摘要：开发一种结合STM32L432KC微控制器和LIS3DH加速度传感器的振动数据智能分析方法，用以诊断机械设备故障。通过频域滤波技术优化信号处理，并采用随机森林算法进行故障模式的识别与分类，该方法显著提升了振动模式检测的准确性和效率。实验结果证明，该方法能够有效区分不同振动模式，并表现出较高的识别准确率，体现了嵌入式系统与机器学习算法相结合在异常振动检测中的优越性，对预防工业安全事故和降低维护成本具有显著意义。此外，该研究还探讨了振动信号处理和模式分类的技术细节，包括信号采集、预处理、特征提取与分类算法的选择和优化，旨在提供一种高效、准确的故障诊断工具。该研究成果不仅为机械故障诊断提供了一种新的技术手段，也为未来嵌入式系统在工业应用中的研究提供了新的思路和方向。

　　关键词：嵌入式；模式识别；机器学习；随机森林算法；故障诊断

　　0引言

　　工业4.0是智能制造和产业数字化结合的关键推动力，通过技术整合和流程创新，实现了生产力和产出的可靠性，显著提升了效率、灵活性和决策智能化。各行业的安全生产实践从传统的预防为主的管理方式，逐渐转向现代化、智能化的安全管理模式。王秉[1]、谢科范[2]、杨婷[3]和尤志嘉[4]等的研究都汇聚于一个核心思想，利用数据预见风险，以及应用智能系统进行安全管理。

　　振动分析作为预测和诊断机械故障的有效手段，设备的异常振动通常是潜在故障的早期迹象，最终可能导致昂贵的停机时间和维护成本，甚至造成安全事故。因此，开发先进的异常振动检测系统就非常有必要。该方法不仅可以节省大量的维护成本，还可以防止由于设备故障而造成的生产损失和潜在安全风险。当前已有多种振动分析技术，如利用快速傅里叶变换（FFT）和小波变换[5]方法对设备振动信号的分析处理以及对设备的震动与噪声[6]的综合分析等。但在信号处理领域，传统信号采集方法因其依赖于体积大、成本高的硬件、有限的采样率以及在大数据处理上的低效率而显得有明显劣势。相比之下使用嵌入式设备进行信号采集在便携性、成本效益、高采样率和实时数据处理方面具有显著优势，使其在现代信号分析中尤为重要，特别适用于需要高效、灵活和成本效益的场合。因此，在考虑到FFT在处理非平稳信号时的局限性时，选择嵌入式设备进行信号采集是一个更为先进和适应性强的选择。

　　本文使用一种基于嵌入式设备与人工智能算法结合的异常振动检测方法，实现对机械设备的异常振动的高效检测以及故障诊断，以提高故障检测的准确性和实时性[7]。

　　1基础理论

　　1.1嵌入式系统优势与频域滤波预处理

　　1.1.1嵌入式系统优势

　　嵌入式系统在工业应用中，尤其是在振动监测和故障诊断方面，展示了其显著的优势[8]。这些系统的主要优点如下。

　　（1）实时性能。嵌入式系统能够提供快速且实时的数据处理能力，这对于即时监测和响应机械设备的振动至关重要。快速的数据处理能力保证了系统能够及时捕捉并分析振动数据，从而实现高效的故障预测和预防。

　　（2）高度定制化和灵活性。这些系统可以根据特定的应用需求进行定制，包括硬件和软件的优化，使其能够适应各种工业环境和特定的振动分析需求。

　　（3）低功耗和高可靠性。嵌入式系统通常设计为低功耗，适合长时间运行或电池供电的应用。同时，其紧凑和优化的设计提供了高度的可靠性和稳定性。

　　1.1.2频域滤波预处理

　　为了精确地识别和区分机械设备在不同运行状态下的振动模式，本研究选择了一套频域滤波预处理策略，旨在从加速度传感器捕获的原始信号中提取出最有助于机器学习算法分类的特征。这种策略的必要性源于机械振动信号的关键特征通常表现在低频范围，而设备操作噪声或环境干扰往往位于较高频率区域。为了减少这些高频干扰并增强对振动特征的捕捉，采用了低通滤波器掩码技术，该技术通过以下步骤实现。

