综述 | 面向机器信号处理和故障诊断的物联网边缘计算综述(上)
本期给大家推荐陆思良教授的面向机器信号处理和故障诊断的物联网边缘计算综述（上）。随着传感器技术的不断发展，越来越多的传感器被安装在机器或设备中。这些传感器在运行过程中会产生海量的“大数据”。然而，一些原始传感器数据受到噪声干扰，有用信息有限，且大量数据上传会占用大量网络带宽，并不断消耗云服务器的存储和计算资源。数据上传、信号处理、特征提取和融合也会不可避免地造成延迟，影响故障检测和识别的及时性。本文将从概念、前沿方法、案例分析和研究展望等方面对基于信号处理的机器故障诊断中的边缘计算方法进行综述。
论文链接：通过点击本文左下角的阅读原文进行在线阅读及下载。
论文基本信息
论文题目：
Edge Computing on IoT for Machine Signal Processing and Fault Diagnosis: A Review
论文期刊：IEEE INTERNET OF THINGS JOURNAL
论文日期：2023年1月
论文链接:
https://doi.org/10.1109/JIOT.2023.3239944
作者：Siliang Lu (a), Jingfeng Lu (a), Kang An (a), Xiaoxian Wang (b, c), Qingbo He (d)
机构：
a: College of Electrical Engineering and Automation, Anhui University, Hefei 230601, China；
b: College of Electronics and Information Engineering, Anhui University, Hefei 230601, China；
c: Department of Precision Machinery and Precision Instrumentation, University of Science and Technology of China, Hefei 230027, China
d: State Key Laboratory of Mechanical System and Vibration, Shanghai Jiao Tong University, Shanghai 200240, China
通讯作者邮箱: qbhe@sjtu.edu.cn
作者简介：
陆思良，1987年生，博士，教授，博士/硕士生导师，安徽省优青、安徽省青拔、全球前2%顶尖科学家、IEEE Senior Member。分别于2010年、2015年获中国科学技术大学学士和博士学位。
主要从事机电复杂系统动态测试与智能运维、边缘计算与嵌入式系统、信息处理与人工智能、机器人与工业工厂自动化研究。主讲《传感器原理及应用》、《测试技术与数据处理》、《机器人技术》、《科技论文写作》等课程。主持国家自然科学基金3项（面上2项、青基1项），安徽省自然科学基金优青项目1项、青年项目1项，国家重点实验室开放课题2项，国家电网、奇瑞汽车、中国机械总院等校企合作开发项目多项。
发表学术论文100余篇，引用3000余次，入选ESI前1%全球高被引论文5篇。申请/授权/转让国家发明专利共计30余项。担任仪器测量领域权威期刊《IEEE Trans. Instrum. Meas.》副编辑、《J. Dyn. Monit. Diagnost.》编委、《西南交通大学学报》青年编委。担任50余个机电信号处理和智能诊断等领域的国内外期刊审稿人、国家自然科学基金同行评议专家。获上海市科学技术二等奖、安徽省自然科学二等奖、中国电工技术学会科学技术一等奖、国家自然科学基金委机械学科优秀结题项目等。担任中国振动工程学会故障诊断专业委员会理事及青工委成员、中国振动工程学会转子动力学专业委员会理事、中国机械工程学会设备智能运维分会委员。
