电机预测维护系统，是时候增加“亿点点”AI了

在现代工业领域，电机作为各类设备的核心动力源，稳定运行保证至关重要。一旦电机出现故障，不仅会导致设备停机，还可能带来生产中断、维修复杂等等一系列衍生问题。电机预测性维护技术应运而生，成为保障电机可靠运行、提升工业生产效率的关键手段。

据不完全统计，中国每年仅因电机烧毁所消耗的电量就达数千万度，电机烧毁的数量达20万台次以上，修理费达20亿元以上，而因停工停产所造成的损失更是无法估量。也正因此，预测性维护对于电机而言至关重要。

电机预测性维护主要依托数据收集、分析处理、模型预测及决策执行这四大关键环节。

数据收集：在电机的关键部位，如轴承、绕组等，安装各类传感器，实时采集电机运行过程中的多种数据。温度传感器监测电机温度，防止过热引发故障；振动传感器检测电机振动情况，判断是否存在机械不平衡或部件松动；电流传感器负责记录电流变化，反映电机的负载状态和电气性能。通过感知持续收集数据，并通过有线或无线通信技术，将数据传输至数据处理中心。

分析处理：收集到的数据往往包含噪声和异常值，因此数据分析处理环节必不可少。首先对数据进行清洗，去除干扰信息，确保数据质量。接着，从清洗后的数据中提取关键特征，如振动的峰值、均值、电流的谐波分量等。之后，运用机器学习算法对数据进行深度分析，建立电机故障预测模型。例如，利用神经网络算法，让模型学习电机正常与故障状态下的数据特征模式，从而实现对电机未来状态的准确预测。而如果利用传统的FFT，耗时更长同时准确率也不够。

模型预测：基于训练好的模型，当检测到电机运行数据出现异常趋势，预测可能发生故障时，系统会立即发出预警。

决策执行：维护人员收到预警后，结合电机的运行历史、生产计划等因素，制定科学合理的维护决策。对于轻微故障，可安排在设备下次常规检修时处理；若为严重故障，则需立即停机抢修，以避免故障扩大。

选择适合电机的预测性维护技术和工具，需综合考量多方面因素。

适配电机特性：从电机自身特点出发，不同类型、功率及应用场景的电机，其故障模式和关键监测参数存在差异。小型电机可能更关注绕组温度和电流变化，大型电机则对振动和轴承状态更为敏感。因此，要依据电机具体特性，选择针对性的传感器和监测技术。

注重技术性能：在技术层面，数据采集技术要确保准确、实时。传感器的精度和可靠性直接影响监测结果，需选择质量可靠、适合电机工作环境的传感器。数据分析方法上，简单的线性模型可能适用于监测电机某些线性变化参数，而对于复杂的故障模式，深度学习算法如卷积神经网络（CNN）或循环神经网络（RNN），能更好地处理电机运行过程中的非线性数据关系，提升预测准确性。

用于电机轴承和电弧故障检测的 CNN 模型可以从原始传感器数据（例如振动信号）中学习复杂模式，然后检测指示轴承故障的细微变化。

由于 CNN 模型可以自主从原始或预处理的传感器数据（例如电机振动信号、电压或电流）中学习，因此CNN模型非常适合用于故障检测和预测性维护的传感器数据分析。无需手动干预即可直接提取有意义的特征，从而实现稳健、准确的检测。同时，可以利用表示可变工作条件和不同硬件变化的传感器数据以及快速傅里叶变换(FFT)等不同的预处理算法来提高模型的适应性、抗噪性和可靠性，同时减少总检测或推理延迟。

由于 CNN 可以高效处理大量数据，并在不同的运行条件下表现良好，因此适用于工业环境中的实时监测和预测性维护。在这些环境中采用 CNN 模型可以更早、更有效地检测电机轴承故障，从而提高设备可靠性和运行效率。

考量工具功能：评估工具性能时，功能完整性是关键。优秀的预测性维护工具不仅要能准确预测电机故障，还应具备生成详细维护计划的功能，明确维护时间、内容及所需资源。同时，工具的易用性也不容忽视，操作界面应简洁直观，方便维护人员使用，降低培训成本。

某汽车制造工厂：该工厂在生产线上大量使用电机驱动各类设备，如传送带、机器人手臂等。为保障生产的连续性，引入了电机预测性维护系统。在电机上安装振动、温度和电流传感器，实时收集数据。通过数据分析发现，一台用于驱动大型机械手臂的电机，其振动数据出现异常波动，且电流值也偏离正常范围。预测性维护系统迅速发出预警，经技术人员进一步分析，判断可能是电机轴承磨损。由于预警及时，工厂在生产线非繁忙时段安排了电机检修，更换了磨损的轴承。此次维护避免了因电机突发故障导致的生产线长时间停机，据估算，至少挽回了数十万元的生产损失，同时延长了电机的整体使用寿命。