　　（1）利用FFT对时域内的原始信号进行转换，得到其在频域内的表示形式。

　　（2）设计并应用低通滤波器掩码M[k]，这样做的目的是为了有效区分和处理机械振动信号中的关键特征，减少高频噪声的影响，从而优化后续的特征提取和机器学习模型的学习效果。其按照预定的截止频率fcutoff生成，使得所有低于此阈值的频率成分fk被保留，而高于此阈值的成分被抑制：
        

　　（3）将滤波器掩码应用于频域信号，通过逐元素乘法操作，滤除非必要的高频成分。

　　通过逆快速傅里叶变换（IFFT）将滤波后的频域信号重新转换为时域信号，以便进行后续的特征提取和模型学习。

　　1.2集成学习方法

　　集成学习是一种将多个模型的预测结果组合起来的机器学习方法，其核心思想是通过集成的方式，整合多个模型的优点，以达到比单一模型更好的预测效果[9]。随机森林是集成学习中的一个具体实例，它属于bagging类型的集成方法，它通过创建多个决策树，并让它们对样本进行独立预测，然后通过投票机制来决定最终的预测结果。每棵树在成长过程中，会通过引入随机性来增加模型的多样性，如在选择分割属性时随机选择属性子集，这样可以使得模型在训练时各树之间不完全相关，从而提高整体预测的准确性和鲁棒性[10]。

　　模型训练是构建机器学习模型的核心过程，目的是让模型学习如何从数据中识别出有意义的模式和关系。

　　1.2.1训练集的产生

　　随机森林模型RF的训练样本集为：
       

　　式中：(Xi,yi)为收集的每个数据点；Xi为特征向量（从传感器读数中提取的）；yi为相应的标签（不同挡位）；Tb为模型将建立B棵决策树，每棵树通过随机选择特征和训练样本子集来构建，这些随机性由Θb参数集合表示，随机森林的最终预测是所有单个树预测的平均。

　　1.2.2模型训练

　　在模型训练过程中，信息增益（IG）在特征选择中起到了核心作用。模型会计算每个特征的信息增益值，并选择增益值最高的特征用于节点分裂。以确定哪些特征对分类最为有效。因此，所选择的特征在区分不同挡位和状态时能够提供最多的信息量，使得子节点在类别上的分辨度高于父节点。这种方法确保了模型在处理复杂数据时的分类效率和准确性。
       

　　式中：T为某个节点上所有加速度数据的集合[11]；而A为特征，例如加速度的幅值、频率等，这些特征是从传感器数据中提取的。

　　信息增益会评估用特征A来分裂T后是否会产生更“纯净”的子节点，即子节点中的数据是否更倾向于属于单一的类别（低速、中速、高速或异常状态）。

　　每棵树都是独立地对从加速度传感器收集的数据进行训练的，它们各自尝试找到区分不同状态的最佳规则。当一个新的数据点通过传感器收集并需要分类时，它会被每棵树独立地评估。每棵树都会给出它认为最可能的分类结果，这是根据它在训练过程中学到的规则。

　　1.2.3状态模式识别及分类

　　随机森林通过投票机制来决定新数据样本的最终分类。这意味着，被多数树预测为同一类别的标签将被选为新数据点的分类。
      

　　式中：x为一个新的数据点的特征向量，比如从传感器读取的三轴加速度数据；Ci(x)为随机森林中第i棵决策树对数据点x的分类预测；Mode为函数，找出一组数中出现次数最多的数，在这里指的是所有决策树预测结果中最常见的分类标签。