目录
1 摘要
2 引言
3 边缘计算的基本原理
3.1 边缘计算范式
3.2 边缘计算软硬件平台
3.3 评论
4 物联网边缘计算在机器信号处理与故障诊断中的实现
4.1 基于信号处理的机器故障诊断流程
4.2 边缘计算在机器信号采集和无线传输中的应用
4.2.1 传感器信号采集
4.2.2 无线信号传输
4.2.3 评论
4.3 边缘计算在机器信号预处理中的应用
4.3.1 信号滤波与增强
4.3.2 信号压缩
4.3.3 评论
4.4 边缘计算在特征提取中的应用
4.4.1 简单的统计特征和故障指标
4.4.2 复杂特征提取
4.4.3 评论
4.5 边缘计算在机械故障识别中的应用
4.5.1 基于经典机器学习方法的边缘计算
4.5.2 基于深度学习方法的边缘计算
4.5.3 评论
（以上标记章节为本文内容）
5 案例研究和教程
6 讨论与研究展望
7 总结
1 摘要
边缘计算是一种新兴的范式。它将计算和分析工作负载卸载到物联网（Internet of Things，IoT）边缘设备上，以加速计算效率、减少信号传输的信道占用、并降低云服务器上的存储和计算工作负载。这些独特的优点使其成为基于IoT的机器信号处理和故障诊断的一个有前景的工具。本文从概念、前沿方法、案例分析和研究展望等方面对基于信号处理的机器故障诊断中的边缘计算方法进行了综述。特别地，对边缘计算在信号采集、信号预处理、特征提取和模式识别等典型故障诊断过程中的轻量级设计算法和特定应用的硬件平台进行了详细的回顾和讨论。本文对边缘计算的框架、方法和应用进行了综述，以满足基于IoT的机器实时信号处理、低延迟故障诊断和高效的预测性维护的需求。特别是对边缘计算在典型故障诊断过程（包括信号采集、信号预处理、特征提取和模式识别等）中的轻量化设计算法和专用硬件平台进行了详细的综述和讨论。该综述提供了对边缘计算框架、方法和应用的深入理解，以满足基于IoT的机器实时信号处理、低延迟故障诊断和高效预测性维护的需求。
关键词：边缘计算，物联网，低延迟故障诊断，机器，实时信号处理
2 引言
状态监测和故障诊断对于确保机器的正常运行以及预防风险和灾难至关重要。机器的工作状态反映在安装在机器上的传感器所采集到的信号中。因此，信号处理方法已被证明是机器故障诊断的最有效手段之一[1]。用于机器状态监测的典型信号包括两类，即低频状态信号和高频波形信号。前者包括润滑油的温度和成分等，这些信号通常反映机器的整体健康状态，其刷新周期从几秒到几小时不等。波形信号则包括振动信号、声音信号、声发射信号、电机电压、电流和磁信号等[2]。这些信号能够反映机器部件的直接和瞬时状态，其采样频率范围为kHz~MHz。
随着传感器技术的不断发展，单个传感器的价格持续下降，越来越多的传感器被安装在机器或设备中。例如，在一列八节车厢的高速列车上安装了数千个传感器来实时监测列车的运行状况[3]。一个风电场拥有数千台风力发电机，每台发电机都配备了多个加速度计、风速和风向传感器以及电压和电流传感器[4]。现代钢铁厂中的工业电机和传动机构上也安装了数以千计的传感器，以确保生产线的安全。这些传感器在运行过程中会产生海量的“大数据”。
在这种情况下，云计算是处理海量大数据的合适范式。自谷歌首席执行官埃里克・施密特在2006 年首次提出云计算概念以来，云计算在过去十年中迅速发展[5]。云计算通过建立庞大的高性能计算机集群，在网络上提供快速、安全的存储和计算服务，使每个网络终端都能使用云服务器上强大的计算资源和数据中心[6]。云计算也在机器状态监测和故障诊断中得到了广泛的研究和应用。机器状态数据通过有线或无线网络直接上传到云服务器，在具有足够存储和计算资源的服务器上进行信号处理、特征提取、故障识别和预测。此外，故障诊断模型和算法可以通过使用新采集的数据进行迭代更新，以进一步提高诊断准确性。
