基于SVM的电机异常检测系统

记一只小风扇的升级之路：

之前为大家带来了两篇关于SVM的介绍与基于python的使用方法。相信大家都已经上手体验，尝鲜了鸢尾花数据集了吧。这里想问下大家，当看到模型训练出来的时候，大家是不是都惊诧于模型训练的速度，以及所需要的数据之少吧？毫不骄傲的说啊，干相似的事情使用传统机器学习需要更少的资源。

本期小编就继续给大家带来一个真正的上手项目，基于SVM的电机异常检测系统。首先，请允许小编先将时间轴拨回到那个无风的夏天：

天气渐热，相信大家一定和小编一样被炎热的天气搞得生无可恋了。然而，就在小编打算原地躺平，突然一道光出现了。小编遇到了人类历史上最重要的发明-电风扇。正可谓一扇在手，汗也不流了，敲键盘的手速也变快了，可以说，脑子转的都快了~那接下来要研究的问题-怎样能使电扇悄无声息的吹风呢？

小风扇简直是给我们加了buff，脑子立马超频运转了。温度降低了，智商也就占领高地了。那我们何不做一个小风扇的demo呢？我们让吹风扇这个事情，变得更加官方呢。说干就干，先来看下硬件平台：

硬件平台包括我们的主控板：MCX-N9XX-BRK板，一颗三色LED灯（异常闪红，正常绿色），主角小风扇，外加贴在上面的MPU6050，用来采集电机运行状态。还有显示单元LCD屏幕，屏上曲线显示的是当前系统健康值：所谓健康值是评判系统异常的指标。同时还有一个旋转的变色小风扇，颜色同LED变化方式一致。系统框图：

MCX-N9XX-BRK通过I2C采集3轴加速度计的数值，处理后将结果显示到LCD模块。程序流程图如下：

程序分为三个task：

1. sensor task负责采集传感器数据

2. ALGO task负责将采集到的数据进行处理得到特征值，并送到推理引擎进行判断，此处的推理引擎所用到的就是我们的SVM

3. GUI task负责显示整个推理和训练页面 程序分为两个状态，训练和推理。训练阶段，和python上写的测试代码逻辑一致，将采集到的数据送至SVM进行模型训练。这里需要特别指出的是，我们这里要训练的实际上是一个单分类模型，即训练前需要首先确定一个运转状态，例如：小风扇正常运转没有外界干扰。训练结束后，即进入推理阶段。此时，如果通过外部干扰，改变了风扇运行状态，比如有堵转，遮挡进风口的情况，此时系统就会判定状态改变，发出报警信号。以上就是完整的程序执行流。 最后，我们来看下程序一些参数：

可以看到，数据都非常诱人，程序大小、ram占用、推理时间上，相较于深度学习都有明显的优势。同时，最为诱人的是，我们的SVM是支持在线训练的，这样就意味着，我们可以根据实际工况进行训练，以满足实际需求。

审核编辑：刘清