TinyML振动异常检测在预测性维护中的应用¶
难度：🟡 中级 | 领域：边缘 AI / 维护 | 关键词：TinyML, 振动, 异常检测 | 阅读时间：约 16 分钟
日常类比¶
老司机听发动机异响就知道不对劲。TinyML 在传感器节点本地听振动“音色”，发现偏离正常再上报——省带宽、降延迟[1][2]。
摘要¶
描述采集（加速度计/压电）、特征（时域/频域）、模型（自编码器、孤立森林、小 CNN）与部署约束。告警阈值须现场标定，实验室准确率不可直接当运维 KPI[2][3]。
1. 信号链¶
| 阶段 | 要点 |
|---|---|
| 传感 | 量程、带宽覆盖故障频率 |
| 采样 | 抗混叠；固定窗口 |
| 特征 | RMS、峰度、频谱/梅尔等 |
| 推理 | MCU 周期或事件触发 |
| 上报 | 异常分数+原始片段 |
2. 模型选择¶
| 方法 | 优点 | 注意 |
|---|---|---|
| 统计阈值 | 简单 | 工况变化敏感 |
| 自编码器 | 无需故障样本 | 重构阈值难定 |
| 小 CNN | 端到端 | 数据与算力 |
| 经典 ML | 可解释 | 特征工程重 |
| 工况 | 策略 |
|---|---|
| 转速变化 | 阶次分析/归一化 |
| 多负载 | 分工况模型 |
| 温度漂移 | 传感器温补 |
3. 局限、挑战与可改进方向¶
1. 正常数据非平稳¶
局限：季节/负载变化导致误报。 改进：工况标签；在线自适应基线[3]。
2. 故障样本稀缺¶
局限：监督模型难训。 改进：无监督/半监督；仿真增强[1]。
3. 边缘资源不足¶
局限：高采样 FFT 放不下。 改进：降采样、硬件加速、云端二次分析[2]。
4. 可解释性与运维信任¶
局限：黑盒分数难派工。 改进：输出频带贡献；保留原始波形[4]。
总结¶
振动 TinyML 的价值在边缘筛查。传感与工况管理往往比模型结构更决定成败；用现场误报/漏报闭环调参。
参考文献¶
[1] TinyML 异常检测案例与教程. [2] 预测性维护振动分析经典方法（ISO 相关概述）. [3] 自编码器工业异常检测文献. [4] 可解释 AI 在维护中的应用讨论. [5] MEMS 加速度计选型与安装共振注意. [6] TFLite Micro 部署指南. [7] 阶次分析与变速工况处理. [8] 边缘-云协同维护架构白皮书. [9] 峰度/包络解调轴承故障基础. [10] 数据集偏移与基线更新策略. [11] 功耗约束下的采样策略. [12] 工业无线振动节点产品案例.