緣老化情況，并及時進行了修復。通過這次預測性維護，避免了電機因絕緣失效引發的短路故障，保障了化工生產的穩定運行，同時減少了因計劃外停機造成的化工原料浪費和環境污染風險。

正是CNN在電機預測性維護方面的重要性，越來越多的電機控制器廠商開始將AI加入其中。

德州儀器

最近的一個例子是德州儀器（TI）推出集成CNN功能的C2000產品TMS320F28P550SJ。

C2000 F28P550SJ包括了C28x DSP，CLA，以及NPU，可以執行不同的電機功能，包括了預測性維護。

要實現電機驅動的可靠運行，需要進行快速且可預測的系統故障檢測，以幫助減少錯誤警報，同時還需要監測電機軸承異常和實際故障。

一些電機軸承故障監測方法還使用多個器件來實現實時控制，通過振動分析進行監測、溫度監控和聲學測量。然后，這種離散化方法使用基于數據的規則檢測來監測潛在故障，這需要手動解析，并且可能會錯過早期故障，或者無法準確檢測故障類型。但這都需要大量的系統專業知識，并且自適應性和靈敏度都受到限制，從而限制檢測精度。此外，向系統中添加用于故障監測的分立式器件和用于電機控制的專用實時控制 MCU 會增加系統的復雜性。

基于邊緣 AI 的集成式故障檢測功能在 TMS320F28P550SJ 等實時 MCU 中本地運行 CNN 模型，有助于提高故障檢測率、避免誤報，同時提供更好的預測性維護。借助邊緣 AI，這些系統可以學習并適應環境，從而優化實時控制、提高整體系統可靠性、安全性和效率，同時減少停機時間。

CNN 模型如何增強實時控制系統中的故障監測和檢測

另外，在軟件方面，TI提供Edge-AI Model Composer，能將常見的深度學習框架（如 TensorFlow、PyTorch 等）訓練好的模型，轉換為適合在 TI 的MCU和MPU等邊緣設備上運行的格式。

ADI

ADI OtoSense Smart Motor Sensor 是一款基于人工智能的全一站式硬件與軟件解決方案，有助于避免停機時間并優化維護成本。很早以前，ADI 就看到電機預測性維護的市場潛力，2018 年開始陸續收購包括 OtoSense 以及 Test Motors 在內的預測性維護軟件和平臺供應商，并通過 ADI 的整合，將不同的產品整合為一個完整的智能電機傳感器解決方案（Smart Motor Senor, SMS）。

該方案由三部分組成：首先是硬件平臺，內部集成了 ADI 的振動和溫度傳感器，以及信號鏈等產品，負責收集電機的運行狀態；其次，是 ADI 開發的一套預測性維護算法，目前支持包括轉子、定子、軸承、平衡度、冷卻系統、支撐腳松動等等故障算法，這些算法已經部署到了云端，與邊緣的數據連接通過安全 MQTT 進行，并支持 OTA 更新；另外則是一套運行于手機或電腦端的 HMI，以圖表的形式展現健康指數，并提供運維指導。同時，為了與智能工廠的平臺相融合，ADI 也開放了 API 接口。

其具備以下關鍵特性：

可操作的診斷：能夠診斷 9 種機械和電氣電機故障，包括故障嚴重程度，并針對特定故障提供推薦措施。性能指標可識別負載的潛在問題或可能需要額外操作的工藝變化。

可擴展性：設置快速，易于使用。無需電線或額外網關，可與大多數電機配合使用（詳見背面的電機兼容性）。易用的界面減少了培訓和設備維護成本。

瑞薩

通過收購Reality AI，豐富了技術與工具庫，讓瑞薩能夠將這些技術與MCU和MPU產品相結合，幫助開發者將先進的機器學習和信號處理無縫應用于解決復雜問題。

RealityCheck Motor 是一款先進的軟件工具箱，它使用來自電機控制過程的電氣信息來實現預測性維護、異常檢測和智能控制反饋的開發，而無需額外的傳感器。它能夠檢測系統參數的細微變化，以指示維護問題和異常，從而實現早期檢測并減少停機時間。該軟件可與瑞薩電子 MCU、MPU 和電機控制套件無縫協作，并與 Reality AI Tools完全集成，以大規模創建、驗證和部署傳感器分類或預測模型。

RealityCheck Motor 能夠無傳感器地檢測系統參數的微小變化，這些變化表明存在異常和維護問題。該工具箱可以部署在端點上，以便及早檢測電機系統中的故障，從而及時維護，減少停機時間和密集的維修成本。具有性能優化、實時性和擴展的數據收集引擎；支持無傳感器 ML 模型，減少產品 BoM；嵌入式條件監控、預測性維護、異常檢測和控制反饋等多項優勢。

