使用振動傳感器進行變速箱故障偵測，準確度超過 99.9%

對於齒輪箱等複雜的工業系統而言，防止意外設備故障和最佳化維護計畫至關重要。透過感測器和機器學習監控振動模式，可以在異常情況演變成代價高昂的故障之前檢測到它們，從而從被動或計劃性維護轉變為更高效的預測方法，減少停機時間並延長設備壽命。

邊緣 AI 可在本機層級處理振動資料，以實現即時異常偵測。這樣可以消除對雲端的依賴和延遲，同時也能持續學習正常模式並辨識偏差。它將維護從固定計劃轉變為基於狀態的干預，從而縮短響應時間，並實現跨多個產業領域機器的可擴展部署。

該用例由 TI 專有的異常檢測模型提供支持，該模型已針對 TI 的低功耗 MCU 架構進行了協同最佳化。TI 的 MSP 系列微控制器採用 TinyEngine™ NPU，其異常檢測模型經過最佳化，準確度可達 99.9% 以上。

資料收集

變速箱故障偵測資料集包括 SpectraQuest 變速箱故障診斷模擬器記錄的振動資料集。資料集是透過放置在四個不同方向的 4 個振動感測器記錄的，負載範圍從 0% 到 90%。包括兩種不同的情況：健康狀態和輪齒斷裂狀態。

總共有 20 個文檔，其中 10 個是健康變速箱的文檔，10 個是損壞變速箱的文檔。每個文檔對應一個給定​​的負載，從 0% 到 90%，步長為 10%。此開源資料集可在 Kaggle 上取得。

資料品質評估

確保你的 AI 模型是基於真正重要的資料建構的。以下是使用 LDA（線性判別分析）和 PCA（主要成分分析）成分對測試資料集進行視覺化的結果。 

利用先進的最佳化和搜尋演算法加速開發，從而設計、訓練和部署性能卓越的 AI 模型。 

針對此用例，我們實作了 8 種不同的模型。請在 MSPM0-SDK  中探索這些模型，並使用下方的帕累托前緣圖作為參考，以查看具有不同硬體佈局的設計模型的效能。

CCStudio™ Edge AI Studio 提供從頭到尾的工作流程，用於將訓練好的模型部署到嵌入式目標。對於尋求更深層自訂和控制的開發人員，MSPM0-SDK 提供了一個全面的框架，用於建立邊緣 AI 功能並將其整合到您自己的嵌入式應用中。

MSP 系列 MCU 提供可擴展的性能，用於執行和加速齒輪箱故障檢測模型，以及對您的應用至關重要的關鍵 SoC 功能。