基于瑞萨RA6T2微控制器与Reality AI Tools的电机单工况异常检测验证

系列文章（一）｜单工况异常检测

应用背景

电机是工业生产与日常生活中最广泛使用的动力设备之一。风机、泵、压缩机等电机设备在长期运行过程中，不可避免地会出现负载变化、负载不平衡、缺相、外部磁场干扰等异常情况。若不能及时发现并处理，轻则影响设备性能，重则导致电机损坏甚至引发安全事故。

电机在不同运行状态下，其电流、电压、转速及相位等信号会呈现不同的特征。当电机出现异常时，电机控制系统中的采样信号也会发生相应变化。传统检测方式通常依赖固定阈值或人工定义规则，适应性较差，且需要根据不同电机和工况反复调整参数，难以覆盖复杂多变的实际场景。

基于AI模型的检测方式则提供了一种全新的思路：通过采集电机运行过程中的多维信号数据，AI模型能够自动提取特征并识别不同运行状态，从而实现对电机异常状态的智能检测与判断。更重要的是，AI模型可以部署在低成本的MCU上，实现本地实时检测，无需额外传感器，大幅降低了系统成本与部署门槛。

目标应用场景

风机、泵、压缩机等电机设备的预测性维护

家电及工业设备中的电机异常状态监测

电机负载不平衡状态检测

电机缺相检测

电机负载转矩变化检测

外部磁铁/磁场干扰检测

RA6T2微控制器介绍

瑞萨RA6T2是一款基于40nm高性能工艺打造的32位电机控制专用MCU，采用ARM Cortex-M33内核（带FPU），主频高达240MHz，专为电机控制等实时性要求较高的应用场景而设计。

核心参数一览

参数项	规格
内核	32-bit Cortex-M33 with FPU
主频	最高240MHz
工艺	40nm高性能工艺
工作电压	2.7V - 3.6V
工作温度	-40°C ~ 105°C
封装	LQFP100
安全特性	ARM TrustZone

在RA家族中，RA6系列定位于高性能产品线（最高240MHz），兼顾了强大的运算能力与丰富的外设资源，非常适合运行电机FOC控制算法与端侧AI推理任务。RA6T2（如图2所示）在此基础上针对电机控制场景做了专门优化，是本例程中承载AI模型部署的理想平台。

图2 瑞萨RA6T2微控制器及RA家族产品定位

系统搭建过程

整个电机异常检测系统的搭建可以分为硬件准备、数据采集、AI模型训练与生成、模型部署四个阶段。下面逐一介绍。

3.1 系统结构概览

电机异常检测系统由CN-AIK-MOTOR-RA6T2开发套件、电机驱动板、直流无刷电机（BLDC）及不平衡旋转负载组成，如图3所示。RA6T2运行FOC控制算法驱动电机，同时部署的AI模型实时分析FOC中的q轴电流（Iq）特征信号序列，识别电机运行过程中可能出现的异常状态。

图3 电机异常检测系统结构图

3.2 采集数据构建样本集

数据是AI模型的根基。本例程选择FOC控制中速度环的q轴电流（Iq）作为特征信号进行采集。q轴电流反映了电机的负载状态，在不同异常情况下会呈现不同的波形特征。

采集参数配置如下：

电流环：频率10 kHz

速度环：频率2 kHz

采样频率：以速度环频率（2 kHz）采集q轴电流数据

数据通过JustFloat帧格式发送至VOFA上位机。VOFA是一款实时数据可视化工具，可通过串口接收MCU发送的数据，并以波形形式直观显示信号变化。通过VOFA可以观察到：正常运行时q轴电流波形振幅较小且规则；负载转矩较小时振幅稍大；负载转矩较大或出现异常时，振幅明显增大或呈现不规则形态，如图4所示。

图4 VOFA中正常与异常状态下的q轴电流波形

在300 RPM工况下，正常与异常状态之间的特征差异最为明显，因此本例程选择该工况作为数据采集和模型验证的基准。后续系列文章将拓展到更宽的转速范围。

3.3 数据采集脚本工具

为高效采集数据并整理为标准格式，例程提供了两个Python脚本工具：

collect_vofa2csv.py——采集串口数据并保存为CSV文件，如图5所示。

命令格式：

python collect_vofa2csv.py -p -b -d -f -s

命名格式为：

__YYYYMMDD_HHMMSS.csv

图5 数据采集制作流程

make_meta.py——根据采集的CSV文件生成标签文件（meta.csv），用于后续AI模型训练时标定不同数据对应的电机状态类别，如"正常""轻异常""重异常""电机关"等，如图6所示。

图6 标签制作流程

3.4 使用Reality AI Tools生成AI模型

Reality AI Tools是瑞萨提供的专业AI模型开发工具，支持从数据导入、清洗、数据集制作到模型训练、评估、代码导出的全流程操作。用户可通过瑞萨官网申请试用账号。

