基于ESP32和机器学习的旋转机械预测性维护系统

一套低成本AI预测性维护方案，通过ESP32微控制器和MPU6050传感器采集振动数据，利用机器学习实时诊断风扇等旋转机械的多种故障类型。

• 原作者/维护者: Ankit Banerjee
• 来源平台: GitHub
• 原始标题: fan-predictive-maintenance
• 原始链接: https://github.com/ankitbanerjee17/fan-predictive-maintenance
• 发布时间: 2026年6月20日
• 作者背景: 东北 hill 大学（NEHU）电子与通信工程学士

---

工业设备的意外故障往往导致昂贵的停机损失。传统定期维护虽能降低风险，但存在过度维护或维护不足的问题。本项目展示了一套低成本的AI驱动预测性维护系统，专门针对旋转机械（如电机、风扇、泵等）的振动特征进行实时监测和故障诊断。

系统的核心创新在于将嵌入式传感、信号处理和机器学习有机结合，使用仅几十美元成本的硬件（ESP32 + MPU6050）实现了专业级设备的状态监测能力。

---

项目构建了一个完整的测试平台：

• 被测设备: 120mm双滚珠轴承直流风扇
• 主控单元: ESP32微控制器（负责数据采集和通信）
• 振动传感器: MPU6050三轴加速度计（采集X/Y/Z三轴振动信号）
• 数据处理: PC端进行特征提取和模型推理

这种架构充分利用了ESP32的WiFi/蓝牙能力和MPU6050的I2C接口，实现了无线数据传输和紧凑的系统设计。

MPU6050传感器 → ESP32采集 → 无线传输 → PC端特征工程 → 机器学习分类 → 实时故障预测

---

系统在以下工况下采集了振动数据：

类别	描述
0	正常运行
1-3	质量不平衡（轻度/中度/重度）
5	叶片损坏
7-9	机械松动（轻度/中度/重度）
11	轴承污染
13	气流阻塞

• 总样本数: 7,443个振动窗口
• 窗口长度: 1,024个采样点
• 采样率: 约595 Hz

这种高采样率确保了能够捕捉到旋转机械的高频振动特征，为后续的特征提取提供了充足的数据基础。

---

项目从原始振动信号中提取了27个特征，涵盖时域、频域和统计特征：