旋转设备的轴承故障常从微弱振动特征开始，人工巡检难以捕捉早期信号。智能硬件实验室近期围绕“低成本传感 + 端侧推理”开展了一轮实验性探索，验证 TinyML 在资源受限硬件上的可行性。
我们在自建试验台上部署了基于 MEMS 加速度计的无线振动节点，采样率 6.4kHz，经 BLE 网关汇聚数据；同时在 MCU 端移植轻量级推理框架，实现特征提取与分类的一体化部署。
阶段性进展：
- 覆盖正常、轴承外圈损伤、不对中、转子不平衡四类工况，累计采集约 40 小时数据；时频特征结合 1D-CNN 小模型在测试集上分类准确率约 92%，模型体积 85KB，单次推理耗时 30ms 以内。
- 功耗测试显示，节点在间歇采样模式下续航约 3 个月，可满足按季度巡检周期的部署需求。
下一步计划：将节点迁移至合作工厂的循环水泵进行为期 8 周的现场验证，重点观察车间电磁干扰与负载波动对误报率的影响，并据此调整报警阈值与采样调度策略。
评论