AI模型生成的主要步骤如下：

Step 1：新建项目并上传数据

在Reality AI Tools平台新建项目，将采集的原始CSV数据文件上传至平台，如图7所示。

图7 新建项目并上传数据

Step 2：制作数据集

使用"滑动窗口"方式对原始数据进行切片处理：每个窗口长度为512个采样点，每次滑动偏移量为256个采样点。结合meta.csv标签文件，生成用于训练的样本集。制作数据集过程如图8所示。

图8 制作数据集

Step 3：训练与生成模型

创建分类模型后，Reality AI Tools会在服务器端自动遍历特征空间，同时生成多个候选模型供选择。用户可以根据模型规模、准确率等指标选择最优模型，如图9所示。

图9 训练并生成模型

Step 4：评估模型准确度

通过混淆矩阵评估模型的分类效果。混淆矩阵主对角线上的数值越多（即真实值与预测值一致的数量越多），说明模型越准确，如图10所示。

图10 混淆矩阵评估模型准确度

Step 5：导出模型源码

选定模型后，配置目标嵌入式平台（RA6T2），生成并下载模型源码包（AI_Motor.zip）。导出内容包括模型函数原型、分类枚举定义、预编译库等，可直接集成到MCU工程中，如图11所示。

图11 导出模型源码

3.5 部署模型至RA6T2 MCU

将Reality AI Tools导出的模型源码移植到RA6T2的嵌入式工程中，核心流程为：

保存推理结果，根据分类结果执行对应任务

将传感器采集的q轴电流数据存放至数组

调用模型推理函数，执行AI推理过程

最终编译固件代码大小仅为85KB FLASH / 62.7KB RAM，资源占用极低，完全可以在RA6T2这样的低成本MCU上流畅运行，如图12所示。

图12 模型部署至嵌入式系统

使用方法

系统搭建完成后，即可进行实际的电机异常检测演示。以下是完整的操作流程。

4.1 上电与启动

步骤1：连接电源。

连接系统电源后，控制板开始启动。系统完成初始化后，电源指示灯亮起，OLED屏幕点亮，此时屏幕显示"Motor Stopped"，表示系统已正常启动但电机尚未运行，如图13所示。

图13 电源连接与指示灯说明

步骤2：设置电机转速。

旋转编码器旋钮，顺时针旋转至屏幕显示P030，将目标转速设置为300 RPM。在该工况下，正常与异常状态之间的特征差异较为明显，便于观察AI检测效果，如图14所示。

图14 设置电机转速

步骤3：启动电机。

按下"运行"按钮启动电机，电机逐渐达到设定的目标转速。等待数秒后，系统完成状态识别。若运行状态正常，OLED屏幕显示"Fault Level = 0%"，运行指示灯点亮，异常指示灯保持熄灭，如图15所示。

图15 电机正常运行

4.2异常检测演示

外部磁铁干扰检测（异常）

保持电机正常运行，将磁铁缓慢靠近电机。磁铁与转盘上的磁铁之间产生磁力作用，电机运行状态发生变化，系统检测到异常特征。此时OLED屏幕显示的"Fault Level"数值逐渐增加，异常指示灯点亮，表明系统已识别到异常状态，如图16所示。

图16 MCU检测到异常

4.3 停止电机

按下"停止"键关闭电机。等待数秒后，OLED屏幕显示"Motor Stopped"，表示电机已停止运行，系统进入停止状态，如图17所示。

图17 电机停止运行

从演示效果可以看到，系统能够准确区分电机静止、正常运行、异常三种状态，并在OLED屏幕上实时显示识别结果。整个检测过程无需额外传感器，仅依赖电机控制过程中已有的q轴电流数据，由部署在RA6T2上的AI模型完成本地推理，实现了真正的端侧智能检测。

总结

本文基于第一篇的单工况验证结果，介绍了利用q轴电流信号构建电机异常检测模型的完整流程，包括数据采集、数据集制作、模型训练、评估以及MCU部署。

整个方案以RA6T2微控制器为部署平台，以Reality AI Tools为模型开发工具，通过利用电机控制过程中已有的电流采样数据，在不增加额外传感器的前提下，实现了电机运行状态的智能识别。实际测试表明，AI模型能够运行在MCU端侧，并结合电机控制系统实现实时异常检测。

从工程实现角度来看，本例程展示了一种将端侧AI技术与电机控制应用相结合的实现方法。开发者可以基于现有FOC控制系统采集运行数据，通过Reality AI Tools完成模型训练与代码生成，再部署至RA6T2平台，实现从数据采集、模型开发到嵌入式部署的完整开发流程。

本文完成了300 RPM基准工况下的验证。下一篇将在此基础上进一步扩展至300~1000 RPM宽转速范围，介绍多工况数据采集方法、统一模型训练策略以及跨转速工况下的异常检测效果，验证单一模型在不同运行条件下的泛化能力。

相关产品与开发工具

本文例程基于RA6T2微控制器与Reality AI Tools开发完成。

Reality AI Tools提供从数据导入、特征提取、模型训练、性能评估到嵌入式代码生成的完整端侧AI开发流程，可用于电机异常检测、振动分析、声音识别等场景。