Skip to main content

振动异常检测

就像最微小的病灶也可能引发致命疾病一样，最严重的工程灾难往往源于看似微不足道的异常。振动是一个至关重要的指标——断裂、堵塞、过载和磨损都会表现出各不相同的振动模式。

本教程将介绍 Vibration Anomaly Detection Kit（振动异常检测套件）。它是一种轻量级智能解决方案，用于实时监测和识别异常振动模式。通过使用极少的训练数据学习设备的正常振动特征，它可以为机械故障提供早期预警。

1. 准备工作​

在开始检测异常之前，请确保已准备好以下硬件和软件环境。

硬件需求​

该解决方案由 3 个硬件模块组成。

获取完整套件： Vibration Anomaly Detection Kit for XIAO ESP32-S3

软件设置​

  1. 打开浏览器并访问 SenseCraft AI。
  2. 使用你的账号登录（如果没有账号，请先注册）。
  3. 进入 XIAO ESP32S3 Sense 工作空间，并选择 "Vibration"。

2. 分步指南​

按照以下步骤训练你的设备识别“正常”振动，并检测异常。

步骤 1：连接与初始化​

  1. 组装： 通过 Grove Shield 将加速度计连接到 XIAO ESP32-S3。将传感器牢固地固定在目标对象上。
  2. 连接： 通过 USB 将 XIAO ESP32S3 插入电脑。在 SenseCraft AI 界面上点击 "Connect" 按钮。
  1. 验证： 系统会显示设备信息。
    • 注意： 如果固件不正确，请使用界面上的烧录按钮更新为 Vibration Anomaly Detection (VAD) firmware。

步骤 2：参数配置​

连接成功后，你将看到参数设置区域。

  • Window Size： 默认值为 192。目前保持默认即可。
    • 提示： 窗口过小可能导致学习不足，而窗口过大会增加推理时间。你可以稍后再进行调优。

步骤 3：训练（采集正常数据）​

设备需要学习“正常”是什么感觉。

  1. 确保你的目标对象处于 正常工作状态。
  2. 点击 "Collect Normal Vibration"。
  3. 等待成功提示：“Normal vibration collection succeeded”。
  4. 点击 "Save"。这会将模型存储到 MCU 的 Flash 存储器中。

步骤 4：检测异常​

  1. 点击 "Detect" 开始实时监测。
  2. 观察 Detection Output Area（检测输出区域）：
    • Normal： 振动模式与已学习的模型匹配。
    • Abnormal： 检测到潜在异常（会显示告警）。

步骤 5：部署与 GPIO​

你可以配置设备在发生异常时触发外部硬件。

  1. 找到 GPIO Configuration（GPIO 配置）部分。
  2. 选择一个引脚（例如 Pin 21 上的 LED），并为异常状态设置有效电平。
  3. 启用 "Default Power-On Inference Mode"。这样设备在使用电池供电时即可自动运行，无需连接电脑。

3. 参数调优指南​

如果你发现检测过于敏感（误报过多）或不够敏感，则需要对参数进行调优。

调优界面概览​

该界面可以帮助你可视化数据：

  1. Device Info： 顶部区域。
  2. Settings： 参数与采集设置。
  3. Visualization： 实时波形（时间 vs. 加速度）。
  4. Output： 检测结果（0 表示 Normal，1 表示 Abnormal）。

关键参数​

1. Window Size​

定义一次分析“周期”的采样点数量。

  • 默认值： 192（在 100Hz 采样率下约为 1.92 秒）。
  • 如何调优： 窗口必须至少覆盖一个完整的振动周期。使用波形图测量机器振动的周期。如果机器振动较慢，请增大 Window Size。

2. Anomaly Threshold​

定义检测的灵敏度。

  • 范围： 0.0 到 1.0（默认值：0.5）。
  • 如何调优：
    • 误报太多？ 提高阈值（例如调到 0.6 或 0.7）。
    • 漏报异常？ 降低阈值（例如调到 0.3 或 0.4）。

4. 算法与原理​

本节解释 “Collect” 和 “Detect” 按钮背后的技术。对于基础使用来说是可选内容。

系统使用 Gyroscope Euclidean Distance Anomaly Detection (GEDAD) 算法，并针对三轴加速度计进行了适配。它包含两个阶段：

阶段 1：学习​

算法会建立正常振动的基线模板。

  1. 模板生成： 采集一组正常的三轴加速度数据。
  2. 阈值计算： 算法在模板上滑动数据“块”，计算欧氏（L2）距离，然后通过统计方法确定一个阈值，用于区分正常波动与异常。

阶段 2：推理​

在实时检测过程中，输入数据会与已学习的模板进行比较。

  • 如果实时数据的欧氏距离相对于模板低于阈值，则判定为 Normal。
  • 如果距离持续高于阈值，则会被标记为 Abnormal。

优势：

  • 训练速度快。
  • 计算开销低（适用于 ESP32S3）。
  • 所需训练数据量少。

5. 应用场景​

Vibration Anomaly Detection Kit 非常适合用于各个领域的预测性维护和安全监测：

  • 工业： 泵、空压机、风机、电机、减速箱。
  • HVAC： 制冷压缩机、冷却塔。
  • 机器人： AGV/AMR 系统、农业拖拉机。
  • 数据中心： 冷水机组、服务器散热系统。
  • 消费类： 洗衣机平衡告警、车库门机构。

开源与技术支持​

源代码： GitHub - Seeed-Studio/AcousticsLab

我们的算法和固件是开源的。我们正在积极开发诸如 WiFi + MQTT 上报和 FFT 分析等功能。欢迎提交 Issue 或 Pull Request。

技术支持：

Loading Comments...