[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

说明书

本发明提供一种基于STM32嵌入式处理器的机电设备轻量化故障诊断方法，涉及故障诊断领域，更具体的涉及基于嵌入式处理器的机电设备轻量化故障诊断应用领域。该方法使用基于BP神经网络+支持向量机(SVM)的模型结构和方法，并在嵌入式端应用上进行了一定程度优化与压缩，如特征降维、属性离散化优化和神经网络端模型的压缩等，使得模型更能适应嵌入式端的实时需求。设计了上位机端软件界面和STM32下位机通信诊断的系统，通过NASA作动器数据集进行测试验证，系统采用的BP神经网络与支持向量机相结合的数据融合方式能够实现机电系统在线实时故障诊断，提高了故障诊断系统的实用性和有效性，最大限度地避免了故障造成的资源浪费和经济损失。

技术领域

本发明涉及故障诊断领域，更具体的涉及基于嵌入式处理器的机电设备轻量化故障诊断应用领域。

现有技术

在机电设备故障诊断应用方面，状态监视和预测性维护已成为可行的解决方案，从而最大程度地降低运营和维护成本，同时提高安全性。嵌入式故障诊断强调设备管理中的状态感知，监控设备运行状态、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。

通过对目前的文献检索发现，基于嵌入式处理器的设备故障诊断方法的研究仍处于起步阶段，是当前学术界和工业界研究的热点。如同济大学的李云朋等人在《嵌入式轴承故障诊断系统的设计与实现》提出了一种基于ARM+FPGA的异构架构，采用CNN 诊断轴承故障，提高了并行计算的能力。此类研究现处于初始阶段，在设备的通用性上还需要进一步的研究。谢光强等人在《微型嵌入式系统故障诊断方法综述》中指出将机器学习的计算过程尽可能地在传感器端完成，可以将数据带宽降到最低，从而提高系统的响应能力，满足实时需求。此外，嵌入式系统广泛应用于复杂武器、军事和列车的故障诊断，如武汉理工大学在《风电机组故障诊断实现方法探讨》采用嵌入式系统对复杂设备进行远程故障诊断，中南大学在《重载组合列车同步制动系统故障诊断技术与应用研究》采用重载组合的在线列车同步作动故障诊断策略技术。

然而，目前针对机电设备的嵌入式的故障诊断的研究大部分存在技术上的不足，在设备端的实时故障诊断应用较少，因此带来了理论和应用不匹配和缺乏实验验证等挑战。此外，现有的研究主要基于高性能ARM或FPGA等嵌入式系统，且使用的硬件设备体积往往较大，耗能较高，不易于部署，工程应用中仍存在嵌入式端实时故障诊断对计算性能需求较高的问题。所以，亟待具有轻量化、易部署特点的嵌入式故障诊断的发明来解决现有的问题。

发明内容

针对现有的问题，本发明提出一种基于STM32单片机的嵌入式融合故障诊断方法。使用基于BP神经网络+支持向量机(SVM)的模型结构和方法，并在嵌入式端应用上进行了一定程度优化与压缩，如特征降维、属性离散化优化和神经网络端模型的压缩等，使得模型更能适应嵌入式端的实时需求。设计了上位机端软件界面和STM32下位机通信诊断的系统，通过NASA作动器数据集进行测试验证，系统采用的BP神经网络与支持向量机相结合的数据融合方式能够实现机电系统在线实时故障诊断，提高了故障诊断系统的实用性和有效性，最大限度地避免了故障造成的资源浪费和经济损失。

本发明的总体数据流程框架如图1所示，主要分为数据采集和故障诊断两部分。数据采集主要是对传感器输出的信号进行采集，并且进行预处理和特征提取等操作；故障诊断过程完成在MCU上，利用STM32完成高速的数据采集和预处理，这样就可以在STM32芯片上完成数据的采集和处理功能，STM32已经可以满足功耗、运算速度和体积的要求。

步骤1：原始数据的采集

根据应用场景和具体情况，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。原始数据集具有数据量大、数据维度高以及存在缺失值的特点。需求进行进一步的处理才能用于故障诊断。

步骤2：数据的预处理

(1)数据的清洗