某化工企业：化工生产中的电机多处于恶劣环境，面临高温、高湿度及化学腐蚀等挑战。企业采用预测性维护技术，对多台关键电机进行实时监测。其中一台用于物料输送的电机，在运行过程中，温度传感器检测到电机绕组温度持续上升，同时基于深度学习算法的分析模型发现电流谐波特征也出现异常。预测性维护系统判定电机可能存在绕组绝缘老化问题。企业立即安排维护人员对电机进行检查，确认了绝缘老化情况，并及时进行了修复。通过这次预测性维护，避免了电机因绝缘失效引发的短路故障，保障了化工生产的稳定运行，同时减少了因计划外停机造成的化工原料浪费和环境污染风险。

正是CNN在电机预测性维护方面的重要性，越来越多的电机控制器厂商开始将AI加入其中。

最近的一个例子是德州仪器（TI）推出集成CNN功能的C2000产品TMS320F28P550SJ。

C2000 F28P550SJ包括了C28x DSP，CLA，以及NPU，可以执行不同的电机功能，包括了预测性维护。

要实现电机驱动的可靠运行，需要进行快速且可预测的系统故障检测，以帮助减少错误警报，同时还需要监测电机轴承异常和实际故障。

一些电机轴承故障监测方法还使用多个器件来实现实时控制，通过振动分析进行监测、温度监控和声学测量。然后，这种离散化方法使用基于数据的规则检测来监测潜在故障，这需要手动解析，并且可能会错过早期故障，或者无法准确检测故障类型。但这都需要大量的系统专业知识，并且自适应性和灵敏度都受到限制，从而限制检测精度。此外，向系统中添加用于故障监测的分立式器件和用于电机控制的专用实时控制 MCU 会增加系统的复杂性。

基于边缘 AI 的集成式故障检测功能在 TMS320F28P550SJ 等实时 MCU 中本地运行 CNN 模型，有助于提高故障检测率、避免误报，同时提供更好的预测性维护。借助边缘 AI，这些系统可以学习并适应环境，从而优化实时控制、提高整体系统可靠性、安全性和效率，同时减少停机时间。

CNN 模型如何增强实时控制系统中的故障监测和检测

另外，在软件方面，TI提供Edge-AI Model Composer，能将常见的深度学习框架（如 TensorFlow、PyTorch 等）训练好的模型，转换为适合在 TI 的MCU和MPU等边缘设备上运行的格式。

ADI OtoSense Smart Motor Sensor 是一款基于人工智能的全一站式硬件与软件解决方案，有助于避免停机时间并优化维护成本。很早以前，ADI 就看到电机预测性维护的市场潜力，2018 年开始陆续收购包括 OtoSense 以及 Test Motors 在内的预测性维护软件和平台供应商，并通过 ADI 的整合，将不同的产品整合为一个完整的智能电机传感器解决方案（Smart Motor Senor, SMS）。

该方案由三部分组成：首先是硬件平台，内部集成了 ADI 的振动和温度传感器，以及信号链等产品，负责收集电机的运行状态；其次，是 ADI 开发的一套预测性维护算法，目前支持包括转子、定子、轴承、平衡度、冷却系统、支撑脚松动等等故障算法，这些算法已经部署到了云端，与边缘的数据连接通过安全 MQTT 进行，并支持 OTA 更新；另外则是一套运行于手机或电脑端的 HMI，以图表的形式展现健康指数，并提供运维指导。同时，为了与智能工厂的平台相融合，ADI 也开放了 API 接口。

其具备以下关键特性：

可操作的诊断：能够诊断 9 种机械和电气电机故障，包括故障严重程度，并针对特定故障提供推荐措施。性能指标可识别负载的潜在问题或可能需要额外操作的工艺变化。

可扩展性：设置快速，易于使用。无需电线或额外网关，可与大多数电机配合使用（详见背面的电机兼容性）。易用的界面减少了培训和设备维护成本。

通过收购Reality AI，丰富了技术与工具库，让瑞萨能够将这些技术与MCU和MPU产品相结合，帮助开发者将先进的机器学习和信号处理无缝应用于解决复杂问题。

RealityCheck Motor 是一款先进的软件工具箱，它使用来自电机控制过程的电气信息来实现预测性维护、异常检测和智能控制反馈的开发，而无需额外的传感器。它能够检测系统参数的细微变化，以指示维护问题和异常，从而实现早期检测并减少停机时间。该软件可与瑞萨电子 MCU、MPU 和电机控制套件无缝协作，并与 Reality AI Tools完全集成，以大规模创建、验证和部署传感器分类或预测模型。