云计算在机器状态监测和智能诊断方面具有明显优势。然而，需要注意的是，大量数据上传会占用大量网络带宽，并不断消耗云服务器的存储和计算资源。实际上，一些原始传感器数据受到噪声干扰，有用信息有限。此外，数据上传、信号处理、特征提取和融合也会不可避免地造成延迟，影响故障检测和识别的及时性。因此，对于一些需要实时诊断和动态控制的机器，云计算无法满足极快的响应要求。因此，如何有效处理海量传感器数据以实现实时智能诊断仍然是一个挑战。边缘计算是近年来迅速发展的一种新兴计算范式。它通过直接在靠近传感器边缘的分布式系统上处理数据，能够有效解决云计算在实时处理海量传感器数据方面的不足。边缘计算由于其低延迟、大带宽和大规模连接等显著优势，在机器故障诊断中具有天然优势。最近，边缘计算也被应用于机器信号处理、特征提取和融合，显著提升了实时故障诊断的性能。
边缘计算在机器信号处理和故障诊断方面的研究取得了令人鼓舞的成果。尽管机器故障诊断算法已得到广泛研究，但只有一小部分与硬件实现相关。主要原因之一是边缘计算高度依赖硬件和算法，而在特定处理器上实现故障诊断方法仍然是一个困难和挑战[7]。因此，本文的目的是综述边缘计算方法在机器信号处理和故障诊断领域的最新进展，这将有助于更好地理解其研究历史、进展和趋势。具体而言，本文将重点解释和讨论如何为特定算法的实现选择合适的硬件平台。
边缘计算已经引起了研究人员的广泛关注，近年来发表了许多全面而深入的综述文章，如表1所示。可以看出，这些综述的主题主要集中在计算机科学、工程、电信、神经科学以及能源和燃料等领域。与其他相关领域相比，机器故障诊断的研究重点有所不同。例如，许多类型的信号已被用于机器故障诊断，因此边缘计算节点的选择应考虑传感器外围接口的兼容性。此外，机器信号通常受噪声干扰，因此边缘计算系统的设计应考虑如何实现各种一维信号去噪算法。此外，用于机器状态监测的物联网（Internet of Things，IoT）节点可能安装在恶劣环境中且无电源供应，应考虑如何降低信号传输和计算的功耗。
表1 近期与边缘计算相关的综述
因此，对边缘计算在机器信号处理和故障诊断领域进行全面综述是有意义且紧迫的。到目前为止，尚未有此类综述报道。本综述将关注这些对边缘计算系统的准确性和效率有显著影响的关键问题，并为学术界和工程师设计实时、低延迟的机器信号处理和故障诊断系统的算法和硬件提供便利。具体而言，通过案例研究和源代码提供了直观的教程来介绍如何将算法在硬件平台上实现。
3 边缘计算的基本原理
本节介绍了边缘计算的概念、历史和范式，并对边缘计算的硬件和软件平台进行了介绍和总结，以促进对这一课题的全面理解。
3.1 边缘计算范式
边缘计算的概念最早由Pang和Tan[23]提出。然而，由于当时嵌入式系统的计算能力有限，这项技术并未受到太多关注。Scopus数据库中与边缘计算主题相关的出版物数量如图2所示。搜索策略为TITLE-ABS-KEY（“edge computing”），出版年份范围为2004年至2022年。可以看出，自2015年以来，边缘计算出版物的数量迅速增加。边缘计算的兴起得益于：边缘计算节点的存储空间和计算能力迅速提高；处理器的TOPS/TFLOPS/MIPS单价降低。
图2 Scopus数据库中以“边缘计算”为主题的出版物数量（2004-2022年）
2016年，由华为、英特尔、ARM、软通动力、中国信息通信研究院和中国科学院等企业和研究机构共同成立了边缘计算联盟。到2021年底，联盟成员数量已达到320个[24]。2016年，Shi发表了一篇题为“边缘计算：愿景与挑战”[8]的综述文章，引起了广泛关注，并在谷歌学术数据库中被引用超过5600次（截至2023年1月）。
