边缘计算微特电机振动实时监测与智能诊断方法

微特电机 ›› 2026, Vol. 54 ›› Issue (9): 73-77,83.

边缘计算微特电机振动实时监测与智能诊断方法

李可成，甘　景，周雪会

广西工业职业技术学院,南宁 530001

出版日期:2026-09-28 发布日期:2026-09-28
作者简介:李可成(1980—),男,本科,副教授,研究方向为电气自动控制技术。甘景(1995—),男,硕士,教师,研究方向为智能控制技术。周雪会(1981—),女,硕士,副教授,研究方向为工业互联网技术。
基金资助:
2023年度广西职业教育教学改革研究项目 (GXGZJG2023B037) ; 2025 年广西高校中青年教师科研基础能力提升项目(2025KY1553) ;自治区科技厅2025 年“ 八桂之光” 访学研修计划(科技人才专项)项目(桂科发〔 2025〕121号)

Vibration Monitoring and Intelligent Diagnosis for Micro Special Motors Based on Edge Computing

LI Kecheng,GAN Jing,ZHOU Xuehui

Guangxi Vocational & Technical Institute of Industry,Nanning 530001,China

Online:2026-09-28 Published:2026-09-28

摘要/Abstract

摘要：

针对微特电机振动信号幅值小、频带宽,以及现有深度学习模型在边缘侧推理延迟高、噪声与小样本下鲁棒性不足的问题,提出一种边缘计算架构下的实时监测与智能诊断方法。构建端-边-云三层物理架构,设计信号预处理流水线与时域、频域轻量化特征,采用幅度阈值与马氏距离两级筛选降低存储负载。研发低比特量化全连接神经网络,融合预测熵与综合预警分数实现分级预警。实验表明,本方法在-5 dB(A) 噪声下准确率为 83. 5%,1%小样本下准确率为81. 2%,边缘推理时间均值为 0. 089 ms、标准差为 0. 007 ms,显著优于多尺度卷积稀疏注意力变换器模型( multi-scale convolutional sparse attention Transformer,MCSAT) ,满足微特电机采样周期内实时诊断需求,为资源受限边缘端高可靠监测提供有效方案。

关键词: 微特电机, 振动监测, 边缘计算, 轻量化神经网络, 故障诊断

Abstract:

To address the challenges of small amplitude, wide bandwidth, high inference latency of existing deep learning models on edge sides,and insufficient robustness under noisy and few-shot conditions for vibration signals of micro special motor, this paper proposes a real-time monitoring and intelligent diagnosis method based on an edge computing architecture. A three-layer end-edge-cloud physical architecture is constructed, along with a signal preprocessing pipeline and lightweight time-domain and frequency-domain features. A two-stage screening mechanism combining amplitude threshold and Mahalanobis distance is adopted to reduce edge storage load. Furthermore,a low-bit quantized fully connected neural network is developed, integrating prediction entropy and a comprehensive warning score to achieve hierarchical alerting. Experimental results demonstrate that the proposed method achieves an accuracy of 83. 5% under - 5 dB noise and 81. 2% in the 1% few-shot scenario, with an average edge inference time of 0. 089 ms and a standard deviation of 0. 007 ms,significantly outperforming the multi-scale convolutional sparse attention transformer( MCSAT) method. It meets the real-time diagnostic requirement within the sampling period of micro special motor and provides an effective solution for highly reliable monitoring on resource-constrained edge sides.

Key words: micro special motor, vibration monitoring, edge computing, lightweight neural network, fault diagnosis

中图分类号:

TM301.4
TP18

李可成, 甘　景, 周雪会. 边缘计算微特电机振动实时监测与智能诊断方法[J]. 微特电机, 2026, 54(9): 73-77,83.

LI Kecheng, GAN Jing, ZHOU Xuehui. Vibration Monitoring and Intelligent Diagnosis for Micro Special Motors Based on Edge Computing[J]. Small & Special Electrical Machines, 2026, 54(9): 73-77,83.

[1]	卢　威, 朱克非, 贾得芳. 新能源汽车电驱动系统技术现状与展望研究之二[J]. 微特电机, 2026, 54(9): 69-72.
[2]	杨　永, 楼昱昉, 周月红, 刘国锋, 袁一帆, 杨　帅. 基于马尔科夫转移场和 Swin Informer 的风电齿轮箱故障诊断[J]. 微特电机, 2026, 54(9): 78-83.
[3]	卢友文, 马方潇, 李培祥, 何立松, 柯栋梁. 基于正负序电流检测的永磁同步电机匝间短路故障在线诊断方法[J]. 微特电机, 2026, 54(8): 73-78.
[4]	蔡海洋, 陈　钰, 何　力, 王　平, 马国星, 吴博阳. 基于特征提取和优化概率神经网络的风电主轴承信号故障诊断方法[J]. 微特电机, 2026, 54(8): 79-84.
[5]	田　薇, 张海燕, 蒋　强, 沈浩, 陈凯清. 融合格拉姆角场差与优化极限梯度提升树的电梯曳引电机故障诊断[J]. 微特电机, 2026, 54(5): 79-82.
[6]	杨　永, 周月红, 楼昱昉, 吴天承, 袁一帆, 常晓峰. 基于白鲸优化算法VMD和SVM的风电主轴承故障诊断[J]. 微特电机, 2026, 54(3): 83-88.
[7]	贺　颖, 张旭岐, 李孟龙, 浩　泽. 基于多尺度卷积 -双向门控混合注意力的滚动轴承故障诊断[J]. 微特电机, 2026, 54(2): 89-96.
[8]	李东东, 刘晨亮, 吉裕晖, 孙震威. 基于电机驱动系统的 DAB 变换器控制优化方法[J]. 微特电机, 2026, 54(1): 61-68.
[9]	俞　健, 吴博阳. 基于注意力机制及一维卷积神经网络的滚动轴承故障诊断方法[J]. 微特电机, 2026, 54(1): 92-96.
[10]	黎匡磊, 于英杰, 谢井华. 基于增强去噪对抗自编码器的皮带机托辊故障诊断方法[J]. 微特电机, 2025, 53(6): 61-.
[11]	俞　健, 俞泽卫, 李腾, 黄松泉. 基于 SSA 优化 VME 与 SMHD 的风力发电机滚动轴承故障诊断[J]. 微特电机, 2025, 53(6): 68-.
[12]	施德华, 韩增涛, 孟井煜枫, 吴博阳, 汪浩然, 蔡逸波. 基于 SCADA 数据和 XGBoost 的风电机组发电机故障诊断方法[J]. 微特电机, 2025, 53(5): 61-64.
[13]	杨禄铭, 池献龙, 施德华. 基于正余弦麻雀搜索与峭度解卷积的发电机故障诊断[J]. 微特电机, 2025, 53(4): 39-42.
[14]	徐志祥, 玄永伟, 王洪洋, 王壬杰. 基于 VMD-CNN-BiTCN 滚动轴承故障诊断[J]. 微特电机, 2025, 53(2): 68-73.
[15]	孟井煜枫, 杨禄铭, 饶晨晖, 施德华, 蔡海洋, 吴博阳. 基于粒子群优化随机森林的风电主轴承故障诊断[J]. 微特电机, 2025, 53(2): 74-78.