【代码库】基于FRDM-MCXN947的便携式异常检测演示_电路方案

采用 FRDM-MCXN947 和 FXLS8974CF (ML Vibro Sens Click) 的便携式异常检测演示

此演示展示了使用来自 FXLS8974CF（3 轴加速度计）的 3 轴振动数据在 MCXN947 上运行的现场训练机器学习的强大功能。此设计在 FRDM-MCXN947 评估板上运行，并与 LCD-PAR-S035（触摸/显示）配合使用。

使用 Mikroe 的 ML Vibro Sense Click 模拟通用“机器”（实时振动数据源）（请参阅下文的“硬件”部分）。该 Click 板可插入 FRDM-MCXN947 评估板。

ML Vibro Sense Click 开发板包含两个小型电机，并在电机之间安装了恩智浦的 FXLS8974 三轴加速度计。振动（加速度）数据通过 I2C 总线从 FXLS8974CF 持续传输到 MCXN947 MCU。

上部电机特意设计为不平衡状态。脉冲宽度调制 (PWM) 信号通过 mikroBUS 的 PWM 线路（上图标记为“UNB”）施加到其电源开关电路。可以发送各种 PWM 波形来模拟非典型振动特征。通过改变该信号的频率、PWM 占空比和开启/关闭频率，用户可以模拟许多有趣的振动刺激。
下部电机已平衡。该电机通常通过 mikroBUS 的 CS 引脚（上图标记为“BAL”）完全开启或关闭。在训练过程中，平衡电机用于生成标称基线振动特征，模拟正常的机器。

该演示使用 LVGL 图形框架和 TFT 显示器 (LCD-PAR-S035) 来显示机器学习分析结果。GUI 采用 GUI Guider (NXP) 设计。

主板：FRDM-MCXN947

配件：ML Vibro Sens Click

类别：传感器、人工智能/机器学习、异常检测

外设：显示器、I2C

工具链：MCUXpresso IDE、VS Code

1.软件

2.硬件

对于此演示，您将需要下一个硬件。

3. 设置

3.1 步骤 1：将显示器连接到 FRDM-MCXN947

检查 LCD 中的开关 SW1 是否设置为 010（16 位 8080），并将 LCD 插入电路板（使用下图作为参考），您应该将 LCD 连接到 J8 接头，接头顶部有两个空闲的引脚。

3.2 步骤 2：将 ML Vibro Sens Click 板连接到 FRDM-MCXN947

将 ML Vibro Sens Click 插入 FRDM 板的原生微插槽上。
然后将USB线插入主机PC和FRDM-MCXN947之间。
参考下图。

3.3 步骤 3：下载并安装所需软件

下载MCUXpresso IDE 11.9.0 或更新版本，并按照安装程序说明进行安装。
下载适用于 FRDM-MCXN947 的 MCXUpresso SDK 2.14.0。构建 SDK 时，请确保选择 ISSDK 中间件。确保将版本更改为 2.14.00，并为 MCUXpresso IDE 构建 SDK。
安装 Git v2.39.0（用于克隆和运行 west 命令）

3.4 步骤4：构建演示项目

打开 MCUXpresso IDE 并选择一个目录来创建您的工作区。
将“MCXUpresso SDK 2.14.0 for FRDM-MCXN947”（将 SDK zip 拖放到“已安装的 SDK”视图中）安装到 MCUXpresso IDE 中。
转到“快速启动面板”并单击“从应用程序代码中心导入”。
在搜索栏中输入“portable-anomaly-detect”。选择项目卡。
单击向导中的“GitHub 链接”将 GitHub 信息复制到 IDE 向导中。
继续按照向导的默认步骤操作。单击“下一步”，然后单击“主”分支的“下一步”。
选择所需的目标位置来存储导入的项目。初始分支 = main。点击“下一步”。
单击下一步选择发现的 Eclipse 项目。
单击“完成”以完成导入工作区。
右键单击项目并选择构建以开始构建项目。

3.5 在 VS Code 中开发

下载并安装 Visual Studio Code v1.95.2 或最新版本。
在 VS 代码中，选择“MCUXpresso For VScode”插件，然后单击 QUICKSTART PANEL 中的“应用程序代码中心”。
搜索“portable-anomaly-detect”示例，克隆到本地工作区。
过了一会儿，该项目就会显示在“项目”中。

建立项目，编译完成后刷写电路板。

4.结果

重置开发板，主窗口将如下图所示。请注意，此操作仅在首次运行演示程序且模型 (OC-SVM) 尚未训练时发生。模型训练完成后，将其存储在 MCXN947 MCU 的闪存中，主显示屏将自动运行该模型，演示程序热图也将相应更新。