边缘计算框架的示意图如图3所示。集中式数据中心被分布式边缘计算节点环绕。边缘计算的一个最显著特征是，传感器数据直接在各种边缘节点上进行处理，如手持仪器、IoT节点、手机、智能手表和电动汽车处理器等[25]。大部分原始数据在边缘节点上进行处理，只有经过筛选的数据和提取的特征才传输到云服务器进行存储、进一步分析和挖掘。这样的过程减少了传输带宽的占用和计算资源的消耗，从而进一步降低了计算延迟，提高了故障诊断的响应速度[26]。存储空间、计算能力和延迟随着圆直径的缩小而增加，如图3中的两个箭头和六个绿色背景文本框所示。
图3 边缘计算的框架
云计算和边缘计算本质上是互补的，它们可以协同工作以平衡计算和存储资源。通常，原始数据可以在靠近传感器的边缘计算节点上进行清理、过滤、压缩和格式化。只有经过筛选、过滤、去噪和处理的数据以及特征才传输到云服务器进行数据挖掘、特征融合、模型训练、存储和备份[27]。另一方面，参数、模型和控制指令通过网络定期更新并部署到分布式边缘节点上。这种协作方式将通过传感器、网 关和服务器的连接促进信息共享，从而提高信号处理效率、提高故障诊断准确率并降低云-边协作系统的整体功耗[28]。
边缘计算在机器信号处理和故障诊断中的优势总结如下。
延迟：机器故障的发展可能是非常突然和迅速的。边缘计算通过对边缘节点上的传感器数据进行实时处理，缩短了从故障出现到故障诊断的时间延迟。
资源消耗：越来越多的传感器被安装在被监测的机器上。如果将所有的原始信号传输到云端，将耗尽云服务器的存储和计算资源，进一步影响故障诊断的效率。边缘计算技术通过分布式处理避免了数据爆炸问题。
隐私：传输到云端的传感器数据可能存在隐私问题。边缘计算技术通过在没有信号传输的边缘节点上处理传感器数据来消除这种担忧。
诊断与控制：利用边缘计算技术，可以将故障诊断和机器控制算法在同一处理器上实现，有利于异常检测和实时控制系统。
可扩展性：由于每个边缘计算节点都具有计算和通信能力，可以灵活组网。传感器网络的规模可以根据需要监测的机器数量进行调整。
机器信号处理和故障诊断算法通常可以使用各种编程语言（如C/C++、Python、MATLAB和LabVIEW）进行编程，然后在具有强大处理器和足够内存的x86或ARM架构计算机/服务器上执行[44]。然而，边缘计算节点的设计受到功耗和尺寸的限制。因此，在将现有算法部署到边缘节点之前，需要对其进行修改和轻量级设计[45]。下面介绍用于算法实现和部署的硬件和软件平台。表2列出了一些边缘计算专用的处理器。这里只列出了一些典型的产品系列，实际上制造商可以提供更丰富的产品组合供选择。例如，在表2的第二行中，除了F4系列，STM32还有F0、F1、F3、G0、G4、WB、WL、F7和H7等系列，适用于不同场景，如超低功耗、高性能计算、无线通信和汽车应用等。从表2中可以看出，制造商提供了广泛的处理器，以实现具有不同计算需求的边缘计算算法。例如，具有数字信号处理/处理器（Digital signal processing/processor，DSP）指令的低成本、低功耗STM32微控制器单元（Microcontroller unit，MCU）可以执行典型算法，如卷积运算和快速傅里叶变换（Fast Fourier transform，FFT），因此适用于实现一些基于经典振动信号处理的故障诊断方法。具有Tensor核心和深度学习（Deep learning，DL）加速器的Jetson GPU具有强大的并行计算能力，适用于实现对时间要求苛刻的故障诊断应用中的深度神经网络（Deep neural network，DNN）模型。树莓派为从服务器到边缘节点的算法部署提供了一种便捷的方式和较高的性价比。
表2 用于边缘计算的硬件
表3 边缘计算开发平台
图4 用于边缘计算算法开发和部署的架构
3.3 评论
