电机振动异常检测的TinyML端侧实验

本轮实验聚焦电机类设备的预测性维护，探索在MCU级微控制器上直接运行振动异常检测模型的可行性，让告警在传感节点本地完成，减少对网关与服务器的依赖。实验平台采用Cortex-M4内核MCU与MEMS加速度传感器，采样率1.6kHz，特征以时域统计量与FFT频段能量为主，模型为剪枝后的小型卷积网络，经INT8量化后体积约48KB，单次推理耗时约12ms。主要进展：1）在实验室电机测试台上，使用正常、轴承磨损、转子不平衡三类样本各200段验证，端侧识别准确率约93%，误报控制在每节点每日1次以内；2）采用每10分钟采集5秒的间歇采样方案，电池供电估算续航超过14个月。下一步将在真实车间对3至5台风机电机开展为期两个月的挂机验证，重点评估环境振动干扰下的稳定性与模型OTA更新机制的可靠性。团队认为，端侧推理与云端分析相结合，是中小工厂低成本落地预测性维护的务实路径。