工业阀门异响检测的1D-CNN轻量化模型与STM32G4的触发DMA采集实现.docxVIP

PAGE2

工业阀门异响检测的1D-CNN轻量化模型与STM32G4的触发DMA采集实现

摘要

随着工业4.0时代的到来，预测性维护成为智能工厂的关键环节，而工业阀门作为流体控制的核心部件，其运行状态直接关系到生产安全与效率。传统的阀门故障检测多依赖人工巡检或高频采样数据分析，存在实时性差、功耗高、依赖云端算力等痛点。本课题旨在设计一种基于边缘计算的工业阀门异响检测系统，通过STM32G4系列微控制器实现低功耗、高精度的实时状态监测。

系统采用MEMS振动麦克风采集阀门运行时的声振信号，利用STM32G4的硬件过采样与触发DMA机制实现高效数据采集，显著降低CPU占用率。在算法层面，提出了一种轻量化一维卷积神经网络（1D-CNN）模型，通过深度可分离卷积与通道注意力机制优化模型结构，实现了对正常、松动、磨损三种状态的精准分类。该模型在本地完成推理，避免了数据上传云端的延迟与隐私风险。

论文首先分析了工业阀门故障检测的现状与需求，确定了系统的高精度、低功耗设计目标。其次，阐述了STM32G4平台特性与1D-CNN算法原理，完成了技术选型论证。随后，进行了系统需求分析，明确了功能与非功能指标。在总体设计与详细设计阶段，构建了“感知-采集-推理-决策”的硬件架构与软件流程。系统实现部分详细描述了ADC+DMA采集驱动开发、模型量化部署及TinyMaix推理引擎移植过程。最后，通过系