RealityCheck Motor 能够无传感器地检测系统参数的微小变化，这些变化表明存在异常和维护问题。该工具箱可以部署在端点上，以便及早检测电机系统中的故障，从而及时维护，减少停机时间和密集的维修成本。具有性能优化、实时性和扩展的数据收集引擎；支持无传感器 ML 模型，减少产品 BoM；嵌入式条件监控、预测性维护、异常检测和控制反馈等多项优势。

在MCU方面，瑞萨的RA8M1 MCU 系列是业界首款基于 Arm Cortex-M85内核的 32 位MCU，能够以 480 MHz 频率实现超过 3000 CoreMark 分数，实现出色的AI性能。

在电机中实施故障检测和分类框架是预测性维护策略的第一步。预测性维护通过主动解决潜在的电机问题来减少停机时间、避免生产损失、延长设备寿命并利用实际数据推动决策，从而有助于降低生产成本。然而，故障检测及其分类面临着许多挑战，例如数据收集、预处理和特征工程以及机器学习模型互操作性和优化。

ST利用STM32 AI生态系统可以顺利完成这一旅程，增强维护团队的可靠性和信心。        

具体流程如下：

通过使用ISE OneX 测试台设置，ST准确地创建并重现了多种故障，包括电机旋转不平衡、轴承松动或故障以及轴错位。    

目标是使用NanoEdge AI Studio生成一个能够对这些故障进行分类的机器学习库。             

ST在NanoEdge AI Studio中设置数据记录器生成器，以使用内置常开ISM330DHCX传感器的STEVAL-PROTEUS1连续记录电机振动数据。     

ST使用记录的振动数据和 NanoEdge AI Studio 提供的采样查找器工具来确定项目使用的最佳信号长度和数据速率组合。         

在基准测试过程中，NanoEdge AI Studio确定了几个能够高精度地对电机的正常状态和4种故障进行分类的库。   

通过NanoEdge AI Studio中的验证步骤，ST选择了在测试生成的新数据集上产生最佳结果的库。          

编译库后，使用ST BLE传感器移动应用程序通过蓝牙将其部署在 STEVAL-PROTEUS 板上。          

可以按照相同的步骤创建一个类似的 AI 模型，该模型能够对多种级别的错位（0.0、0.2、0.4 和 0.6 毫米）进行分类。     

另外，还可以分析包括旋转不平衡，轴承松动，轴承故障，错位等。

根据ST的实测表明，准确度可达99.80%，内存占用为12.7 KB RAM，25.4 KB Flash。

恩智浦强调了eIQ在预测性维护开发方面的重要性。

越来越多的应用要求能够在配备微控制器和微处理器的边缘设备上运行的AI，这带来了更低的延迟、更低的能耗以及更强的数据隐私保护等好处。在这些应用中，时间序列数据通常用于开发三类主要任务：异常检测、分类和回归。时间序列数据是指按一致、均匀的时间间隔记录的一系列数据点。

1.需要时间序列数据的应用

顾名思义，异常检测的目的是识别超出预期的行为。它依赖时间序列数据来检测与正常行为的偏差，从而触发警报或紧急停止，以尽量减少损害。

分类训练模型通过学习数据中的模式来识别和分类输入信息。这包括在训练过程中为数据点分配标签，使模型能够做出准确的决策。一旦模型开发完成，它们可以有效地识别数据中的模式，并对新的输入进行分类。

回归任务旨在根据数据预测连续值，例如基于历史电池放电数据预测电池寿命或进行电机的预测性维护。温度和振动传感器的数据可用于预测随着时间的推移可能发生故障的几率。

尽管还有许多其他用例受益于机器学习和AI开发，但时间序列数据仍是其中最复杂、最动态的一种。

为了在边缘推进AI，恩智浦推出了eIQ Time Series Studio (eIQ TSS)，这是eIQ AI和机器学习开发软件系列中的新工具。eIQ TSS具备自动机器学习工作流程，可简化基于时间序列的机器学习模型在多种MCU器件(如MCX MCU和i.MX RT跨界MCU)上的开发和部署。

Time Series Studio支持多种传感器输入信号，包括电压、电流、温度、振动、压力、声音和飞行时间等，还支持这些信号的组合，实现多模态传感器融合。其自动机器学习功能使开发人员能够从原始时间序列数据中提取有意义的见解，并快速构建AI模型，以满足MCU的精度、RAM和存储标准。该工具提供了一个全面的开发环境，包括数据策展、可视化和分析，以及模型的自动生成、优化、模拟和部署。