可以看出，近年来边缘计算随着工业界和学术界的投入不断增加而迅速发展。基于边缘计算的机器故障诊断的主要困难之一是算法在硬件设备上的实现。大约二十年前，嵌入式系统的编码复杂，需要丰富的经验，工程师需要熟悉MCU寄存器的操作。大约十年前，嵌入式系统制造商开始提供标准外设驱动等功能库，显著提高了开发效率。近年来，制造商在工程师可以使用GUI配置嵌入式系统外设的地方提供了更友好的IDE平台。随着嵌入式系统的软件和硬件的日趋完善，机器信号处理和故障诊断算法在边缘节点上的实现将更加方便和高效。
4 物联网边缘计算在机器信号处理与故障诊断中的实现
在本节中，将根据典型的基于信号处理的故障诊断的四个连续步骤，即信号采集、信号预处理、特征提取和模式识别，对边缘计算方法进行综述。
4.1 基于信号处理的机器故障诊断流程
4.2 边缘计算在机器信号采集和无线传输中的应用
在本节中，将综述边缘计算在机器信号采集和无线传输中的方法。随着低功耗芯片和高能量密度电池的快速发展，越来越多的机器使用IoT节点进行状态监测[58]，[59]。IoT节点可以分布式安装，方便更换或调整，无需复杂的电源和信号电缆布线。
4.2.1 传感器信号采集
信号采集是机器信号处理和故障诊断的第一步。在传统的集中式监测系统中，数据采集系统通过电缆与传感器连接，传感器的尺寸和功耗不会明显影响系统性能。然而，对于具有边缘计算能力的IoT节点，传感器功耗是影响电池寿命的关键因素。幸运的是，近年来开发并发布了许多种低功耗微机电系统（Microelectromechanical system，MEMS）传感器。基于片上系统（System on Chip，SoC）技术的传感器集成了模拟调理电路和模数转换器（Analog-to-digital converter，ADC），并且可以通过数字接口，如通用同步异步收发器（Universal synchronous–asynchronous receivertransmitter，USART）、互集成电路（Inter-integrated circuit，IIC）和串行外围接口（Serial peripheral interface，SPI）直接与MCU通信。这种配置显著降低了整体功耗，提高了信噪比，并为将多个传感器集成到小型印刷电路板（Printed circuit board，PCB）上提供了可能。
表4介绍了一种用于机器状态监测和预测性维护应用的无线IoT节点（STEVAL-STWINKT1B），该节点带有多种传感器。可以看出，MEMS传感器可以测量常用的监测信号，包括湿度、压力、温度、振动、磁场和声信号。传感器的尺寸和工作电流可分别降至
表4 Steval-Stwinkt1B物联网节点中的传感器
采样频率和信号长度也是影响边缘节点电池寿命的重要因素。显然，较长的信号会增加采样时间、存储空间、计算成本和功耗[64]。根据奈奎斯特定律，如果传感器信号的带宽从dc扩展到最大频率
4.2.2 无线信号传输
通过利用边缘计算技术，可以在边缘节点上对大部分机器信号进行分析，并将部分关键信号和处理结果传输到服务器进行存储和进一步挖掘。许多类型的无线通信协议已被应用于传输机器信号。例如，文献[65]使用一对收发器传输IoT节点采集的振动信号；文献[68]使用嵌入低功耗蓝牙（Bluetooth low energy，BLE）5.0协议的MCU（STM32WB55，意法半导体公司）采集和传输电机振动信号；文献[69]中使用无线发射器传输混合振动和磁信号；文献[70]提出了一种用于离心泵的监测和预测性维护的智能传感器系统，设计的无线传感器通过窄带IoT协议与服务器通信；文献[71]提出了一种使用无线加速度传感器模块对非平稳运行中的采矿移动机械进行数据驱动状态监测的方法，信号采用BLE协议传输。