4.1 在“正常”振动模式下训练 OC-SVM

点击触摸屏GUI上的“Train”按钮，进入OC-SVM训练窗口。
点击“开始”按钮，平衡电机将开始运行，以在正常振动模式下训练 OC-SVM 模型。
进度条会显示OC-SVM训练的状态，等待进度条完成。

在训练期间，系统会创建一张红/绿热力图。红色表示状态不佳；绿色表示状态良好。此外，还会绘制一个条形图，展示机器健康状况随时间的变化。训练结束后，您将返回主演示窗口并看到这张热力图。演示将从此处自动运行。每次健康分析重复时，热力图上都会出现一个瞬时白点。一系列分析结果越“绿色”，机器健康评分就越高（-10 到 +10 之间的任意值）。

随着演示的进行，平衡电机将在开启和关闭状态之间交替，而不平衡电机将在关闭和各种速度之间交替 - 产生不同的“异常”振动特征。

注意：在训练 OC-SVM 时，强烈建议避免周围的振动，因为这会影响正在进行模型训练的数据集。

4.2 测试训练好的OC-SVM模型进行预测

点击“返回”按钮，演示单元将按照以下顺序运行以测试训练好的OC-SVM模型。

两个微型马达都将停止运转，OC-SVM 训练模型将检测到“异常”状态。
几秒钟后，平衡电机将开始运行，OC-SVM 训练模型将检测“正常”状态。
几秒钟后，不平衡的电机将开始运行并产生更大的振动，并且 OC-SVM 训练模型将检测到“异常”状态。

4.3 演示版使用更新的模型运行。

演示将永远运行，不断评估和传达机器健康状况，同时平衡和不平衡电机不断改变全关闭、标称和非典型振动特征。

在工业环境中，此类应用通常有数百到数千个宝贵的部署点。任何运动机械或机构都可以使用基于 SVM 的振动健康监测器进行监测。任何异常情况都可以自动标记并立即采取补救措施，以防止灾难性故障和代价高昂的停机。这些情况可能包括：轴承/衬套故障、失速、泵气蚀、叶轮泵损坏、机器不平衡、瞬态冲击、喘振等。

这些情况可能发生在深埋设备中，也可能发生在远离专业技术人员的远程设备上。能够及早发现故障设备至关重要，尤其是那些位于屋顶、大型厂房深处或地下金库的机器。及早发现并采取补救措施可以防止灾难性事件的发生。

5. 常见问题解答

训练窗口中的“Param”设置。

Gam 是“伽马（γ）”，Nu 是“Nu（ν）”，它们是两个用于调整训练模型的灵敏度和容差之间的权衡的参数。

对于大多数演示设置，默认值（Gam：0050，Nu：0.1）通常会导致敏感度和容差之间的合理权衡。

Nu 越大，模型对数据变化越敏感，但过大的 Nu（例如 >=0.4）可能会导致模型将一些远离平均值的训练样本视为异常！因此，如果您想要一个高灵敏度且响应速度快的演示，则应该使用较大的 Nu（例如 0.1 到 0.4）；但如果您希望演示对随机或意外干扰具有更高的容忍度，则应该使用较小的 Nu（例如 0.03 到 0.1）。
Gamma 越大，模型倾向于将训练数据分成多个聚类（每个训练样本的有效范围变小），所以如果你的正常状态包含多个子状态（比如风扇关闭和风扇开启都正常），那么你应该使用较大的 Gamma（比如 20 到 200）；但 Gamma 越大也会使模型对训练数据的随机性鲁棒性降低，所以如果你的演示环境受到严重干扰（比如工作中的电脑振动、附近风扇的空气振动、附近走动的人），你应该使用较小的 gamma（比如 5 到 20）。

模型决策边界在 LCD 屏幕上的二维彩色轮廓可视化，绿色至蓝色表示正常区域，黄色-红色-紫色表示异常区域。默认设置如下

示例 1：两个明显不同的正常子状态
示例 2：一个正常子状态，但数据差异很大（由于干扰）

注：该模型是“单类支持向量机”，以下是一些关于Gamma和Nu的更技术性的解释：Gamma（γ）：Gamma是核函数的一个参数，它决定了数据映射到高维空间后的分布。在径向基函数（RBF）中，较大的gamma值意味着较小的决策边界，使模型更关注训练数据的局部特征；而较小的gamma值意味着较大的决策边界，使模型更平滑，对训练数据的局部波动不太敏感。

Nu (ν)：Nu 是一个用户自定义参数，表示错误数据点比例的上限和边距的下限。该参数有助于控制支持向量的比例以及决策边界的松散程度。简而言之，较小的 nu 值使模型更倾向于忽略更多异常值，从而导致决策边界更宽；相反，较大的 nu 值使模型更倾向于包含更多数据点，从而导致决策边界更窄。