在MCU方面，瑞薩的RA8M1 MCU 系列是業界首款基于 Arm Cortex-M85內核的 32 位MCU，能夠以 480 MHz 頻率實現超過 3000 CoreMark 分數，實現出色的AI性能。

意法半導體

在電機中實施故障檢測和分類框架是預測性維護策略的第一步。預測性維護通過主動解決潛在的電機問題來減少停機時間、避免生產損失、延長設備壽命并利用實際數據推動決策，從而有助于降低生產成本。然而，故障檢測及其分類面臨著許多挑戰，例如數據收集、預處理和特征工程以及機器學習模型互操作性和優化。

ST利用STM32 AI生態系統可以順利完成這一旅程，增強維護團隊的可靠性和信心。

具體流程如下：

通過使用ISE OneX 測試臺設置，ST準確地創建并重現了多種故障，包括電機旋轉不平衡、軸承松動或故障以及軸錯位。

目標是使用NanoEdge AI Studio生成一個能夠對這些故障進行分類的機器學習庫。

ST在NanoEdge AI Studio中設置數據記錄器生成器，以使用內置常開ISM330DHCX傳感器的STEVAL-PROTEUS1連續記錄電機振動數據。

ST使用記錄的振動數據和 NanoEdge AI Studio 提供的采樣查找器工具來確定項目使用的最佳信號長度和數據速率組合。

在基準測試過程中，NanoEdge AI Studio確定了幾個能夠高精度地對電機的正常狀態和4種故障進行分類的庫。

通過NanoEdge AI Studio中的驗證步驟，ST選擇了在測試生成的新數據集上產生最佳結果的庫。

編譯庫后，使用ST BLE傳感器移動應用程序通過藍牙將其部署在 STEVAL-PROTEUS 板上。

可以按照相同的步驟創建一個類似的 AI 模型，該模型能夠對多種級別的錯位（0.0、0.2、0.4 和 0.6 毫米）進行分類。

另外，還可以分析包括旋轉不平衡，軸承松動，軸承故障，錯位等。

根據ST的實測表明，準確度可達99.80%，內存占用為12.7 KB RAM，25.4 KB Flash。

恩智浦

恩智浦強調了eIQ在預測性維護開發方面的重要性。

越來越多的應用要求能夠在配備微控制器和微處理器的邊緣設備上運行的AI，這帶來了更低的延遲、更低的能耗以及更強的數據隱私保護等好處。在這些應用中，時間序列數據通常用于開發三類主要任務：異常檢測、分類和回歸。時間序列數據是指按一致、均勻的時間間隔記錄的一系列數據點。

1.需要時間序列數據的應用

顧名思義，異常檢測的目的是識別超出預期的行為。它依賴時間序列數據來檢測與正常行為的偏差，從而觸發警報或緊急停止，以盡量減少損害。

分類訓練模型通過學習數據中的模式來識別和分類輸入信息。這包括在訓練過程中為數據點分配標簽，使模型能夠做出準確的決策。一旦模型開發完成，它們可以有效地識別數據中的模式，并對新的輸入進行分類。

回歸任務旨在根據數據預測連續值，例如基于歷史電池放電數據預測電池壽命或進行電機的預測性維護。溫度和振動傳感器的數據可用于預測隨著時間的推移可能發生故障的幾率。

盡管還有許多其他用例受益于機器學習和AI開發，但時間序列數據仍是其中最復雜、最動態的一種。

為了在邊緣推進AI，恩智浦推出了eIQ Time Series Studio (eIQ TSS)，這是eIQ AI和機器學習開發軟件系列中的新工具。eIQ TSS具備自動機器學習工作流程，可簡化基于時間序列的機器學習模型在多種MCU器件(如 MCX MCU和 i.MX RT跨界MCU )上的開發和部署。

Time Series Studio支持多種傳感器輸入信號，包括電壓、電流、溫度、振動、壓力、聲音和飛行時間等，還支持這些信號的組合，實現多模態傳感器融合。其自動機器學習功能使開發人員能夠從原始時間序列數據中提取有意義的見解，并快速構建AI模型，以滿足MCU的精度、RAM和存儲標準。該工具提供了一個全面的開發環境，包括數據策展、可視化和分析，以及模型的自動生成、優化、模擬和部署。