表5列出了一些常用的IoT和边缘节点的无线收发器。这些基于不同无线协议的收发器具有不同的数据速率、通信距离、工作电流和价格。例如，LTE模块的数据速率最高，但消耗的电流也最大。在常见的应用中，工作电流通常被限制在mA级别。芯片可以方便地在工作模式和待机/睡眠/关机模式之间切换，待机/睡眠/关机模式的电流低至nA/μA级别。此外，芯片中内置的天线通常功耗较低。如果信号需要远距离传输，应根据芯片规格设计功率放大电路。
表5 物联网和边缘节点的无线收发器
4.2.3 评论
4.3 边缘计算在机器信号预处理中的应用
除了传统的基于变换和预测的参数编解码器外，最近一些基于神经网络的音频编解码器也被提出并显示出良好的效果。例如，文献[87]提出了一种WaveNet生成语音模型，用于从标准参数编码器的比特流中生成高质量语音。文献[88]在生成模型中引入预测-方差正则化算法，以降低对异常值的敏感性，显著提高了语音编解码器的性能。文献[89]设计了一个名为SoundStream的神经音频编解码器来压缩语音，音乐和一般音频的比特率。该编码器由语音定制的编解码器来实现。该模型的架构包括了一个全卷积编码器/解码器网络和一个残差矢量量化器，通过端到端的方式联合训练。文献[90]设计了一种名为EnCodec的音频神经编解码器，该编解码器采用流式编码器-解码器架构，量化的潜在空间通过端到端的方式进行训练。
除了传统的基于奈奎斯特定律对信号进行采样的信号压缩方法外，压缩感知是一种致力于在采集过程中直接获得压缩数据的新兴技术[91]。该技术已在成像、生物医学、音频和视频处理以及通信等领域得到研究[92]。然而，机器信号通常受到严重噪声干扰且具有很大随机性，有时在采样过程中会丢失关键样本。因此，在将压缩感知算法部署到边缘设备之前，应考虑并妥善解决噪声和样本缺失问题。一些算法已被证明可有效恢复受到严重噪声干扰和/或有样本缺失的信号。例如，文献[93]提出了一种稀疏信号重建方法来重建缺失样本。在该方法中，缺失样本和可用样本分别被视为最小化变量和固定值，采用基于梯度的算法在时域中重构不可用信号。实验结果表明，高度受损的图像可以通过这种方法得到有效恢复。除了图像恢复，文献[94]提出了一种基于统计分析的方法，有效地检测出了具有缺失数据样本的信号成分。文章在具有不同分量频率的正弦信号和在各种可用样本缺失的场景下验证了该方法的性能。压缩感知与边缘计算的结合对于分析机器状态信号非常有前景，这将显著减少数据长度并延长IoT节点的电池寿命。
表6列出了一些为波形信号压缩而设计的且可在边缘节点上实现的编解码器。这些编解码器在采样频率、带宽、比特率、延迟和压缩质量等方面提供了广泛的选择。但编解码器具有不同的计算复杂度和硬件要求，在边缘计算应用中应考虑这一因素[95]。
表6 在IoT边缘节点上进行波形信号压缩的编解码器
4.3.3 评论
4.4 边缘计算在特征提取中的应用
信号经过处理后，将对其进行特征提取用于机器故障检测和识别。在集中式故障诊断系统中，特征提取算法在具有足够存储和计算资源的服务器上执行。在将算法部署到边缘节点之前，应考虑可用的随机存取存储器（Random access memory，RAM）、数据类型和乘法累加（Multiply–accumulate，MAC）操作次数，重新对算法进行轻量化设计。本节根据信号特征的计算复杂度，回顾基于边缘计算的特征提取方法的实现。
4.4.1 简单的统计特征和故障指标
当机器在平稳工况下运行时，统计特征和故障指标可用于监测机器的健康状态[96]，[97]。故障指标的构建应考虑信号的特性。一些经典的时域和频域特征计算成本较低，适合在边缘计算节点上实现，用于实时识别机器状态。
