基于深度学习的机器故障智能检测设备

作者：徐华

应用背景

  在智能制造时代，随着工厂设备自动化程度不断越高，设备的预测性维护工作在生产中起着越来越重要的作用。预测性维护技术是未来智慧工厂重要构成部分，通过部署各种传感器，采集工厂设备各种运行状态数据，研究检测数据分析、预测算法微型化实现，快速便捷的对工业设备健康状况进行检测，在设备健康状况发生恶化之前做出合理的维护决策，消除设备的安全隐患。

实现功能

  本项目基于RT-Thread、STM32开发板（NUCLEO-H743ZI2做了演示版本，ART-Pi只验证调试了传感器，跑通了流程，存在模拟i2c通信效率问题）、STM32 LSM6DSOX传感器、1.12寸OLED屏，SHT31温湿度传感器（温湿度数据暂时未参与建模）以及按键和指示灯设计一个MEMS振动监控设备。实际要求是利用检测设备运行状态数据预测机器的健康状况，但本项目只是一个原型设计，验证MCU采集传感器数据，并验证运行CNN学习模型离线预测的可行性，最终预测结果输出到OLED屏。

RT-Thread 使用情况概述

本项目功能基于RT-Thread开发，由于使用了Tensorflow，采用C/C++混合编程。NUCLEO-H743ZI2和ART-Pi开发板分别基于KEIL MDK和RT-Thread Studio开发。I2C分别采用了STM32HAL库（H743）和RT-Thread  GPIO软件模拟（H750）调试开发。

硬件框架说明

NUCLEO-H743ZI2开发板，传感器及OLED屏幕接I2C2_SDA和I2C2_SCL。BUTTON接PD_1, 指示灯接PD_0。引脚对照如下：

ART-Pi开发板，传感器及OLED屏幕接PH11和PH12。BUTTON接PH14, 指示灯接PC7。

软件框架说明

程序大体工作流程如下：

软件模块说明

NUCLEO-H743ZI2开发板软件：

Source目录：Tensorflow Lite for Micro相关代码，收集传感器数据，基于训练的模型预测传感器状态，并在OLED上显示结果；

Applications目录：main.c为主程序，其中增加了RT-Thread shell commands用于测试和调试。Sht31_sensor命令用于读取温湿度传感器值，实际暂时未参与建模和预测；sh1107g_oled命令为OLED显示测试命令；collect命令采集各状态传感器数据，输出到PC侧，整理标注后用于建模。Check命令为采集预测功能。主程序启动后，屏幕上显示提示信息，按button，开始运行。

Sensors：分别为LSM6DSOX，SHT31，OLED的驱动程序。

首先以RT-Thread shell commands形式，调试用到的各个外围设备。其中collect命令调试LSM6DSOX，并采集数据用于建模，采集的数据归为四类，在PC上构建CNN并训练模型，并保存模型文件。

通过xxd -i my_model.tflite > my_model_.cc命令，把模型文件转为数组形式。

Tensorflow相关代码用C++写，直接编译可能报如下错误，需要调整ARM Compile，以及不勾选Use MicroLIB。

ART-Pi开发板软件：

与NUCLEO-H743ZI2基本类似，最大区别是Tensorflow Lite是通过RT-Thread Settings添加的，i2c是gpio软件模拟的。检测识别代码放于下图红色标注处。

作品完整图片

视频演示效果 

  首先是复位状态，屏幕上显示

“Measuring System

Test for RT-Thread

Test for Tensorflow Lite Micro

Press button to start or stop”

按button，开始运行，屏幕显示预测状态。

调整传感器状态，MCU依据训练好的深度学习模型进行预测，屏幕上结果也跟着变化。

串口工具显示预测过程日志信息。

写在最后：

     首先感谢活动的组织者。作品只是一个原型设计，跑通了基本流程。算法没有优化。同时在ART-Pi上模拟I2C还在存在通信效率问题，还在优化。最后再次感谢组织者！！