　　2系统构建及测试

　　2.1系统结构

　　图1为该系统的多层架构图，包含从硬件到服务的5个层次：硬件层由MCU和LIS3DH三轴加速度传感器组成，直接处理传感器数据；驱动层通过HAL和专门驱动程序为数据处理模块提供通信接口；数据层存储和初步分析原始振动数据；用户层实施核心算法，优化数据以提升模型训练效果；服务层将分析结果转化为响应，处理查询请求并提供分类结果和振动状态。

　　2.2数据采集与处理

　　在本实验中，根据上述的结构构建了一个数据采集平台，利用STM32L432KC微控制器与LIS3DH三轴加速度传感器接口，旨在捕获机械设备的动态响应。根据ST⁃Microelectronics提供的技术手册，通过杜邦线将传感器与微控制器连接，并将其固定在工作状态的小型风扇上（图2）模拟在工业中大型风扇的转动收集数据[12-13]。这种设置不仅便于操作而且可直接监测由风扇运行引起的加速度变化，以研究其振动特性。传感器响应物理振动并将其转换为电信号，随后通过SPI通信协议进行数字化处理。风扇作为动力源，其运行时产生周期性振动特性，提供了一个稳定且可控的振动源，以便进行系统的标定和测试。通过设定固定的测试点，能够精确测量风扇在不同功率设置下的转速和振动信号，进而对其振动特性进行分析。

　　计算机端可接收到的数据形式具体如下：1024.0000-1792.0000 9472.0000 0.0000-1280.0000 8448.0000-1024.0000-1280.0000 9472.0000-768.0000。由于加速度传感器传输的数据分别是以X轴、Y轴、Z轴顺序传入微控制器的，该数据传入电脑也是相同的顺序，对数据进行标准化、归一化后按照低速（LOW）、中速（MID）、高速（MAX）以及对应挡位的异常振动状态（XXX_ NOISE）和静止状态（NO）进行标记得到表1类型的值。

　　由于灵敏度的原因导致某些数据的值为0，同时加速度数据包含噪声，采用了低通滤波器来降低噪声的影响。在滤波过程之后，检查并移除了数据中的异常值（如缺失某个方向上的加速度数据），最后得到的数据集情况如表2所示。

　　使用预处理后的数据结合随机森林算法（Ran⁃dom Forest，RF），使用多个决策树（Decision Trees，DTs）的预测结果，达到提升整体模型性能的目的。图3所示为模型训练的简易流程图，其中每个决策树独立地从特征集中学习数据的模式，然后将所有树的预测结果综合起来，形成最终的分类决策。

　　2.3测试结果及评价

　　curve）曲线和混淆矩阵（Confusion Matrix）来表示模型分类的性能，如图4~5所示。由ROC曲线图可以看到，到每个类别的AUC（Area Under the Curve）值都超过了0.80，显示了模型对于大多数类别都有良好的区分能力。特别是对于“NO”（静止状态）类别，AUC值达到了0.93，显示出模型在此类别上的预测性能尤为突出。“LOW”（低速挡）和“MID_NOISE”（中速异常）的AUC值虽然相对较低，但仍然表现出了较高的分类能力。

　　同时，在混淆矩阵（图5）中，相应地也得出大多数类别的主对角线（表示正确分类的数量）上的数值相对较高，这表明模型在大多数情况下能够正确地识别不同的振动状态和异常。

　　另外，本文亦采用基于混淆矩阵的4个指标，即精确率（Precision）、F1分数（F1 Score）、召回率（Recall）及总体准确度来评估模型性能。如表3所示[14]。由表看出，分类器表现出了较好的性能。其中在静止状态（NO）检测上表现尤为出色，准确率达到了72%，召回率更是高达93%，F1分数为81%，在高速（MAX）和中速（MID）挡位的识别上，模型亦展现了较高的准确性，尤其是在高速挡位的识别上，准确率高达82%。同时，在有噪环境下依然有一定的分类能力，说明该方法是有效的。

