基于 ESP32-S3 的电机转子不平衡边缘诊断系统

技术信息

作品详情

行业场景

在工业设备预测性维护中，转子不平衡是导致电机损坏和异常震动的常见故障。传统方案依赖昂贵的专业采集卡和高频传感器，且需将海量数据传至云端分析，存在带宽消耗大、延迟高等痛点。本项目旨在利用低成本的 MEMS 传感器（ADXL345）结合 ESP32-S3 边缘计算能力，在端侧实现高频振动数据采集与不平衡故障的实时初步诊断，降低工业监测的门槛和成本。

功能介绍

功能介绍（必填） (已超过80字)：
本项目是一个完整的端侧振动数据采集与诊断原型系统，主要包含以下功能模块：

高频数据采集：通过 SPI 总线与 ADXL345 传感器通信，利用 FIFO 缓存机制，稳定实现最高 2100Hz 的振动加速度数据采集。

高速串口传输：通过 UART 将采集到的三轴原始数据以 921600 波特率实时回传至 PC 上位机。

频谱特征分析：使用 Python 对数据进行 FFT 频谱分析，提取 1X 转频（50Hz）能量分布特征，验证不平衡故障的物理表现。

1D-CNN 故障分类：构建 1D-CNN 模型对时域波形进行特征自提取，实现“正常”与“不平衡”状态的二分类。

TinyML 边缘部署：将训练好的模型量化为 INT8 格式的 TFLite 模型，为最终部署到 ESP32-S3 硬件端做准备。

项目实现

本项目由我个人独立完成从硬件驱动、数据处理到模型训练的全流程。

难点攻克：初期采用 I2C 通信时采样率受限（仅 450Hz），后改用 SPI 通信，并严格遵循 ADXL345 数据手册要求，通过设置多字节读取标志位（MB位）和引入 5μs 时序延迟，成功解决多字节数据读取错乱（x/y/z 轴数据重复）的问题。

性能调优：发现串口传输成为新瓶颈后，将通信波特率从 115200 提升至 921600，使实际采样率突破至 2100Hz，满足了电机故障诊断的高频需求。

算法排错：在数据训练阶段，敏锐发现传统随机划分导致的数据泄漏问题（相邻重叠窗口导致的虚假 100% 准确率），修正为按时间顺序划分训练集与测试集，获取了真实的泛化能力指标。使用 TensorFlow/Keras 完成了 1D-CNN 的搭建与量化。