AI皮带损伤检测：无需额外传感器实现故障预警

在工业电机驱动系统中，皮带是实现旋转部件之间机械动力平稳传输的关键部件。皮带连接两根轴——一根由电机驱动，另一根通过皮带获得动力——构成适用于各类工业场景的皮带传动系统。

皮带因其高效的动力传输、低成本以及易于安装和更换等优势，长期受到工程师的青睐。皮带种类繁多，在形状、材质和性能特性上各有差异，能够适配多种机械运动形式和系统架构。

然而，与所有机械部件一样，皮带会随时间推移而老化。长期运行使其面临疲劳、撕裂和磨损等问题，而振动、过载和恶劣的环境条件往往会加速这一过程。即便是轻微损伤，也可能引发严重后果，包括性能下降、振动加剧、相邻部件加速磨损，乃至皮带突然断裂，导致整条生产线停摆。

皮带撕裂在系统运行期间难以被及时发现，往往造成意外停机和高昂的维护成本。而基于AI的检测方案无需额外安装外部传感器，即可准确识别皮带损伤，帮助工程师构建更智能、更具成本效益的监测系统，确保工业设备持续高效运行。

测试平台搭建

为验证该检测方法，研究人员搭建了一套受控测试平台，使用两条皮带进行对比测试：一条完好无损，另一条存在明显撕裂。两条皮带分别安装在双轴系统上。

主轴由低压无刷直流电机（BLDC）驱动，电机由瑞萨RA6T2电机控制套件供电，该套件包含RA6T2电机控制CPU板和低压电机控制逆变器板。从轴则完全依靠皮带传动。

这一平台为电机控制和数据采集提供了精确可靠的基础环境。研究人员首先采集完好皮带的基线数据，再对损坏皮带重复同样的采集流程。整个过程采用全无传感器方案，仅利用逆变器的电压和电流反馈数据训练AI模型，用于检测皮带损伤。

模型训练与验证

研究人员将瑞萨Reality AI Tools云平台与数据存储工具相结合，并通过e? studio中集成的Reality AI工具集构建了一套高性能检测模型工作流。该工作流具备两大核心优势：一是高效的数据集准备能力，涵盖信号可视化、噪声识别和自动化数据集划分；二是提供流畅的环境，用于训练、优化和微调AI模型，在保证精度的同时将内存占用降至最低。

数据集划分为两类：正常皮带类（来自完好皮带的数据）和损坏皮带类（来自撕裂皮带的数据）。训练完成后，使用独立数据集进行交叉验证，以确保模型的鲁棒性和泛化能力，同时保证最终模型的体积和计算开销满足嵌入式部署要求。最终模型的关键指标如下：

- RAM占用：9KB

- ROM占用：4.8KB

- 交叉验证准确率：98%

为进一步验证模型性能，研究人员在两种不同工况下对实体测试平台进行了测试：冷启动测试（在环境温度下短时运行）和热稳定性测试（电机温度升高后的长时运行）。在两种工况下的大量测试均证实，该模型在真实工作环境中具备稳定一致的检测性能。

应用价值

工业皮带损伤会导致意外停机、可靠性下降和维护成本攀升。这套基于AI的无传感器检测方案通过在不增加额外传感器的前提下实现皮带撕裂的早期识别，有效应对了上述挑战。工程师由此可以从定期计划检修转向持续状态监测，在问题影响生产之前提前响应。该方案的核心价值体现在以下几个方面：减少计划外停机、提升设备可靠性、优化维护周期、降低整体运营成本。

Q&A

Q1：无传感器皮带损伤检测方案是如何工作的？

A：该方案利用逆变器已有的电压和电流反馈信号作为数据来源，无需额外安装传感器。采集完好皮带和损坏皮带的数据后，用这些数据训练AI模型，使其学会区分两种状态。训练完成的模型可直接部署在嵌入式系统中，实时监测皮带状态，一旦检测到损伤特征即发出预警。

Q2：这套AI检测模型的准确率和资源占用情况如何？

A：该模型的交叉验证准确率达到98%，同时具有极低的资源占用：RAM仅需9KB，ROM仅需4.8KB。这意味着模型可以直接运行在工业控制器等资源受限的嵌入式硬件上，无需额外的计算设备，大幅降低了部署门槛和成本。

Q3：这套方案在不同工况下都能稳定运行吗？

A：可以。研究人员分别在冷启动（环境温度下短时运行）和热稳定性（电机温度升高后长时运行）两种工况下进行了大量测试，结果均证明模型在不同温度和运行条件下都能保持稳定一致的检测性能，具备良好的实际工况适应能力。