　　综上所述，本文提出的嵌入式系统信号采集结合随机森林算法的振动信号识别方法有效[15]，实际应用上是可行的。针对测试中的一些问题，可以在具体对象的研究中进一步优化。比如存在一些误分类的情况，例如“MID”（中速挡）被误分类为“LOW”（低速挡）和“MAX”（高速挡）的情况。这很可能是由于在低、中、高速状态之间存在特征上的重叠，导致模型在这些类别之间的区分能力降低。同时在该图中，还可以观察到一些模式，例如，“MID”与“MID_NOISE”（中速异常）之间存在误分类，这可能表明在中速状态下，模型对正常和异常振动的区分度不够。此外，“MAX_NOISE”（高速异常）类别的一些误分类情况可能表明高速异常状态的特征与其他速度挡位存在一定程度的相似性。

　　3结束语

　　本文结合STM32L432KC MCU和LIS3DH加速度传感器搭建嵌入式检测系统，通过集成频域滤波和随机森林算法对机械设备异常振动信号进行识别和分类。实验研究表明，该方法有效提升了异常振动检测的准确性，理论分析其具有优势，为工业安全管理提供了一个强有力的工具，并为未来相关系统的研发提供了新的思路。

　　[1]王秉.安全4.0时代的重大安全科学问题展望[J].灾害学,2022,37(2):6-11.

　　[2]谢科范,梁本部,刘嘉,等.安全4.0时代的安全生产管理模式研究[J].中国安全科学学报,2023,33(3):19-26.

　　[3]杨婷,张嘉元,黄在起,等.工业控制系统安全综述[J].计算机研究与发展,2022,59(5):1035-1053.

　　[4]尤志嘉,刘紫薇.工业4.0驱动下建筑业智能化转型升级战略研究[J].建筑经济,2022,43(3):21-27.

　　[5]Roy N,Purkait P,Bhattacharya K.Application of Wavelet and Fourier Transforms for Vibration Analysis of Motor[C]//2005 An⁃nual IEEE India Conference-Indicon.Chennai,India:IEEE,2005:609-613.

　　[6]Selçuk Erkaya,Şaban Ulus.Investigation of fan fault problems using vibration and noise analysis[C]//19th.Annual Building Ser⁃vices,Mechanical and Building Industry Days.2014.

　　[7]Huang G,Qiao L,Khanna S,et al.Research on fan vibration fault diagnosis based on image recognition[J].Journal of Vibroen⁃gineering,2021,23:1366-1382.

　　[8]张志慧.嵌入式系统的特点与发展趋势分析[J].电子技术,2023,52(7):286-287.

　　[9]吕红燕,冯倩.随机森林算法研究综述[J].河北省科学院学报,2019,36(3):37-41.

　　[10]Bingzhen Z,Xiaoming Q,Hemeng Y,et al.A Random Forest Classification Model for Transmission Line Image Processing[C]//2020 15th International Conference on Computer Science&Education(ICCSE).2020:613-617.

　　[11]邓和莲.加速度传感器标定的数据自动采集系统的设计[J].机电工程技术,2008(5):60-62,115.

　　[12]Varanis M,Silva A,Mereles A,et al.MEMS accelerometers for mechanical vibrations analysis:a comprehensive review with ap⁃plications[J].Journal of the Brazilian Society of Mechanical Sci⁃ences and Engineering,2018,40(11):527.

　　[13]Guru Manikandan K,Pannirselvam K,Kenned J J,et al.Investi⁃gations on suitability of MEMS based accelerometer for vibra⁃tion measurements[J].Materials Today:Proceedings,2021,45:6183-6192.

　　[14]蔡永智,唐捷,危阜胜等.基于随机森林模型的台区相序识别方法[J].机电工程技术,2021,50(12):50-53.

　　[15]杨岗,徐五一,邓琴等.基于振动信号的滚动轴承复合故障诊断研究综述[J].西华大学学报(自然科学版),2024,43(1):48-69.