《Scientific African》：Edge AI-powered vibration monitoring system with IEPE sensors for predictive maintenance in industrial machinery
编辑推荐：
为解决工业机械预测性维护中实时故障诊断的延迟、数据隐私和云端依赖等问题，研究人员设计了一种结合IEPE压电传感器与ESP32/NanoPi Neo嵌入式平台的边缘AI振动监测系统。研究在NanoPi Neo上部署并比较了SVM、随机森林、k-NN及神经网络等模型，结果表明经典机器学习模型在嵌入式环境下具有更优的准确率与延迟性能（如随机森林F1-score达99.17%，推理时间1.56 ms）。该工作为符合工业4.0标准的低成本、可扩展实时诊断提供了新方案，并公开了振动数据集以促进可重复研究。
工业生产中，机器的突然“罢工”会带来巨大的经济损失。为了防患于未然，工程师们需要一双“听诊器”，时刻监测设备内部的“健康状况”。振动信号，如同机械的“心跳”和“脉搏”，蕴含着丰富的状态信息，是预测性维护的关键指标。传统的监测方法往往依赖于将海量的振动数据上传到云端服务器进行处理和分析，这不仅会引入显著的通信延迟，影响故障发现的实时性，也引发了数据隐私和安全方面的担忧。在此背景下，能够就近处理数据的“边缘人工智能（Edge AI）”技术应运而生，它有望将智能诊断能力直接部署在工厂车间的设备旁，实现即时分析与响应。然而，在计算、内存和功耗都有限的嵌入式硬件上，如何高效、准确地运行复杂的诊断模型，是当前面临的一大挑战。为了解决上述问题，来自摩洛哥工程科学学院（EMSI）的研究团队在《Scientific African》上发表了一项研究，他们成功开发并验证了一套集成了高精度传感器与轻量级计算平台的嵌入式系统，为工业机械的实时、低成本预测性维护提供了可行的解决方案。
研究人员开展此项研究主要运用了以下几个关键技术方法：一是设计并搭建了完整的硬件采集链，包括高灵敏度IEPE（集成电路压电式）加速度计（AS-062型号）、配套的信号调理电路、ESP32微控制器（用于实时模拟信号采集与数字化）以及NanoPi Neo单板计算机（作为核心处理节点）；二是构建并公开了一个包含健康状态及五类模拟故障场景的标注振动数据集，采集自专门的测试台架，采样频率为10 kHz；三是在NanoPi Neo平台上实现并系统比较了多种机器学习与深度学习模型的嵌入式部署与性能，包括支持向量机（SVM）、随机森林（RF）、k-最近邻（k-NN）、卷积神经网络（CNN）、人工神经网络（ANN）和循环神经网络（RNN），评估指标涵盖分类精度（F1-score等）和单次推理时间。
系统设计及实现
研究人员设计了一套完整的嵌入式系统架构。硬件核心包括IEPE传感器、信号调理板、ESP32和NanoPi Neo。信号调理板负责为传感器提供恒流激励，并将叠加了直流偏置的交流振动信号进行解耦、放大和滤波。ESP32通过其SPI接口连接一个12位模数转换器（ADC），以最高10 kHz的采样率对模拟信号进行实时数字化，并通过UART串口将数据流传输至NanoPi Neo。NanoPi Neo运行Armbian Linux系统，负责接收并存储数据，同时作为机器学习模型的执行平台。整个系统被封装在保护壳内，具备有线网络接口，适合工业环境部署和 。
数据采集
研究在一个包含电机和机械负载的专用测试台架上进行数据采集，模拟了不平衡、不对中、松动、轴承缺陷等五种常见机械故障，连同健康状态共六种工况。IEPE传感器牢固安装在机架上，确保信号可靠传输。每次采集持续数秒，产生约10,000个数据点（对应1秒时长），数据被实时传输并加上时间戳存储在NanoPi Neo上，最终形成了一个结构化、标注的公共数据集并发布于Kaggle平台。
信号预处理
为适配机器学习模型，原始振动信号在NanoPi Neo上进行了轻量级预处理。首先通过数字高通滤波器去除直流偏置和低频漂移，随后进行归一化处理（零均值、单位方差），以统一数据尺度。接着，采用滑动窗口将连续信号分割为固定长度为1秒的样本。最后，通过快速傅里叶变换（FFT）将信号转换到频域，并结合时域统计特征（如均方根、峰度、偏度、峰值因子）和频域特征（如频谱质心、峰值频率），构建用于分类的丰富特征向量。预处理流程旨在保证信号质量的同时，最小化计算开销。
机器学习模型及实现与深度学习模型
研究在NanoPi Neo上部署并评估了多类模型。经典机器学习模型（SVM、RF、k-NN）以从预处理信号中提取的特征向量作为输入。同时，也实现了轻量级的深度学习模型，包括一个一维卷积神经网络（CNN）、一个多层感知机（ANN）和一个基于长短期记忆网络（RNN）的循环神经网络，这些模型以原始时间序列或其频谱作为端到端输入。所有模型均使用Python的scikit-learn和TensorFlow Lite库实现，并在嵌入式平台上进行推理测试。
结果与讨论
实验结果表明，从振动信号的时域波形和频谱图中可以观察到健康状态与各类故障状态之间存在明显差异，健康信号振幅较低且规律，而故障信号则表现出振幅增大、能量升高和不规则爆发等特点至 。性能评估显示，经典机器学习模型在嵌入式约束环境下显著优于深度学习模型。随机森林（RF）和支持向量机（SVM）取得了最高的分类性能，F1分数分别达到99.17±0.15%和98.99±0.20%，且推理延迟极低，分别为1.56±0.07毫秒和1.33±0.05毫秒。相比之下，深度学习模型（CNN、ANN、RNN）虽然准确率具有竞争力（最高97.53±0.56%），但其推理时间长达12至15毫秒，是经典模型的近十倍。对端到端处理流程的延迟分解显示，总延迟约为2.11毫秒，其中特征提取和模型推理是主要部分，证明了系统实现实时诊断的可行性。与文献中其他嵌入式诊断方案相比，本研究在NanoPi Neo平台上实现的SVM和RF模型在保持超高精度的同时，实现了更低的推理延迟。
结论与未来工作
该研究成功验证了一个基于边缘AI和IEPE传感的完整振动监测系统，可用于工业机械的实时故障诊断。其核心结论是，在计算资源受限的嵌入式环境中，经过优化的经典机器学习模型（如随机森林和支持向量机）能够实现比深度学习模型更优的精度、延迟和稳定性平衡，是当前边缘侧预测性维护更实用、高效的选择。这项工作通过公开数据集、详细的性能比较和延迟分析，为工业4.0背景下可扩展、低成本的智能监测方案提供了可复现的范例。研究的意义在于证明了将高性能AI诊断能力下沉至设备边缘的可行性，能够有效减少对云端的依赖、降低延迟、保护数据隐私，从而推动预测性维护在实际工业场景中的广泛应用。未来工作可侧重于在真实多变工业环境中验证系统的鲁棒性，并探索自适应学习算法以应对设备老化、工况漂移等挑战。