2.eIQ Time Series Studio的分步工作流程

示例應用

為了快速啟動開發，NXP提供了三個主要任務的示例應用和數據集：異常檢測、分類和回歸。該工具中包含每個應用的詳細信息和分步說明，幫助開發人員順利開始開發流程。

eIQ Time Series Studio用戶界面

1.數據輸入

數據管理對于確保數據清潔、有序和對齊至關重要。例如，當從室外環境中的多個傳感器收集數據時，由于環境因素，數據可能會有噪聲，且采樣率不同。為了確保模型的準確性，必須以時間關系為基礎對這些數據進行對齊和同步。

開發人員可以在導入自定義時間序列數據時定義通道和類別的數量。Time Series Studio還提供了多種數據查看選項，包括原始數據、時間數據、統計數據和光譜數據。

2.訓練和優化

當自動機器學習取代傳統的手動迭代開發過程進行參數調整、模型和算法搜索時，模型的訓練和優化變得更加容易。只需一鍵即可生成模型，并按精度或閃存/RAM大小進行排序。這將模型訓練和優化的時間從幾周縮短到幾個小時。

eIQ TSS用戶界面中的訓練頁面

3.模擬

模型訓練完成后，可以在虛擬邊緣環境中使用不同的未見過的測試數據集對其進行測試和驗證。這樣可模擬目標設備環境，使開發人員能夠在將模型部署到實際硬件之前驗證其性能和準確性。

4.部署

編譯所選模型后，可以為應用生成自定義庫。使用該庫非常簡單，只需兩次API調用。一次API調用用于初始化模型，另一個用于運行推理。生成的庫可兼容MCUXpresso和Code Warrior IDE。

eIQ TSS用戶界面中的部署頁面

5.智能化數據選項

用戶通常根據他們的先驗知識導入時間序列數據集。然而，如果沒有進行全面的數據分析，這可能會影響訓練數據的有效性。例如，采樣頻率可能超過應用程序的要求，或者在分類任務中，每個類別的訓練數據量可能不平衡。

為了應對這些挑戰，Data Intelligence提供了一種實用工具，可以評估數據集的平衡性和單個數據通道的重要性。該工具不僅可以檢測數據不平衡，還能識別可以刪除以優化資源的冗余通道。此外，它還推薦最佳采樣頻率和窗口大小，使用戶能夠優化數據集，提高質量并獲得更準確的分析結果。

eIQ TSS用戶界面中的Data Intelligence頁面

比如，在這個例子中，在12個通道中，有兩個可能是非必要的，可以刪除它們，以節省資源，原始連續數據的采樣率可能過高，建議將其降低到1/16，等等一系列優化建議。

基于智能分析，用戶可以更改未來訓練用數據集，從而獲得更好的結果。

Time Series Studio提供了一個無縫的端到端解決方案，旨在降低開發人員、合作伙伴及客戶使用其數據開發AI解決方案的門檻，并節省時間。

英飛凌

英飛凌PSOC Control處理器可以為傳統工業應用注入ML的能力。尤其是像電機控制的用例中，可以通過機器學習來實現預測性維護，減少產線運維成本和停機風險。通過收購Imagimob，英飛凌獲得了AI相關軟件技術。正在進一步加強其AI軟件產品組合。為此，公司發布了邊緣AI和機器學習軟件解決方案的新品牌DEEPCRAFT。英飛凌已經意識到邊緣AI巨大的市場潛力，以及為客戶提供邊緣AI工具的重要性。

英飛凌安全互聯系統事業部總裁Thomas Rosteck表示：“通過建立DEEPCRAFT品牌，將為客戶提供豐富的邊緣AI解決方案組合，以滿足他們的各種需求，而且英飛凌的邊緣AI軟件還能與先進的硬件無縫協作。”

DEEPCRAFT品牌產品組合將囊括現有的邊緣AI軟件產品DEEPCRAFT Studio和DEEPCRAFT 成熟模型（前身為Imagimob Studio和Imagimob Ready Models），并迅速壯大，以便為英飛凌客戶提供更廣泛的新型邊緣AI和機器學習軟件工具、模型和解決方案。

結語

在工業生產高度依賴電機穩定運行的當下，電機預測性維護系統已然成為保障生產連續性、降低成本的關鍵所在。傳統維護方式在應對電機故障時存在諸多局限，而融入 AI 技術，尤其是像 CNN 這樣的深度學習算法，為電機預測性維護帶來了革命性的變革。從數據采集的精準高效，到數據分析的深度智能，再到故障預測的及時準確，AI 的加持大幅提升了預測性維護系統的性能。

歡迎將我們設為“星標”，這樣才能第一時間收到推送消息。

關注EEWorld旗下訂閱號：“汽車開發圈”

回復“Auto”，免費領Autosar入門與實踐資料包！

掃碼添加小助手回復“進群”

和電子工程師們面對面交流經驗