例如，文献[98]采用谱相关和短时均方根（Root mean square，RMS）算法来加速包络分析的计算并降低无线传感器网络（Wireless sensor network，WSN）的功耗。在TM4C1233H6PM型边缘计算处理器中，采用乒乓算法和直接存储器访问（Direct memory access，DMA）技术加速数据采集过程，并通过数据类型格式转换和降采样优化内存使用。实验结果表明，与传统的希尔伯特变换方法相比，谱相关方法和短时RMS可分别将计算速度提高两倍和五倍以上。为了在变速工况下实现电机轴承的在线故障诊断，文献[99]提出了一种基于硬件的阶次跟踪算法，并将其部署到两个MCU上。其中一个MCU用于获取电机电流信号的角度增量，使用计算复杂度和内存占用较低的反正弦函数计算顺序采样点的角度。另一个MCU根据第一个MCU生成的触发信号对声音信号进行等角度采样。最后，计算包络阶次谱来识别电机轴承故障类型。文献[102]从电机电流信号中提取MSAF-RATIO30特征[103]进行特征融合和故障诊断。这些特征基于归一化频谱的差异，采样频率和信号持续时间分别为20.096kHz和5s。主要的计算量是使用FFT计算频谱，在树莓派3B类型的单板计算机（Single-board computer，SBC）上实现。
上述文献介绍了在机器故障诊断的经典统计特征和故障指标设计中边缘计算的实现。然而，当机器在复杂条件和环境下工作时，由于噪声干扰，简单的特征和指标可能效果不佳。因此，对于基于边缘计算的机器故障诊断，应研究更可靠的特征。
4.4.2 复杂特征提取
近年来，许多先进的信号处理方法已被开发出来，用于从机器信号中提取复杂且可靠的特征。一般来说，提取高维特征计算量巨大，这对于将这些算法部署到资源有限的边缘节点是一个挑战。因此，应考虑算法的轻量化设计和选择合适的边缘计算平台。下文回顾了在边缘计算节点中用于机器故障诊断的先进信号处理方法。
文献[75]通过麦克风采集轴承的声音信号，通过能量算子解调声音信号，并用随机共振滤波器增强，最后计算包络谱，在Arm嵌入式系统上进行故障诊断。为了降低计算复杂度和内存使用，文献设计了实值FFT来替代原始的复值FFT。文献[106]在可编程门阵列（Field-programmable gate array，FPGA）上设计并实现了一种基于离散小波变换（Discrete wavelet transform，DWT）的算法，通过分析稳态低负载条件下的振动信号来检测电机断条故障。文献[76]首先使用平方和低通滤波包络法对电机振动或声音信号进行解调，然后使用基于随机共振的非线性滤波器对解调信号进行增强，最后在STM32嵌入式系统上使用FFT计算处理后信号的包络谱，用于电机轴承故障诊断。该方法采用计算量较小的一维进退算法对参数进行优化。文献[109]针对基于边缘智能的自动化系统，提出了一种基于数字孪生的自动化系统在线异常检测方法。首先使用平滑滤波器处理采集到的传感器信号，识别最敏感的参数作为预测模型的输入。处理后的数据临时存储在边缘计算节点上，然后将结构化数据发送到云服务器。随着高性能边缘计算处理器的发展，人们期望能够将更复杂、更先进的算法移植到边缘节点上进行实时信号处理和故障诊断。
4.4.3 评论
随着存储量和计算能力的快速提高，大多数故障诊断研究人员专注于优化模型和算法以提高诊断准确性，而很少考虑硬件限制。当要将算法部署到边缘节点时，从各种商用计算平台中选择合适的平台变得困难。因此，表7总结了特征提取方法在特定边缘硬件平台上的实现。这些方法按出版年份排序。一些硬件平台可能已经过时且没有进一步的技术支持，因此研究人员在实现特定算法时可能更倾向于选择新发布的平台。另一方面，可以看出一些计算负担较低的经典算法，如均方根计算、FFT和IIR滤波器，可以在低成本MCU平台上实现。一般来说，MCU处理器可以在没有操作系统的情况下执行算法，并且可以方便地在运行、待机、睡眠和关机模式之间切换。这些特性提供了配置的灵活性，降低了功耗，提高了边缘计算系统的效率。
表7 边缘计算节点上实现的特征提取方法的总结
图5 边缘计算节点上特征提取算法的分类
4.5 边缘计算在机械故障识别中的应用
原文获取：
