[发明专利]基于STM32嵌入式处理器的机电设备轻量化故障诊断方法

权利要求书

1.基于STM32嵌入式处理器的机电设备轻量化故障诊断方法，其特征在于，包括如下步骤：

步骤1：原始数据的采集：

通过传感器采集机电设备的数据或通过仿真软件仿真，得到原始数据集；

步骤2：数据的预处理：

(1)数据的清洗

对原始数据集进行数据的清洗，用邻近值填充法填补缺失值，即使用相邻的数据来代替缺失值；

(2)数据集的划分

将原始数据集随机划分为训练集和测试集两部分，训练集占原始数据集的80％～90％，测试集占原始数据集的10％～20％；

步骤3：数据的特征提取及降维：

(1)数据的特征提取

通过信号处理提取故障特征，得到由时域数据和频域数据组成的高维特征数据集；

(2)数据的降维

对高维特征数据集使用主成分分析法进行数据降维，得到低维度特征数据集；

步骤4：数据集的属性离散化及模型的移植部署：

(1)属性离散化

对低维度特征数据进行属性离散化，将属性值分割成多个子域，然后用这些子域替代原始实值，从而对决策表进行泛化；它的实质是选择适当的断点，并对条件属性空间进行划分，把由n个条件属性组成的n维空间划分为有限个区域，使对象的属性值在每个区域中保持一致；离散化连续属性有两个基本原则：离散化后损失决策表信息最少；每个属性包含的属性值类型最小，即离散化后空间维数最小；

(2)BP神经网络模型的移植部署

对低维特征数据进行属性离散化后，将离散化的数据集中训练集的部分，进行BP神经网络的模型训练，得到训练好的模型文件；将已经训练好的模型生成相应的C语言代码，使用STM32CubeMX生成对应的工程文件；

在移植训练好的Keras模型的同时，进行模型的预分析，分析所需占用的空间及训练的网络层数，神经元个数，在导入文件中选择神经网络导出的信息的模型，包括神经网络权值和网络大小；

通过两种通用的方法，对神经网络进行模型的压缩：(1)网络模型的裁剪；(2)数据的量化；

(3)支持向量机模型的移植部署，利用非均匀代价分配方法和支持向量机结合的串行融合方法，其具体过程为：

在电脑端将不均衡的样本数据集，进行支持向量机的模型训练，得到以32bit的浮点类型保存的模型权重，将模型权重进行移植部署；在移植前，对模型权重数据进行量化；将32bit的浮点类型数据，转换成Q15类型的定点数，减少了模型计算的复杂度，提高了能存储的数据大小和运算速率；手动编写C语言代码，调用转换后的模型权重数据，实现在嵌入式系统上的支持向量机算法；

步骤5：得到故障诊断的结果

在将BP神经网络模型和支持向量机模型移植部署到单片机后，在电脑端的上位机将之前划分得到的测试集传输至单片机；单片机经过运算后得到故障诊断结果，并返回上位机，用户通过上位机得到测试集相应的故障诊断结果。