2.eIQ Time Series Studio的分步工作流程

示例应用

为了快速启动开发，NXP提供了三个主要任务的示例应用和数据集：异常检测、分类和回归。该工具中包含每个应用的详细信息和分步说明，帮助开发人员顺利开始开发流程。

eIQ Time Series Studio用户界面

1.数据输入

数据管理对于确保数据清洁、有序和对齐至关重要。例如，当从室外环境中的多个传感器收集数据时，由于环境因素，数据可能会有噪声，且采样率不同。为了确保模型的准确性，必须以时间关系为基础对这些数据进行对齐和同步。

开发人员可以在导入自定义时间序列数据时定义通道和类别的数量。Time Series Studio还提供了多种数据查看选项，包括原始数据、时间数据、统计数据和光谱数据。

2.训练和优化

当自动机器学习取代传统的手动迭代开发过程进行参数调整、模型和算法搜索时，模型的训练和优化变得更加容易。只需一键即可生成模型，并按精度或闪存/RAM大小进行排序。这将模型训练和优化的时间从几周缩短到几个小时。 

eIQ TSS用户界面中的训练页面

3.模拟

模型训练完成后，可以在虚拟边缘环境中使用不同的未见过的测试数据集对其进行测试和验证。这样可模拟目标设备环境，使开发人员能够在将模型部署到实际硬件之前验证其性能和准确性。

4.部署

编译所选模型后，可以为应用生成自定义库。使用该库非常简单，只需两次API调用。一次API调用用于初始化模型，另一个用于运行推理。生成的库可兼容MCUXpresso和Code Warrior IDE。

eIQ TSS用户界面中的部署页面         

5.智能化数据选项

用户通常根据他们的先验知识导入时间序列数据集。然而，如果没有进行全面的数据分析，这可能会影响训练数据的有效性。例如，采样频率可能超过应用程序的要求，或者在分类任务中，每个类别的训练数据量可能不平衡。

为了应对这些挑战，Data Intelligence提供了一种实用工具，可以评估数据集的平衡性和单个数据通道的重要性。该工具不仅可以检测数据不平衡，还能识别可以删除以优化资源的冗余通道。此外，它还推荐最佳采样频率和窗口大小，使用户能够优化数据集，提高质量并获得更准确的分析结果。

eIQ TSS用户界面中的Data Intelligence页面

比如，在这个例子中，在12个通道中，有两个可能是非必要的，可以删除它们，以节省资源，原始连续数据的采样率可能过高，建议将其降低到1/16，等等一系列优化建议。

基于智能分析，用户可以更改未来训练用数据集，从而获得更好的结果。

Time Series Studio提供了一个无缝的端到端解决方案，旨在降低开发人员、合作伙伴及客户使用其数据开发AI解决方案的门槛，并节省时间。

英飞凌PSOC Control处理器可以为传统工业应用注入ML的能力。尤其是像电机控制的用例中，可以通过机器学习来实现预测性维护，减少产线运维成本和停机风险。通过收购Imagimob，英飞凌获得了AI相关软件技术。正在进一步加强其AI软件产品组合。为此，公司发布了边缘AI和机器学习软件解决方案的新品牌DEEPCRAFT。英飞凌已经意识到边缘AI巨大的市场潜力，以及为客户提供边缘AI工具的重要性。

英飞凌安全互联系统事业部总裁Thomas Rosteck表示：“通过建立DEEPCRAFT品牌，将为客户提供丰富的边缘AI解决方案组合，以满足他们的各种需求，而且英飞凌的边缘AI软件还能与先进的硬件无缝协作。”    

DEEPCRAFT品牌产品组合将囊括现有的边缘AI软件产品DEEPCRAFT Studio和DEEPCRAFT 成熟模型（前身为Imagimob Studio和Imagimob Ready Models），并迅速壮大，以便为英飞凌客户提供更广泛的新型边缘AI和机器学习软件工具、模型和解决方案。

在工业生产高度依赖电机稳定运行的当下，电机预测性维护系统已然成为保障生产连续性、降低成本的关键所在。传统维护方式在应对电机故障时存在诸多局限，而融入 AI 技术，尤其是像 CNN 这样的深度学习算法，为电机预测性维护带来了革命性的变革。从数据采集的精准高效，到数据分析的深度智能，再到故障预测的及时准确，AI 的加持大幅提升了预测性维护系统的性能。