基于SVM的電機異常檢測系統

記一只小風扇的升級之路：

之前為大家帶來了兩篇關于SVM的介紹與基于python的使用方法。相信大家都已經上手體驗，嘗鮮了鳶尾花數據集了吧。這里想問下大家，當看到模型訓練出來的時候，大家是不是都驚詫于模型訓練的速度，以及所需要的數據之少吧？毫不驕傲的說啊，干相似的事情使用傳統機器學習需要更少的資源。

本期小編就繼續給大家帶來一個真正的上手項目，基于SVM的電機異常檢測系統。首先，請允許小編先將時間軸撥回到那個無風的夏天：

天氣漸熱，相信大家一定和小編一樣被炎熱的天氣搞得生無可戀了。然而，就在小編打算原地躺平，突然一道光出現了。小編遇到了人類歷史上最重要的發明-電風扇。正可謂一扇在手，汗也不流了，敲鍵盤的手速也變快了，可以說，腦子轉的都快了~那接下來要研究的問題-怎樣能使電扇悄無聲息的吹風呢？

小風扇簡直是給我們加了buff，腦子立馬超頻運轉了。溫度降低了，智商也就占領高地了。那我們何不做一個小風扇的demo呢？我們讓吹風扇這個事情，變得更加官方呢。說干就干，先來看下硬件平臺：

硬件平臺包括我們的主控板：MCX-N9XX-BRK板，一顆三色LED燈（異常閃紅，正常綠色），主角小風扇，外加貼在上面的MPU6050，用來采集電機運行狀態。還有顯示單元LCD屏幕，屏上曲線顯示的是當前系統健康值：所謂健康值是評判系統異常的指標。同時還有一個旋轉的變色小風扇，顏色同LED變化方式一致。系統框圖：

MCX-N9XX-BRK通過I2C采集3軸加速度計的數值，處理后將結果顯示到LCD模塊。程序流程圖如下：

程序分為三個task：

1. sensor task負責采集傳感器數據

2. ALGO task負責將采集到的數據進行處理得到特征值，并送到推理引擎進行判斷，此處的推理引擎所用到的就是我們的SVM

3. GUI task負責顯示整個推理和訓練頁面 程序分為兩個狀態，訓練和推理。訓練階段，和python上寫的測試代碼邏輯一致，將采集到的數據送至SVM進行模型訓練。這里需要特別指出的是，我們這里要訓練的實際上是一個單分類模型，即訓練前需要首先確定一個運轉狀態，例如：小風扇正常運轉沒有外界干擾。訓練結束后，即進入推理階段。此時，如果通過外部干擾，改變了風扇運行狀態，比如有堵轉，遮擋進風口的情況，此時系統就會判定狀態改變，發出報警信號。以上就是完整的程序執行流。 最后，我們來看下程序一些參數：

可以看到，數據都非常誘人，程序大小、ram占用、推理時間上，相較于深度學習都有明顯的優勢。同時，最為誘人的是，我們的SVM是支持在線訓練的，這樣就意味著，我們可以根據實際工況進行訓練，以滿足實際需求。

審核編輯：劉清