ESP32 电机异常 震动检测故障预警

一、 项目背景
工业预测性维护中，传统云端方案存在延迟高、成本高等痛点。本项目基于 ESP32-S3 与 ADXL345，在低成本 MCU 上实现 1600Hz 高频采集与 TinyML 端侧推理，提供毫秒级故障诊断能力。

二、 技术深度：从时域到频域的算法跨越
摒弃“原始波形喂 CNN”的低效方案，通过深度信号处理实现降维打击：

高频无损采集：基于 SPI 与 FIFO 架构，自定义二进制帧协议，确保 1600Hz 采样零丢包。

频域特征工程：针对电机转速波动，采用动态转频追踪（40~55Hz 寻峰），配合汉宁窗消除频谱泄漏，提取 15 维谐波能量特征（三轴 1X/2X/3X 占比及比值）。

轻量化模型：采用 MLP 网络与 Focal Loss 解决样本不均衡；端侧权衡算力后，采用 Float32 运行 TFLite Micro，规避 Int8 量化带来的极值偏差。

三、 核心指标
准确率：按时间序列划分数据集（杜绝泄漏），5 折交叉验证下准确率达 99.91%，异常召回 99.96%。

性能：单次 FFT 与推理耗时 < 1ms（远小于 320ms 窗口），实现零延迟。

鲁棒性：解决转速波动与未加窗导致的特征虚低；持续不平衡运转中零误报、零跳变。

可视化：0.96 寸 OLED 独创“对数能量映射”频谱图，直观区分空转（低平）与不平衡（高柱）。

四、 方案扩展能力
该架构具备极强的横向扩展性：

故障类型：更换数据集重训，即可无缝支持轴承剥落、齿轮断齿、不对中等复合故障。

系统级：内置 WebSocket，可将推理与频谱数据实时推流至浏览器大屏。

底层定制：涵盖 SPI 高速通信、带死锁恢复的 I2C 驱动及 FreeRTOS 调度，具备全栈软硬结合开发能力。

五、 总结
本项目验证了 TinyML 的极高商业价值，沉淀了一套“高频采集-频域特征-端侧推理-可视化”的标准工程范式，可快速移植定制到不同工业设备场景。
本项目不仅在单一工况下验证了 TinyML 的极高商业价值，更沉淀了一套“高频采集-频域特征提取-端侧推理-可视化”的标准工程范式。具备将此方案快速移植并定制到不同工业设备场景的能力